
12月28号上午,最后一位讲者是来自浙江大学的陈为老师。讲座的主要内容有《时空大数据的可视化》和《海量动态图数据的可视分析理论和应用》。时空大数据的可视化从理解、分析、服务三个角度切入,向分享了可视化研究工作的成果与经验。对海量动态图数据的讨论,再次强调了可视化技术的重要与动态图相关的技术和应用。 继续阅读 »
12月28号上午,最后一位讲者是来自浙江大学的陈为老师。讲座的主要内容有《时空大数据的可视化》和《海量动态图数据的可视分析理论和应用》。时空大数据的可视化从理解、分析、服务三个角度切入,向分享了可视化研究工作的成果与经验。对海量动态图数据的讨论,再次强调了可视化技术的重要与动态图相关的技术和应用。 继续阅读 »
卷积神经网络(Convolution Neural Network,CNN)已经在许多计算机视觉(Computer Vision)任务上取得了成功。 对于可视化,CNN 可以怎么应用于图形感知任务? 这篇文章 [1] 通过复制 Cleveland 和 McGill 的1984年的开创性实验 [2] 来研究这个问题,该实验测量了不同视觉编码的人类感知效率,并定义了可视化的基本感知任务。 我们在五种不同的可视化任务上测量了四种网络架构的图形感知功能,并与现有人的感知能力进行比较。 虽然在有限的情况下 CNN 能够达到或超越人工任务表现,但我们发现 CNN 目前还不是人类图形感知的良好模型。 我们提供这些实验的结果,以促进理解 CNN 在应用于数据可视化时的成功和失败。
聚类是探索性数据分析中一种流行的无监督学习方法。聚类算法通过基于相似性的度量将数据划分为子集,为分析人员提供了探索数据结构和变化的有力手段。然而,由不同算法、算法参数、数据子集和属性子集所决定的聚类空间是巨大的,如何引导用户高效地探索空间而不是漫无目的地尝试依然是一个巨大的挑战。为解决上述挑战,本文[1]提出了一种用于引导聚类分析的新型交互式工具Chustrophile 2。它指导用户进行基于聚类的探索性分析,适应用户反馈以改进用户指导,促进聚类的解释,并帮助用户快速推理聚类之间的差异。除此之外,Clustrophile 2还提供了一个新颖的功能,the Clustering Tour,根据用户的分析目标和期望选择聚类参数并推断不同聚类结果的质量。
1型糖尿病是一种慢性,无法治愈的自身免疫性疾病,影响的人群广泛,它导致身体停止产生胰岛素和血糖水平升高。强化糖尿病管理的目标是通过频繁调整胰岛素协议,饮食和行为来降低平均血糖。手动日志和医疗设备数据由患者收集,但是这些多个来源以不同的可视化设计呈现给临床医生,这使得时间推断变得困难。本文[1]作者进行了为期18个月的设计研究,与临床医生共同进行了强化糖尿病管理。本文的主要贡献在于(1)为该域提供了数据抽象和新颖的分层任务抽象;(2)提供IDMVis:一种用于时间事件序列的可视化工具,具有多维,相互关联的数据。IDMVis提供一种新技术,可以通过一对标记事件来折叠和对齐记录,并以此缩放中间时间线。本文的设计决策根据文中的领域抽象,最佳实践以及与六位临床医生的定性评估来进行。这项研究的结果表明,IDMVis准确地反映了临床医生的工作流程。使用IDMVis,临床医生能够识别数据质量问题,例如数据丢失或冲突,在数据丢失时重建患者记录,区分具有不同模式的日期,并在识别出差异后促进干预。
近期评论