作者存档: Lijing Lin

针对交互式数据可视化语法(Vega)的可视调试工具(Visual Debugging Techniques for Reactive Data Visualization)

debugging3

Reactive Vega [1],是一种可视化领域专用,比D3更为高级的语法。它支持用户通过简洁的json,快速地定义交互式数据可视化。举个例子,图1-1绘制了一个散点图(如图1-3)。如果想在散点图中添加pan事件,可以通过signals关键词图1-2,定义事件以及事件触发时,相关数据的转化方式。相比于D3,在这里我们不需要定义事件的回调函数。这是因为Reactive Vega将事件当作数据流进行处理。当事件触发时,它会根据signals中定义的规则,重新计算相关的数据,并根据新的数据,重绘视图。

采用Reactive Vega定义交互式可视化,相当的简单方便。但是,它隐藏了数据具体的转化方式。同时,陈述式的语法形式模糊了数据之间的逻辑关系。这就导致Reactive Vega的调试,非常麻烦。常用的调试方法,比如断点查看,栈追踪等,在这里都发挥不了作用。为此,Hoffswell等人针对这种陈述式语法,提出了新的可视调试工具。

继续阅读 »

可视化不确定网络的概率图布局方法(Probabilistic Graph Layout for Uncertain Network Visualization)

teaser-1230

不确定网络,在本文表示顶点是确定的(certain),边的存在与否满足某种概率分布的网络。在图1中,左图是确定网络(certain graph),右图是不确定网络(uncertain graph)。

在不确定网络可视分析中,现有的方法往往直接在确定图(exact graph)中用视觉变量(visual variables)表示不确定信息。这些方法可以很好的将图的拓扑结构展示出来,但忽略了不确定信息的概率分布情况。
在这篇文章[1],作者们提出一个概率图(probabilistic graph)布局方法。这个方法可以同时展示图的拓扑结构和不确定信息的概率分布。它的基本思想是,依据蒙特卡洛方法(Monte Carlo process)对不确定图进行采样;将采样获得图根据力导向算法进行布局;之后,将所有采样图的力导向布局组合起来,获得最后概率图的布局(如图2所示)。 继续阅读 »

Magnostics:基于图片搜索有趣的矩阵视图引导网络探索(Magnostics: Image-based Search of Interesting Matrix Views for Guided Network Exploration)

system-magnostics

当我们想要理解大型网络数据时,搜索和分析是主要的 手段。为实现快速的搜索分析,一个广泛使用的方法是特征描述子(FDs)。特征描述子常用来描述某些重要的数据属性,然后根据这些属性计算数据元素之间的相似性分数。这篇文章[1]提出一系列经过验证的特征描述子,描述矩阵视图中的特征,以此来引导用户探索分析大型网络数据。 继续阅读 »

更好的理解分析深度卷积神经网络(Towards Better Analysis of Deep Convolutional Neural Networks )

BaseCNN

深度卷积神经网络(CNNs)在特征识别相关任务中取得的效果,远比传统方法好。因此,CNNs常用于图像识别、语音识别等。但是,因为CNNs结构庞大,一般都会包含几十个神经层,每一层,又有数百至数千个神经元;同时,CNNs任意两层之间神经元的相互影响错综复杂。这两个主要的因素,导致CNNs难以理解、分析。为此,用户很难从失败或成功的例子中学习到如何设计一个好的卷积神经网络。因此,设计一个效果好的神经网络,往往需要依靠大量的尝试。

这篇文章提出了一个可视分析系统,CNNVis,支持机器学习专家更好的理解、分析、设计深度卷积神经网络。 继续阅读 »

Vega-Lite:交互式图形的语法 (Vega-Lite: A Grammar of Interactive Graphics)

overview

Vega-Lite是一种高级语法。它支持简洁的json格式的语法,能够快速地定义交互式数据可视化。 继续阅读 »

TimeArcs: 可视分析动态图中的波动 (TimeArcs: Visualizing Fluctuations in Dynamic Networks)

timearcs8

可视分析动态图中数据的波动模式,是个很有挑战性的问题。一般情况下,我们会选择small multiples形式或动画形式,来分析动态图中的变化模式。本文提出了新的可视化展示方式,TimeArcs,来分析动态图中的波动模式。 继续阅读 »

根据局部群簇信息自适应的解开小世界网络中的纠结 (Adaptive Disentanglement based on Local Clustering in Small-World Network Visualization)

图片 6

社交网络是高度密集的小世界网络图。在小世界网络中,大部分节点不直接的连接,但是它们从任一其他节点经少数几步就可到达。采用已有的图布局算法布局小世界网络图,总是会得到一个类似毛团的视图。比如说,力导向算法针对网状结构的数据,总是可以得到不错的布局。但是,当数据是个小世界网络时,其效果也不好。这篇文章提出一个预处理方法,自动地选择最佳阈值,过滤掉小世界网络中不重要的边,得到最优的图骨架。最优的图骨架指其内部的图结构信息展示的最清晰。 继续阅读 »

将每个时间步的图降维为点:动态网络可视化探索分析方法 (Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration )

Reducing Snapshots to Points

目前,动态图可视分析方法主要分为small multiples和animation两大类。Small multiples方法,将时间映射到空间上,用户需要同时观察若干个snapshot,相互比较来获取差异。由于屏幕空间有限,当时间步很多时,很难同时展示出所有时刻的网络,且用户难以分析获取动态网络的变化模式。Animation方法,将时间映射到时间维度,用户在每个时刻只能观察到一个时间步的网络,需要去记忆,理解时间步之间网络的变化情况,进而理解动态图的变化模式。

本文提出一种新颖的方法,来分析动态图的变化模式。他们将每个时间步的网络转换成高维向量,将这些高维向量投影到二维平面,用点表示。如图1所示,投影后得到的布局中,每个点表示一个时间步的snapshot, 每条边连接了两个相邻时刻的顶点。这个方法可以有效地帮助用户探索分析动态图的稳定状态、重现状态、异常状态以及状态与状态之间的转移过程。
继续阅读 »

MobilityGraphs: Visual Analysis of Mass Mobility Dynamics via Spatio-Temporal Graphs and Clustering(基于时空图聚类的大量流动数据的可视分析)

overview1

对人群流动行为模式的理解,对政府决策制定者和城市规划人员来说,都相当的重要。人群流动数据(movement data)主要记录了一段时间内,人们在不同地方的出现状态和地方之间的流动情况。对流动数据的分析主要集中在两种流动模式的分析上,一是典型模式(typical movement),主要描述人们的规律性行为;一是突发模式(extraordinary movement),主要描述突发情况下,比如爆炸事件,人们的行为模式。本文主要探索研究人们的规律性行为模式。
继续阅读 »