作者存档: Chufan Lai

IGAL可视化讲习班-4:任务驱动的自动可视化构建 – 汪云海

讲习班首日下午的第二位讲者是来自山东大学的汪云海教授。他大家带来了题为《任务驱动的自动可视化构建(Task-driven Automated Visualization)》的讲座。

继续阅读 »

SIRIUS:交互式对称双向降维技术(SIRIUS: Dual, Symmetric, Interactive Dimension Reductions)

在经典的降维技术中,维度(attributes)一般被视作输入而数据(observations)作为输出,用户通过与数据投影进行交互来了解数据与维度之间的关联。但在许多分析场景中,两者地位平等、相互影响、密不可分。通过分析数据之间的关系,能够揭示维度的重要性与价值,反之亦然。例如在区分西瓜与梨子时,“尺寸”是十分重要的因素。又如在强调糖分与水分的相关性时,“西瓜”便比“糖葫芦”更有说服力。为了帮助用户进行数据与维度的双向关联性分析,这篇发表于IEEE VIS 2018的文章[1]提出了SIRIUS(Symmetric Interactive Representations In a Unified System):即同一系统下的交互性对称双向降维技术。

继续阅读 »

文本搜索功能对于网页端可视化的作用(The Effects of Adding Search Functionality to Interactive Visualizations on the Web)

文本搜索功能对于网页端可视化的作用

基于文本的搜索被广泛应用于各类信息检索的场景中。但受限于数据类型、交互场景等,各式网页端可视化作品却鲜少提供基于文本的搜索功能。这篇发表于CHI 2018的文章[1]通过对照实验,研究了文本搜索功能在网页端可视化中、对于用户探索与分析数据所带来的具体影响。

继续阅读 »

对TensorFlow中数据流图的可视分析(Visualizing Dataflow Graphs of Deep Learning Models in TensorFlow)

对TensorFlow中数据流图的可视分析

TensorFlow是谷歌开发的、当下最流行的机器学习软件库之一。它采用数据流图(Dataflow Graph)来表达机器学习算法的计算过程,用户可以定制不同的数据流图来构建自己的算法。然而,随着深度学习的兴起与流行,各类神经网络渐趋大规模、复杂化。算法开发者仅凭借自身的理解与记忆、很难把握算法的各部分体系结构,相互之间也难以进行沟通。为此,这篇文章[1]提出了可视化工具TensorFlow Graph Visualizer,通过可视分析帮助用户在TensorFlow中进行算法分析与开发。值得一提的是,该文章荣获了IEEE VAST 2017的最佳论文奖(Best Paper Award)。

继续阅读 »

在可视分析中系统地结合降维投影与聚类方法(Towards a Systematic Combination of Dimension Reduction and Clustering in Visual Analytics)

在可视分析中系统地结合降维投影与聚类方法

在高维数据分析中,聚类(Clustering)与降维(Dimension Reduction)都是常用的机器学习方法。前者尝试对数据进行归纳分类,而后者则试图压缩维度并尽可能地保留分布信息。可视分析往往结合两者的优点,以帮助用户更好地挖掘数据隐含的信息。在具体应用中,我们应该如何挑选聚类和降维方法呢?两者的结合都有哪些因素需要考虑,又有哪几种不同的方案呢?这篇发表于IEEE VAST 2017的文章[1] 便系统地探讨了这些问题。

继续阅读 »

Pattern Trails: 对子空间中数据变化的可视分析(Pattern Trails: Visual Analysis of Pattern Transitions in Subspaces)

在高维数据中,任意维度的组合都形成一个子空间,数据关系则因维度考量的不同而发生改变。举例来说,虎与狼在肉食性、体型、栖息地等方面相近,但在基因组成、群聚性上,虎与猫则更为相近。然而,维度的组合极其繁多,其数量随维度的增多而呈指数级增长。对于如此大量的子空间,我们该如何发掘其中数据关系的变化呢?针对该问题,这篇发表于IEEE VAST 2017的文章[1]提出了Pattern Trails,一种基于可视化的交互式分析方法。

继续阅读 »

DSPCP:在平行坐标中展现复杂数据关系(DSPCP: A Data Scalable Approach for Identifying Relationships in Parallel Coordinates)

DSPCP:在平行坐标中展现复杂数据关系

平行坐标是一种高效而常用的、展现高维数据分布的可视化方法。其形式简洁、可扩展性强,有着同类方法难以比拟的优势。然而,平行坐标也存在不少缺点,形式不直观便是其中重要的一项。用户通过观察折线分布,仅能感知两个维度之间的线性相关性,而且往往会高估其中的正相关关系[2]。这篇发表在2017年TVCG上的文章[1],则巧妙地利用了平行坐标的点线对称性,增强了平行坐标表现复杂数据关系的能力与准确性。

继续阅读 »

通过可视化分析地理因素对多变量聚类的影响(Visualizing the Impact of Geographical Variations on Multivariate Clustering)

通过可视化分析地理因素对多变量聚类的影响

多变量地理空间数据是一种十分常见的数据类型,例如对各大城市的人口状况统计、世界各国的国力评判指标等等。如何分析地理因素(如地域的位置、范围、方向等)对多变量数据的影响,一直是地理信息、可视分析等领域的重要课题。另一方面,聚类是简化多变量分析的常用方法,它能够挖掘相似数据、总结数据特征、并消除变量增长所带来的负担。然而,当下的聚类分析方法并没有考虑地理因素的影响。这篇发表于2016年EuroVis会议的文章[1],就探讨了如何通过可视化分析地理因素对多变量聚类的影响。

继续阅读 »

IEEE Pacific Visualization Symposium 2017 – Day 0

国际可视化盛会之一的IEEE PacificVis 2017,于4月18日到21日在韩国首尔大学举行。会议首日是PacificVAST研讨会,邀请了众多可视化领域的著名专家学者前来作报告。会议内容共包含两个主题报告(Keynote Talk)、四个邀请报告(Invited Talk),以及一个讨论环节(Panel Discussion)。

继续阅读 »

WeightLifter:多准则权重空间的可视探索(WeightLifter: Visual Weight Space Exploration for Multi-Criteria Decision Making)

WeightLifter:多准则权重空间的可视探索

人们在做选择的时候,往往会综合考虑事物的多个方面。譬如在选择住房时,有的人注重装修,有的人看重便利的交通,有的人则更偏好良好的社区环境等等。当多个准则并存,我们常常赋予它们不同的权重,并选择综合得分最高的作为最佳选项。然而,人对权重的把握总是模糊的,如果略微改变权重设定,得到的“最佳选项”是否会不一样呢?在这篇文章[1]中,作者们针对多准则评价体系,提出了一种探索多维权重空间的可视分析方法。利用该方法,用户能够充分了解权重变化对最终决策的影响,并有针对性地调整权重、作出选择。

继续阅读 »