让边绑定更加清晰:网络可视化中融合绘制方式的探索(Towards Unambiguous Edge Bundling: Investigating Confluent Drawings for Network Visualization)

%e5%b1%8f%e5%b9%95%e5%bf%ab%e7%85%a7-2017-01-07-%e4%b8%8a%e5%8d%8810-26-57

本文采用了Confluent Drawing(CD)这种技术,相比较传统的spatial edge-bundling(EB)的方法的优点在于能够按照图的拓扑结构进行边绑定(只有起点与终点相同的边才会在绑定在一起),因此所得到的结果会更加注重图的连接关系。本文所采用的Confluent Drawing(CD)技术是在Power Graph(PG)的基础上完成的,在得到Confluent Drawing的绘制结果之后,文章从系统分析的角度使用图中经常出现的motif检验Confluent Drawing的绘制效果,并且通过User Study的方式比较四种常用的消除连接模糊(edge ambiguity)方法。
继续阅读 »

WeightLifter:多准则权重空间的可视探索(WeightLifter: Visual Weight Space Exploration for Multi-Criteria Decision Making)

WeightLifter:多准则权重空间的可视探索

人们在做选择的时候,往往会综合考虑事物的多个方面。譬如在选择住房时,有的人注重装修,有的人看重便利的交通,有的人则更偏好良好的社区环境等等。当多个准则并存,我们常常赋予它们不同的权重,并选择综合得分最高的作为最佳选项。然而,人对权重的把握总是模糊的,如果略微改变权重设定,得到的“最佳选项”是否会不一样呢?在这篇文章[1]中,作者们针对多准则评价体系,提出了一种探索多维权重空间的可视分析方法。利用该方法,用户能够充分了解权重变化对最终决策的影响,并有针对性地调整权重、作出选择。

继续阅读 »

可视化不确定网络的概率图布局方法(Probabilistic Graph Layout for Uncertain Network Visualization)

teaser-1230

不确定网络,在本文表示顶点是确定的(certain),边的存在与否满足某种概率分布的网络。在图1中,左图是确定网络(certain graph),右图是不确定网络(uncertain graph)。

在不确定网络可视分析中,现有的方法往往直接在确定图(exact graph)中用视觉变量(visual variables)表示不确定信息。这些方法可以很好的将图的拓扑结构展示出来,但忽略了不确定信息的概率分布情况。
在这篇文章[1],作者们提出一个概率图(probabilistic graph)布局方法。这个方法可以同时展示图的拓扑结构和不确定信息的概率分布。它的基本思想是,依据蒙特卡洛方法(Monte Carlo process)对不确定图进行采样;将采样获得图根据力导向算法进行布局;之后,将所有采样图的力导向布局组合起来,获得最后概率图的布局(如图2所示)。 继续阅读 »

西安电子科技大学与西北大学师生参访北大可视化与可视分析实验室

可视化交流

2016年12月5-6日,来自西安电子科技大学与西北大学的两位老师协同四位研究生同学参观访问了北京大学可视化与可视分析实验室。来访的师生都参与了北京大学机器感知与智能重点实验室的可视化方面开放课题的合作。 继续阅读 »

booc.io: An Education System with Hierarchical Concept Maps and Dynamic Non-linear Learning Plans 支持概念地图与动态非线性学习计划可视化的在线教育系统

%e5%b1%8f%e5%b9%95%e5%bf%ab%e7%85%a7-2016-12-24-%e4%b8%8a%e5%8d%881-17-32

对于在线教育现在大家都越来越熟悉了,与传统的教育相比它有一些优势,包括可以更加快速利用丰富的互联网资源进行授课与学习、可以支持远程教育让更多人收益,更理想地来说它最终要达到每个人个性化的学习。今天我们介绍的这篇文章[1]来自哈佛大学,描述了他们用了快2年的时间,和教育专家一起构建出一个在线教育系统 – 它支持正常的在线教育的功能,更加有特色的是,它融合了可视化的元素,将课程学习中的概念依据他们的层次结构关系构造出了概念地图,并且为每个学习者根据它的学习情况将课程的依赖关系进行展现,让他们拥有个性化的学习计划,而传统的在线教育网站或者可视化系统很难同时做到这几点。下表进行了他们提出的系统booc.io和以前一些系统的对比。

继续阅读 »

降维中的可视交互:一个结构化的文献分析 (Visual Interaction with Dimensionality Reduction: A Structured Literature Analysis)

chart

降维是高维数据可视分析的一种重要的数据抽象技术。它将高维数据降解到低维空间,同时尽可能保留诸如异常点、聚类等特征。降维的方法林林总总,在可视分析中很难一步到位使用不需要任何适配的降维方法。常见的做法是通过交互的方式,将标准的降维方法适配到具体的应用场景中。目前在关于算法与可视交互如何融合方面,大多数工作是从高层次、抽象的角度来讨论其流程或模型[1][2]。本文[3]聚焦于降维这一特定方向,通过对文献进行半自动分析的方式,对降维中的可视交互进行结构化的文献调研。

继续阅读 »

实验室刘日晨同学顺利通过博士学位论文答辩

phd-defense-richenliu-02

2016年12月23日下午,北京大学可视化与可视分析研究组的刘日晨同学顺利通过博士学位论文答辩。刘日晨同学的博士学位论文题目为《支持集合模拟数据可视分析的特征提取与度量方法研究》。
继续阅读 »

从边际投影中重构类别型联合分布的可视分析方法(A Visual Analytics Approach for Categorical Joint Distribution Reconstruction from Marginal Projections)

联合分布重构的可视分析方法

所谓边际投影,指的是多维数据在少数几个维度上的数量累积,例如两份病患统计数据,分别展示病人在年龄和性别上的一维分布。然而仅凭这些数据,我们无法确定不同性别的病患在各个年龄段上的二维分布,因为边际投影重构出的联合分布并不唯一。传统的自动算法能够给出重构分布的少数“可行解”,却无法结合用户的先验知识、也不一定符合现实情况。在这篇文章中[1],作者提出了一种可视分析方法,通过高维可视化手段、重构并展示大量潜在的联合分布,以帮助用户识别其中符合事实或预期的、有价值的分布。

继续阅读 »

用海量出租车轨迹数据选取广告牌放置位置(SmartAdP: Visual Analytics of Large-scale Taxi Trajectories for Selecting Billboard Locations)

interface

广告牌是最常见的室外广告形式之一。尽管电视广告等传统广告方式仍然占据主导地位,但是近些年来随着人们在出行上花费的时间越来越多,室外广告牌这种广告形式也变得越来越有价值。室外广告牌是否有效取决于他的内容设计,可见性以及放置的地理位置。其中地理位置被认为是最重要的因素。然而选取室外广告牌的放置点并非易事,传统选取室外广告牌位置的方法依靠领域专家进行人工的选取,找到多个潜在的地点,进一步计算每个地点的人流量分析、人群种类分布等人口统计信息,生成报告。提供给商户做参考和选择。这样的方法自动化程度不高并且十分依赖领域专家的知识。因此来自香港科技大学可视化团队的成员开发了SmartAdP,一个基于出租车轨迹数据选取广告牌放置位置的可视分析系统。
继续阅读 »

用于3D数据探索的混合触感/有形交互 (Hybrid Tactile/Tangible Interaction for 3D Data Exploration)

图7 用户调研

在三维数据的可视化中,交互探索是非常重要的一部分。为了达到这一目的,研究者经常要依赖于专用的3D输入设备,例如平板电脑和大屏幕显示墙。这些设备提供了新的交互范式:触感(tactile)输入和有形(tangible)输入。触感输入通过使用一些单手或双手触控的映射和窗口部件来实现,而有形输入是基于在三维空间中通过物理移动专门的移动设备来达到交互。但是,在实际运用中,不同的输入范式之间的过渡仍然是未知的。尽管这两种输入在以往的工作中都出现过,但是并没有人研究它们在三维数据可视化探索中各自的益处和挑战。如何将触感和有形交互结合起来用于三维数据探索也成为了一个仍待解决的问题。因此,今年SciVis的一篇文章[1]设计并评估了一种结合触感和有形范式的交互界面,用于三维数据探索。文中针对流体动力学领域,首先了解了在三维数据探索中的一些基本的交互任务和交互技术,然后基于这些发现提出了一种针对常见的三维可视化任务这两种范式混合映射的设计空间,最后对其中的某些混合映射进行评估并通过用户调研将其与单独使用触感和有形输入的方法分别比较。

继续阅读 »