月度存档: 九月 2021

探索交互日志来减轻人的偏见(Left, Right, and Gender: Exploring Interaction Traces to Mitigate Human Biases)

偏见影响着人们分析数据的方式和决策的结果。在可视分析系统中,人的偏见会体现在只对部分数据进行分析而进行决策,使得决策产生偏差。该工作研究如何通过可视化用户的交互历史(用户与哪些数据点和属性进行了交互),来降低人在可视化系统探索过程以及决策时的潜在偏见。

继续阅读 »

大规模粒子数据的计算属性上的交互选择 (Interactive Selection on Calculated Attributes of Large-Scale Particle Data)

在大规模的粒子数据中,有些属性需要在模拟过程中才能获得,比如温度、表面张力等。我们需要这些属性用来选择感兴趣区域的粒子,比如热点区域或者局部极值区域等,并在之后的模拟中观察粒子的变化情况。为了使用这些属性,我们可以首先运行一遍模拟过程,并把计算得到的属性保存下来,接着在系统中加载这些提前计算好的属性。然而,保存这些属性需要大量的磁盘空间,而且如果需要其他的属性,还需要再进行模拟以保存属性。另一种使用计算属性进行选择的方法是在模拟过程中实时计算并根据属性选择粒子,然而如果计算所有粒子的属性,模拟时需要分配更多的内存空间并使用更长的时间。本文结合3D视图刷选,提出了一种数据驱动的基于延迟计算的选择扩展方法[1]。

继续阅读 »

STRATISFIMAL LAYOUT:一种分层节点链接网络可视化的模块化优化模型(STRATISFIMAL LAYOUT: A Modular Optimization Model for Laying out Layered Node-link Network Visualizations)

节点链接图是一个用于显示网络中关系的有效工具。本文关注于计算网络的分层布局,在这种布局中,节点被排列在一组平行的轴上,来更好地展示层次或顺序关系。通常基于启发式的布局方法 [1] 可以得到可读的,但不是最优的可视化结果。本文提出了STRATISFIMAL LAYOUT [2],一种模块化优化模型来计算最优的节点布局。

继续阅读 »

基于深度学习推荐的分析面板设计 (MultiVision: Designing Analytical Dashboards with Deep Learning Based Recommendation)

从数据表格出发的自动可视化设计长久以来受到许多关注。1986年乔克麦金莱 (Jork Machinlay) 就提出基于用户对不同通道的感知有效性的APT [1] 工具。然而传统的方法依赖于经验规则,可能并不能得到最优结果。近年来,可视化研究社区也使用机器学习方法以支持可视化的自动创建[2]。但这些方法关注于给定数据属性之后的映射方法的选择,用户仍然需要花费时间与精力选择合适的数据项。为帮助用户选择数据,来自香港科技大学和微软亚洲研究院的伍翱宇等人提出MultiVision[3],旨在使用深度学习方法自动构建多视图的可视化。

继续阅读 »

响应式可视化的任务导向洞察的自动推理方法 (An Automated Approach to Reasoning About Task-Oriented Insights in Responsive Visualization)

由于移动设备的普及,可视化创作者需要考虑可视化在不同设备上的显示,即响应式可视化。通常,创作者实现针对桌面环境的可视化之后,通过改变大小、进行数据聚合等方法调整可视化以适应移动设备。然而,这一过程会改变原始的可视化传达的信息,需要创作者不断尝试不同设计,并考虑它们保留的信息,这一过程困难且繁琐。

继续阅读 »

非整洁数据:表格未知原因的有效性 (Untidy Data: The Unreasonable Effectiveness of Tables)

数据表格是一种人们熟悉的、原始的数据表现方式。在商业产品与数据统计分析工具繁多的当下,数据表格仍然在意义构建中扮演着重要的角色,并且绝大多数的数据工作者会选择使用数据表格作为他们的主要工具。本文通过一个全面的、定性的用户调研与实验探索了数据表格的优势以及在意义构建中是如何发挥作用的。

继续阅读 »

基于多边形的超图可视化的布局自动生成方法(Automatic Polygon Layout for Primal-Dual Visualization of Hypergraphs)

在超图中,每条边不再仅限于表示一个二元关系,而是能够表示一个任意的n元关系(n大于等于2),如果依然使用传统的点边形式(node-link)对超图进行可视化,那么每一条边都将被表示为一个团的结构,这会带来大量的边,导致视觉聚集,从而干扰用户对图结构的认知过程。本文提出了使用多边形来对超边进行可视化的方法(图1),并最终给出了一种支持对偶视图形式的自动布局算法。

继续阅读 »

重新思考视觉通道的排名(Rethinking the Ranks of Visual Channels)

在可视化中,我们可以用位置、长度或亮度等视觉通道展示数据。现有对视觉通道的排名主要是基于参与者能多准确地报告两个用视觉通道表示的数值之间的比率。这个排名成立的假设是,对于不同的任务和不同数量的视觉元素,排名保持不变。然而,现有的工作很少对该假设进行实验,特别是考虑到在现实世界的可视化中,根据观察到的视觉通道来计算两个数值的比率相对来说没有那么重要,相比之下,看到、记住和比较趋势更为重要。

继续阅读 »

VIS30K: IEEE国际可视化大会论文的图表集合(VIS30K: A Collection of Figures and Tables from IEEE Visualization Conference Publications )

可视化是一个依赖于图像和视频来展示和解释研究工作的学科。在可视化论文中,图像是必要的部分,能够帮助我们理解复杂的科学概念。而浏览一个领域的图像可以很好地揭示时间趋势和常见的实践,且可以对子学科进行比较。本工作从可视化领域的顶级会议IEEE国际可视化大会 (IEEE VIS)收集了近三十年的接近三万张图表,并开发了一个图片浏览工具。

继续阅读 »

源-目的地数据可视化的设计空间(Design Space of Origin-Destination Data Visualization)

可视化是观察和分析源-目的地 (Origin-Destination) 数据的重要工具,分析多个地理空间点之间的流数据,应用在有关通勤、迁移和货物运输中。流向图(flow map)是OD数据分析最常用的可视化方法,然而经常会遇到混乱和遮挡的问题。为了解决这些问题,许多可视化方法采用数据抽象和视觉抽象,例如进行节点聚合或边缘捆绑​​,从而导致信息丢失。最近可视化的理论和经验发展[2]证实了这种抽象方法的优点,同时证实了观众的知识可以减轻由于信息丢失造成的负面影响。探索源-目的地数据可视化的设计空间需要了解在数据和视觉抽象中丢失和添加信息的不同方式。该工作[1]基于数据抽象和视觉抽象中对源-目的地数据的信息操作的分类,制定了源-目的地可视化的新设计空间。依据该设计空间,提出了基于半边编码和饼图的源-目的地数据的可视化方法。

继续阅读 »