网络数据是日常生活中常见的数据类型，如社会网络、论文引用网络和生物网络。如图1所示，在网络可视化的方法中，节点-链接图(Node-link Diagram)和邻接矩阵(Ajacency Matrix)是最常用的。另一种二部图布局方法(Bipartite Layout)首先被用于二部图上，之后也被扩展到普通静态图的可视化，在二部图布局中，节点被复制并放置在两个平行轴上，再用边将他们连接起来。每种方法在网络上的不同任务中都有其优势和不足之处。来自斯图加特大学的Daniel Weiskopf等人[1]进行了一项用户研究，以评估这三种网络可视化方法，并给出了使用准则。

混淆矩阵是一种常见的可视化形式，它通过一个表格式的布局，对所有数据预测的标签与的实际标签进行比较，用于帮助人们评估机器学习模型。来自苹果公司的研究人员对机器学习领域学者进行调研，发现一般的混淆矩阵无法处理层次结构标签和多输出标签，因此他们设计了一个混淆矩阵代数，并提出了Neo[1]，一种新型的支持层次结构标签和多输出标签的混淆矩阵可视化系统，允许从业者灵活地编写、互动和分享混淆矩阵。

矩阵可视化可以突出图数据中的局部结构。为了使这些结构表现为明显的视觉模式，人们提出了各种矩阵重排的方法来对矩阵的行和列进行适当排序。 但是，图数据可能不是孤立出现的，而是属于共享一组顶点的图集合的一部分。在这种情况下，已有的一种方法是选择一个图进行矩阵重排，然后推广到所有的图上；另一种方法是对所有图进行加权的合并，然后对合并后的图进行重排。然而这些方法都会损失信息，来自荷兰埃因霍芬理工大学的Beusekom等人 [1] 提出了一种考虑整个图集合的重排算法，如图1所示，可以同时对图集合中的所有图数据得到较好的矩阵重排结果。

节点链接图是一个用于显示网络中关系的有效工具。 来自美国东北大学的DiBartolomeo等人提出了STRATISFIMAL LAYOUT [2]，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，该工作提出了一种模块化优化模型来计算最优的节点布局。