Charticulator: 交互式构建定制的图表布局(Charticulator: Interactive Construction of Bespoke Chart Layouts)

定制的图表更具表现力,可以根据想要传递的数据洞察进行细节的设计,从而让目标用户更容易注意、理解和记忆这些图表。用户想要创建这些图表,可以使用绘图的工具,但是这些工具需要手动设置数据和属性的映射,比较低效;可以用可视化的库编写代码实现,但是用户需要有较高的编程技能;也可以使用一些交互式的可视化构建工具,但是这些一般需要用户从一些模版中进行选择,因而表现能力不足,并且提供的布局方式有限或者提供的布局构建的交互不够方便。针对已有工作存在的问题,[1]的作者们提出了Charticulator,可以灵活创建可视化布局。

继续阅读 »

Deadeye:基于双眼呈现的前注意可视化技术(Deadeye: A Novel Preattentive Visualization Technique Based on Dichoptic Presentation)

突出效果(Pop out effect)被广泛地应用于人机交互和可视化领域。一个典型的例子是,当我们使用浏览器的页面搜索功能时,被搜索到的文字会被高亮出来。突出效果基于前注意(Preattentive)视觉特征,典型的前注意视觉特征有色调、形状、闪烁等。这一类的特征能够有效地吸引人的注意,凸显出来(Pop out),在较短的时间内(通常为200-250毫秒)被人类的视觉系统识别到,并且不会随着干扰的增多而受到影响。本工作提出了一种基于双眼呈现的前注意视觉方法:Deadeye。

继续阅读 »

动态体数据线:通过空间填充曲线的三维体数据视觉比较 (Dynamic Volume Lines: Visual Comparison of 3D Volumes through Space-filling Curves)

集合数据的成员之间的比较是一项繁琐而易出错的工作,这由体数据的微妙差别导致。本工作提出了动态体数据线(Dynamic Volume Lines)以实现对一组体数据的交互可视分析。利用希尔伯特(Hilbert)空间填充曲线将三维数组线形化,希尔伯特曲线展开的过程很好地保持了空间局部性。利用此基于强度的变化绘制非线形的线图:在变化幅度的区域,通常是值得关注的区域,而变化幅度较小的区域一般为不重要的区域如背景。通过实验结果,本方法被验证了其可以识别局部的强度变化。

继续阅读 »

自动可视化生成系统:Draco(Formalizing Visualization Design Knowledge as Constraints: Actionable and Extensible Models in Draco)

本篇工作[1]介绍了一个自动生成可视化的系统Draco。用户需要输入数据集和简单的数据描述,然后根据自己的任务,输入需要编码的数据,可以指定编码的方式,Draco通过计算,得到一个优化的结果,最后通过Vege-Lite生成可视化。下图为一个简单示例。

继续阅读 »

用交互式数据事实增强可视化图表(Augmenting Visualizations with Interactive Data Facts to Facilitate Interpretation and Communication)

恰当的图表注解可辅助用户理解,如排除视觉元素的干扰,突出图表的重点特征,帮助初学者快速上手等。近期,不少的可视化工具引入了自然语言生成 (Natural Language Generation, NLG) 技术来自动生成对可视化的描述性文字,丰富界面。例如Narrative Science的QuillArria的相关产品就是常见的商业例子。然而,静态的文字与对应的图表缺乏直接的关联性,也难以适应人们分享交流的实际需求。面对以上问题,本文[1]在详尽的用户研究的基础上提出了Voder:一个将可视化与交互式自动生成描述关联的原型系统。

继续阅读 »

SMARTexplore: 通过基于表格的可视分析方法简化高维数据分析(SMARTexplore: Simplifying High-Dimensional Data Analysis through a Table-Based Visual Analytics Approach)

高维数据通常以表格形式提供,可视化高维数据通常会将它转换为抽象表示。常见的高维数据可视化方法有散点图矩阵,平行坐标,线性和非线性投影。虽然这些方法对于高维数据的分析是有效的,但是它们与记录和维度的交互却不够直观。分析人员需要心理的努力来将原始格式的记录,维度和值与可视化中的表示相互关联,反之亦然。因此,非可视化专家通常需要培训才能掌握这些可视化方法,而且这种抽象表示也会影响他们对所揭示模式的信任。因此,本文[1]提出了可视分析系统SMARTexplore,希望通过熟悉的基于表格的可视化分析方法,简化高维数据中相关性、聚类、异常值以及其他模式的识别和理解。

继续阅读 »

MotionRugs:集体趋势时空可视化(MotionRugs: Visualizing Collective Trends in Space and Time)

了解集体的运动模式,如鸟群或鱼群,是一个有趣的开放研究问题。集体由共同目标驱动或对个体方向变化和外部影响因素和刺激作出反应。可视化集体运动数据的挑战是同时显示数百个运动的空间和时间,以便能够检测时空模式。本文[1] 提出了MotionRugs,一种用于可视化移动实体组的新型空间高效技术。在已建立的空间划分策略的基础上,我们的方法将每个时间步骤中的空间维度减少到单个实体的一维有序表示。通过设计,MotionRugs提供了无重叠,紧凑的群体运动随时间发展的概述,从而使分析师能够直观地识别和探索群组特定的时间模式。我们证明了我们的方法在鱼群分析领域的有用性,并报告了集体行为领域领域专家的初步反馈。 继续阅读 »

DXR:创建沉浸式数据可视化的工具(DXR: A Toolkit for Building Immersive Data Visualizations)

沉浸式技术,诸如虚拟现实和增强现实,已经为数据的展示、交互、探索提供了一种新型有效的形式。人们对沉浸式可视化与可视分析的应用产生了越来越多的需求,但目前为沉浸式环境构建应用程序和原型可视化设计仍然具有挑战性。现在大部分的沉浸式可视化应用都是依赖于Unity 3D环境编写的,多数编程人员还在编写底层代码进行数据解析、物体摆放和可视化映射等操作;同时,设计者需要在沉浸式环境中查看可视化,这导致迭代设计的效率十分低下。这篇文章[1]提出了DXR(Data visualization for eXtend Reality),一个开源的沉浸式可视化快速构建工具。该工具由大量的预制件和脚本包组成,如图1,能够为构建和重用三维可视化设计提供高级接口,用户可使用类似Vega-Lite的语法快速编写可视化映射,支持文本编辑器和内置原位GUI,并支持用户自定义marks和channels以满足更复杂的可视化设计。 继续阅读 »

SwiftTuna: 对大规模高维数据的快速响应的增量式可视化探索 (SwiftTuna: Responsive and Incremental Visual Exploration of Large-scale Multidimensional Data )

对于大规模数据的交互式探索,经常使用预处理方案(例如,数据立方体)来概括数据并提供低延迟响应然而,这种方案由于查询涉及更多维度而遭受过大量的内存占用,并且在查询之前必须从数据构建特定数据结构的强大先决条件。在本文[1]中,我们介绍了SwiftTuna,这是一个整体系统,简化了大规模多维数据的视觉信息搜索过程。SwiftTuna利用内存计算引擎Apache Spark来实现可扩展性和性能,而无需构建预先计算的数据结构。该论文还提出了一种新颖的交互式可视化技术,即尾部图表,以促进大规模的多维数据探索。为了支持对大规模数据的响应式查询,SwiftTuna利用增量处理方法,提供即时低保真响应(即快速响应)以及延迟的高保真响应(即增量响应)。性能评估表明,SwiftTuna允许对具有40亿条记录的真实数据集进行数据探索,同时在几秒钟内保留增量响应之间的延迟。

继续阅读 »

利用在线评论轻松比较本地企业 (Towards Easy Comparison of Local Businesses Using Online Reviews)

随着电子商务的快速发展,越来越多的在线评论网站,如Yelp,帮助客户做出更好的购买决策。查看其他客户的在线评论,包括评级得分和文本评论,并进行不同业务之间的比较是做出最佳决策的关键。然而,由于在线评论数量巨大,用户评级标准存在潜在差异,以及评论的时间、长度、细节和质量等各有不同,客户很难实现快速和全面的比较。本文[1]介绍了基于在线评论的精心设计的可视化分析系统E-Comp,用以帮助客户不同详细程度地比较本地企业。

继续阅读 »