降维是一种常用的高维数据可视化方法，它将高维数据投影到低维空间，在产生的投影中保留原始数据的特定特征。降维的典型分析过程分为两步。用户首先寻找投影中特殊的视觉结构（如离群值和聚类），然后解释每个视觉结构中的模式。然而，显著和可解释的结构并非总是存在。这会导致用户的后续分析难以开展。另一方面，用户知识可用于提高模式显著性和可解释性，从而构建结果驱动的分析流程。知识指的是用户对目标数据集的整体理解，这来自于他们的经验。这篇文章 [1]提出一种实现基于知识数据分析的嵌入方法。
继续阅读 »月度存档: 十二月 2022
将人类知识纳入数据嵌入以提高模式显著性和可解释性（Incorporation of Human Knowledge into Data Embeddings to Improve Pattern Significance and Interpretability）
作者: 李, 金城
日期: 2022年12月10日
将人类知识纳入数据嵌入以提高模式显著性和可解释性（Incorporation of Human Knowledge into Data Embeddings to Improve Pattern Significance and Interpretability）已关闭评论
MosaicSets:网格图上的集合可视化(MosaicSets: Embedding Set Systems into Grid Graphs)
作者: Yu, Jiacheng
日期: 2022年12月9日
MosaicSets:网格图上的集合可视化(MosaicSets: Embedding Set Systems into Grid Graphs)已关闭评论
集合可视化是信息可视化的一个重要研究领域。对于抽象集合系统的可视化，一种常用的方法是欧拉图，但是它通常侧重于集合关系而不关注其中的单个元素。来自德国波恩大学和维也纳技术大学的研究人员提出了MosaicSets [1]，一种将给定的集合系统嵌入到规定的网格图中的可视化方法。如图1所示，该可视化包括基本地图(Base map)和覆盖(Overlay)两部分组成，基本地图中的相同颜色的节点属于同一个集合，覆盖中由一种颜色的边框包围的节点属于同一个集合。
继续阅读 »使用递归最优对应性进行层次结构布局的插值（Hierarchical Layout Blending with Recursive Optimal Correspondence）
作者: 罗, 煜楚
日期: 2022年12月4日
使用递归最优对应性进行层次结构布局的插值（Hierarchical Layout Blending with Recursive Optimal Correspondence）已关闭评论
布局生成是一类重要的问题。在现有的布局生成相关研究中，一类研究注重与提供各类辅助工具，帮助设计师设计排版布局，例如各类交互的布局指令[1]，自动吸附工具[2]，以及更加高级的对齐关系推断与优化系统[3]等，但要使用这一类工具创作高质量的布局还是需要依赖设计师的专业知识。而另一类则是自动布局生成工具，但在这一类工具中，使用规则的布局生成方法产生的结果多样性不足，而基于学习的生成方法[4]则依赖于大规模高质量的数据集。
来自深圳大学的Pengfei Xu在发表于SIGGRAPH ASIA 2022的论文《Hierarchical Layout Blending with Recursive Optimal Correspondence》[5]中提出了基于少量布局样本，使用混合插值方法从样本中生成新布局的方法，并提出了一种支持平滑的布局插值的算法（图1）。
继续阅读 »
近期评论