作者存档: Shuai Chen

支持在探索性数据分析中对数据进行比较(Diff in the Loop: Supporting Data Comparison in Exploratory Data Analysis)

在做数据分析时,研究者需要对数据进行变换、聚类或者过滤等操作来使得数据满足分析任务的需求。在这个过程中,不仅处理数据的代码会发生变化,数据本身也会发生变化。然而已有工具都是追踪处理过程中代码的变化,不能够告诉用户经过这些代码处理后,数据如何发生变化。这篇论文设计了一个工具,支持数据探索分析中对数据变化的追踪。

继续阅读 »

多属性矩阵可视化的交互技术评估 (The Pattern is in the Details: An Evaluation of Interaction Techniques for Locating, Searching, and Contextualizing Details in Multivariate Matrix Visualizations)

矩阵是一种常见的可视化技术,广泛应用在网络、表格、时序等数据可视化中。矩阵通过紧凑的二维网格布局形式来可视化大规模数据,网格中的每个单元表示一个数据项,通过颜色或者大小编码数据项的某个值。然而,对于多属性矩阵来说,一个数据项会包含多个值,如多个属性、多个时间值,如何有效展现这些细节面临着重大挑战。已有可视化方法通过在网格中嵌入图元的方式来展现每个数据项的细节,但是这些方法需要大量空间,难以可视化大规模矩阵。另一种方法是通过交互技术,有选择的展现一部分数据的细节信息。然而交互技术多种多样,哪些适合多属性矩阵可视化?这篇文章对于相关的交互技术进行了评估。

继续阅读 »

集成空间与抽象数据的可视分析 (可视化与可视分析国际学术报告系列 -第四期)

2021年11月4日(周四)晚,北京大学海外名家讲座计划暨中国图象图形学学会可视化与可视分析专业委员会第四期可视化与可视化分析国际学术报告成功举行。此次报告特邀维也纳科技大学可视计算与人机交互中心的Eduard Gröller教授担任讲者。Gröller教授也是VRVis研究中心的主要研究人员。Gröller教授于2009年当选欧洲图形学协会(Eurographics Association)会士,荣获2015年Eurographics杰出技术贡献奖,2019年IEEE VGTC技术成就奖。

继续阅读 »

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 »

第八届中国可视化与可视分析大会(ChinaVis 2021)Day 1

2021年7月25日上午,第八届中国可视化与可视分析大会(ChinaVis 2021)在武汉东湖宾馆隆重举行。本次大会以“探寻真谛,可视创新”为主题,由中国图象图形学学会主办,可视化与可视分析专委会、中国地质大学(武汉)、武汉大学、华中科技大学联合承办,包括华为、奇安信等多家赞助单位协办。大会吸引了来自全国各地高校、研究院所和企业700余位参会代表,领域顶尖专家学者与参会代表共同探讨数据可视化与可视分析的前沿技术和未来前景。

继续阅读 »

对探索性可视分析中分析关注点进行建模和使用(Modeling and Leveraging Analytic Focus During Exploratory Visual Analysis)

可视分析系统通过对数据的图形化表示和灵活的交互方式让用户能够分析、发现数据中的规律。然而用户对于这些发现的理解和解释往往需要一些外部的知识(context),这篇论文[1]通过对于用户在数据分析过程中的关注点(analytics focus)进行建模和计算的方式,自动给用户推荐相关的外部知识来帮助用户对于数据的理解。

继续阅读 »

北京大学可视化与可视分析实验室开放日,来了!

为了积极响应《科技部 中央宣传部 中国科协关于举办2021年全国科技活动周的通知》的号召,庆祝建党100周年,推动科技创新成果和科学普及活动惠及于民,北京大学可视化与可视分析实验室将于5月28日(星期五)下午2:00 — 4:00在北京大学理科二号楼2104、2305、2306举办开放日活动。

继续阅读 »

IEEE PacificVis 2021 可视分析专题(Visual Analytics)

IEEE PacificVis 2021可视分析专题(Visual Analytics)共报告五个工作,分别是对于校园学生打卡数据(Campus Cards Data)、提升树模型(Tree Boosting Models)演变过程、异构多维机器维护数据、关键词关系、乒乓球比赛数据进行分析。

继续阅读 »

针对分布合作可视化的事件同步(VisConnect: Distributed Event Synchronization for Collaborative Visualization)

支持多用户合作的可视化能够让多个用户同时对同一个可视化界面进行交互,共享交互分析结果。这个工作设计了一个工具VisConnect,让原有的基于d3的可视化能够方便支持多个用户协同进行交互。不同用户之间可以互相同步各自在网页上的交互行为,从而保持交互页面的一致性。通过一个“锁”的机制,可以保证用户之间的交互不发生冲突。

继续阅读 »

通过强化学习生成故事线可视化(PlotThread: Creating Expressive Storyline Visualizations using Reinforcement Learning)

故事线(storyline)是一种常见的表现不同实体之间动态关系的可视化形式,如可视化电影中的人物关系,曲线的合并和分离分别表示电影人物在场景中同时出现、分开。传统的故事线的创作依赖于设计师手绘的方式,具有很好的叙事性,但是手绘的方式费时费力。近年来,研究者通过优化算法的方式,依据优化目标自动生成故事线。自动生成的方式效率高,但是仅依赖指标的方式限制了设计的空间。这篇文章[1]引入强化学习的方法,让机器自动生成不同的故事线可视化形式,然后用户可以在此基础上进行创作,兼顾了故事线可视化生成的效率、表达性和美观性。

Read more