月度存档: 一月 2020

悉尼大学教授Peter Eades等一行访问北京大学可视化实验室

2020年1月11日,悉尼大学计算机学院(School of Computer Science)教授Peter Eades, Tongliang Liu,Zhiyong Wang,Xiuying Wang访问北京大学可视化实验室。Peter Eades教授是图可视化领域的专家,Eades教授在1984年提出了力导向算法的原型,是图布局最经典的绘制算法,曾经多次担任实验室举办的暑期学校的授课讲师。

继续阅读 »

面向自动化的信息图设计:基于深度学习的可扩展时间线自动生成(Towards Automated Infographic Design: Deep Learning-based Auto-Extraction of Extensible Timeline)

在创建信息图(Infographic)时,不仅要考虑视觉元素有效性,还要考虑设计美学、趣味性,对普通用户来说门槛较高。为了方便用户进行信息图设计,目前已经出现一些自动化的设计工具,但仍存在两个方面的问题:第一,模板风格单一,用户只能将数据导入模板,缺乏设计的多样性,如Microsoft PowerPoint和Adobe Illustrator等,用户定制性较差;第二,用户常常在网上搜索自己喜爱的信息图,以寻找设计灵感,但这些图片一般是位图(Bitmap)格式,用户如果想借鉴该图片的风格,还需要重新手动绘制,过程十分麻烦和枯燥。因此,从位图中自动提取可以编辑的模板用于新数据的创作,是有实际需求和价值的。

继续阅读 »

基于深度生成模型的图布局算法(A Deep Generative Model for Graph Layout)

在日常生活中,我们经常用图来表示社交网络等复杂的系统。在图的可视化中,点边图是最直观也是最常用的形式,不同的图布局能够展现同一个图的不同方面,找到一个好的图布局是图可视化中至关重要的任务。对于用户特别是新手来说,经典的图布局算法需要消耗大量的时间,来不断地调整参数以达到理想的图布局。来自美国加利福尼亚大学的Kwon等人 [1] 提出了一种深度生成模型,基于用经典布局算法获得的图布局数据,训练一个变分编解码器,其中编码器将图布局编码到一个二维的隐空间中,解码器从隐空间中重构出布局,这样的隐空间可以方便用户在二维平面上探索和生成各种布局。

继续阅读 »

Origraph:交互式网络整理(Origraph: Interactive Network Wrangling)

在可视化领域网络数据的探索是十分普遍的,比如社交媒体中的一些网络分析,也因此存在一系列的可视化形式和系统。但是很少有工作关注最初网络模型的构建。事实上,网络分析所基于的源数据通常是从在线数据源爬取的,基本形式是一系列的数据项和它们的属性,也就是表格数据的形式。依据不同的假设,我们可以从数据中抽象出不同的网络模型。为了探索不同的网络模型,我们需要通过编程将数据转换为我们需要的网络数据,而这样一个过程是繁琐低效的。

现有的网络整理工具中最著名的是Ploceus[1]和Orion[2],主要聚焦于初始网络模型的创建。但它们不能通过结点和边的相互转换等操作迭代和交互地重构网络模型的网络整理工具。而其它支持的操作,比如基于连接性的过滤,只能通过编程进行实现。 因此,该工作 [3] 由犹他大学可视化设计实验室完成,提出交互式的可视化网络整理工具Origraph (见图1),在已有工具的基础上对网络模型的操作集合进行扩展,帮助用户快速有效地创建和修改网络模型。

继续阅读 »