月度存档: 十一月 2019

基于射线代理分布的大规模时变体数据探索(Ray-based Exploration of Large Time-varying Volume Data Using Per-ray Proxy Distributions)

对如今超级计算机上模拟产生的大规模时变体数据进行分析和可视化是一项非常艰巨的挑战,因为超级计算机可以产生具有极高时间和空间分辨率的数据集。网络传输和储存设备的有限带宽使得将整个数据集移动到数据分析机进行分析是不可行的。常见的解决方法之一是保持原始空间分辨率的同时降低时间采样率,但简单地在相邻采样时间步间进行插值会造成很大的误差。光线投射(Ray Casting)算法是直接体渲染(Direct Volume Rendering)的一种经典常用的方法。本工作提出了一种基于光线的表示方法,储存基于光线的直方图及深度信息,用以恢复采样时间步间的体数据渲染结果的信息,从而达到压缩原始数据的目的。

继续阅读 »

学术实体的影响花朵 (Influence Flowers of Academic Entities)

对学术实体影响的分析可以帮助人们更好地了解一个实体在学术界的生产力和声誉,并了解知识的创造过程。但已有的工作大多致力于影响力的量化。本文[1]提出了一种名为影响花朵(Influence Flower)的新的隐喻形式,能够展示实体之间影响的流动。

继续阅读 »

流式多维数据可视化的增量降维方法(An Incremental Dimensionality Reduction Method for Visualizing Streaming Multidimensional Data)

降维方法常用于多维数据的分析和可视化。然而,由于(1)高计算复杂度,(2)无法在不同时间步的降维结果中保留用户的心理地图和(3)无法处理数据包含不同维数的情况这三个挑战,降维方法无法直接应用到流式多维数据中。本文[1]介绍了一种增量式降维方法来解决这些挑战,使得用户能够实时可视化和分析流式多维数据。

继续阅读 »

GUIRO: 用户引导的矩阵重排序 (User-Guided Matrix Reordering)

矩阵可视化是主要的关系(或网络)数据可视化技术之一。如果其布局能够揭示底层的数据拓扑结构,则最为有效。不同的矩阵排序算法带来不同的视觉模式,它们的可信赖性和可解释性是个值得研究的问题。 该工作[1]介绍了一种可视化分析系统来帮助新手、网络分析师和算法设计人员打开排序算法黑匣子,从而帮助用户更好地了解复杂的重排序过程,进而支持数据和重排序算法的见解。

继续阅读 »