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 »
月度存档: 十二月 2018 - 第2页
用卷积神经网络来评估图形感知能力
作者: Yun Han
日期: 2018年12月23日
用卷积神经网络来评估图形感知能力已关闭评论
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。
Clustrophile 2：可视化指导聚类分析
作者: 李, 金城
日期: 2018年12月20日
2 条评论
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。
Graphicle: 单元可视化与网络可视化的结合
作者: 田 敏
日期: 2018年12月18日
Graphicle: 单元可视化与网络可视化的结合已关闭评论
现实世界存在很多大型、多变量且关系型的数据，用户在分析此类数据时，需要同时考虑到每个单元的属性和单元间的连接。然而，在现有的可视化方法中，一般只关注于单元可视化或者网络可视化中的一个。用户可以用单元可视化来探索各个变量的分布或者相关关系，也可以用网络可视化来分析单元间的网络结构。但是很难同时兼顾属性探索和网络结构探索。这也是本篇工作最想解决的问题。
面对面：评价视觉比较(Face to Face: Evaluating Visual Comparison)
作者: Wei, Datong
日期: 2018年12月18日
面对面：评价视觉比较(Face to Face: Evaluating Visual Comparison)已关闭评论
比较两组数据是常见的任务。现有的对不同比较方法的评估往往基于直觉推理，而缺少可量化的测量手段。这篇工作通过一系列的实验，让用户在不同的比较排布形式下完成指定的比较任务（例如比较两组数据中哪一项的变化最大），从而实现了对各种排布形式效果的测量。
Segue: 基于空间布局交互构建的自我中心网络演化模式(Segue: Overviewing Evolution Patterns of Egocentric Networks by Interactive Construction of Spatial Layouts)
作者: Li, Sihang
日期: 2018年12月10日
Segue: 基于空间布局交互构建的自我中心网络演化模式(Segue: Overviewing Evolution Patterns of Egocentric Networks by Interactive Construction of Spatial Layouts)已关闭评论
现在，动态网络的分析已经被用于很多领域。而在其中，对个体的分析常常被称为自我中心网络(Ego-network)的分析。但是，现有的方法很难在宏观层次上分析很多的动态自我中心网络。本文[1]提出了一种新颖的将动态自我中心网络转化为空间布局的流水线，利用空间布局在宏观层次对自我中心网络进行分析，并基于这个流水线，提出了可视分析系统Segue。
IDMVis: 针对1型糖尿病治疗决策支持的时间事件序列可视化(IDMVis: Temporal Event Sequence Visualization for Type 1 Diabetes Treatment Decision Support)
作者: Peihao An
日期: 2018年12月9日
IDMVis: 针对1型糖尿病治疗决策支持的时间事件序列可视化(IDMVis: Temporal Event Sequence Visualization for Type 1 Diabetes Treatment Decision Support)已关闭评论
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。
缩略“图”：一眼辨别图数据 (Graph Thumbnails: Identifying and Comparing Multiple Graphs at a Glance)
作者: Liwenhan Xie
日期: 2018年12月8日
缩略“图”：一眼辨别图数据 (Graph Thumbnails: Identifying and Comparing Multiple Graphs at a Glance)已关闭评论
现有的图可视化技术难以在有限的空间有效揭示图数据的丰富内涵。本文[1]提出了一种叫做Graph Thumbnails的方法，它以缩略图的方式将图数据的层次化结构可视化，灵活支持small multiple（小多组图组），方便用户快速浏览图数据库，并具有如下优势：（1）线性时间复杂度；（2）同构不变性；（3）精确展示图的结构信息。通过两个用户研究，作者验证了Graph Thumbnails在标识化、对比和概览图数据这三项常见数据分析任务中的优越性。
Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)
作者: Zhixian Lin
日期: 2018年12月1日
Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)已关闭评论
大多数对公共和个人健康构成重大挑战的疾病都是由多种遗传和环境因素引起的。本文[1]介绍了Lineage这一新型可视化分析工具，用于支持领域专家在结合族谱背景时研究此类多因素疾病。通过结合案例之间的家庭关系与其他数据，用户可以发现此类疾病可能涉及的共享基因组变体或共享环境暴露等。此设计研究的主要贡献是针对家谱和临床数据结合的这一类树状多变量图，通过设计家谱图与属性表格图相对齐的方式，能够在家谱分析中加入广泛的多元属性而不会使图混乱。
近期评论