近年来，超级计算机被广泛应用于诸如气候和分子动力学模拟等大规模并行应用程序中。这些超级计算机往往包含大规模的计算结点，结点之间通过复杂的通信网络连接，例如5D torus或者dragonfly等。应用程序的计算任务被分配到各个计算结点，并且由这些结点协作完成。在这个过程中，结点之间的通信是非常关键的，在很大程度上影响着并行程序的可扩展性和并行效率。因此， 如何识别通信瓶颈并且对通信进行优化变得非常重要。造成通信瓶颈的原因有很多，例如通信路由比较长，通信网络上收发的信息量比较大等。研究者需要能够了解通信路由，减少通信网络拥堵。今年VAST会议上有一篇文章提出了一个可视分析系统，使用可视化方法对通信行为进行分析[1]。
多属性时间序列数据在许多不同的领域，如经济学，传感器网络和生物学中都起着至关重要的作用。理解这些数据的一个重要任务是为用户提供一个总览，帮助用户识别随着时间的推移显示出有趣的绝对和相对变化的数据项。但是，现有的可视化技术并不能很好地支持这一点。为了解决这个问题，作者提出了ThermalPlot[1]，把多个属性随着时间的推移变化映射到空间中位置的变化。ThermalPlot中的x位置是基于用户定义的兴趣度Degree-of-interest（DoI）函数，该函数通过加权综合了多个属性数值。 y位置由用户指定时间窗口内DoI值（DDoI）的相对变化决定。通过一个移动的时间窗口对这个映射进行动画处理会导致数据项的位置随着时间做环形的移动，就像热系统一样，因此使用暖气流的隐喻。作者通过OECD国家经济合作和发展数据和股票市场数据两种使用场景来展示ThermalPlot技术的有效性。
这个工作[1]介绍了群用户界面，这是一个新的人机界面的类别，由很多自动机器人组成用来展示和交互。Zooids是一个开源的公开硬件设计的桌面群界面，这个平台包含一组定制设计的有轮的直径为2.6cm的小机器人，一个基于无线电的站，一个高速DLP结构的小投影机用来做轨迹追踪和一个为应用的发展和控制的软件架构。这一工作通过一系列Zooids的应用脚本展示了桌面群界面的潜能，并且讨论了普遍的思路与群用户界面设计上的区别。
可视化作者创建和展示可视化时，经常生成多个视图。多个视图之间可能存在不一致的现象:相同的变量可能在不同视图中以不同方式编码；不同的变量也可能以相同的方式编码。
已有的可视化设计的准则通常针对单视图可视化。对于多视图可视化，则需要可视化作者根据自己的准则做决定。关于可视化作者何时会遵循一致性，以及会遵循什么样的一致性，现在还很少有工作揭示。这篇论文[1]是第一个对此进行详细研究的工作。
本文[1]通过在交互中加入个人代理，对流行的交互刷选技术进行了推广。将现有的交互刷选研究映射到一个设计空间，并把交互技术解构为三个部分：源（被刷选的对象），链接（源和目标之间的关系表达），和目标（显示源相关的是什么）。采用这种设计空间，本文创造了MyBrush，这是一个统一的接口，在交互刷选中提供个人代理，用户可以灵活配置多个刷的源，链接，和目标。三个焦点小组的实验结果表明，不同背景的人用不同的方式使用个人代理，包括执行复杂的任务和显式地显示链接。我们对这些结果进行了反思，为未来个人代理在信息可视化中的作用奠定了基础。
动态影响网络(DIN)[1]，是一种新颖的可视分析技术，用于表示和分析基于规则模型的蛋白质－蛋白质相互作用网络。使用KaSim(一种Kappa语言编写的基于规则模型的开源随机模拟器)生成的数据，构建动态影响网络，表示每个规则对其他规则的影响。
随着数据探索任务的日益复杂，合作探索协调多视图（Coordinated & Multiple Views, CMV）已成为信息可视化中主要关注的内容。移动设备（Mobile Device）相较传统桌面可视化而言，更能提供动态、灵活、用户指定的交互界面，便于通过多设备进行协同探索。这篇文章提供了VISTILES[1]框架可以支持用户通过拼接组合移动设备对复杂数据进行多视图探索，并可利用含义丰富的空间布局加深用户对多变量数据的理解。
现有的可视化系统往往是在桌面环境下设计交互方式，越来越多的研究者开始考虑如何在大屏幕、平板等设备上设计交互方式。一部分工作利用可穿戴设备、VR/AR等设备检测人的手势、肢体动作实现与大屏幕的交互，还有一部分工作将自然语言作为交互输入方式。这项工作[1]尝试在可视化中利用多模输入（multimodal）的方式，将触摸（touch）和语音输入结合作为图可视化的交互方式，并且分析在多模输入环境下的用户交互行为特点。
主题模型主要用于对文档集的主题探究，也有不少的工作将主题模型应用到医学领域，但是目前的工作主要专注于提取特定患者的事件并将其可视化。基于这个层面，用户很难从中得到病症是如何随着时间发展和演变的，也难以理解这些症状的层次结构。因此，这篇文章[1]从一个新的视角，将主题模型输出的非结构化的结果用层次结构表示，并使用时间轴来比较和解释主题内和主题之间症状随时间的演变。
近期评论