分类存档: 论文报告

Map LineUps: 空间结构对图形推理的影响(Map LineUps: effects of spatial structure on graphical inference)

line-up

地图是展现空间数据的有效工具之一。人们常常用地区分布图(choropleth maps),在不同的地图单元中使用不同的颜色来表示不同的数据范围。图形推理是一门可以帮助人们发现以及解释地图中的空间模式的技术。Wickham等人的 line-up[2]使用零假设显著性检验的方法,让人们从一些通过零假设生成的“诱饵”的混合集找出由真实数据绘制的地图,来确定所发现的模式的可信性。

继续阅读 »

沉浸式图可视化的布局、渲染和交互的方法研究(A Study of Layout, Rendering, and Interaction Methods for Immersive Graph Visualization)

spherelayout

信息可视化传统上以2维的图形来展示。近些年3D显示器和沉浸式头戴设备(head-mounted displays)的普及,使得身临其境的立体可视化环境成为可能。这种沉浸式环境的技术已被广泛地用于科学可视化等领域,相比之下,很少有人将其应用到信息可视化领域。这篇工作[1]的作者关注了信息可视化中的一个重要部分:图可视化,介绍了他们对于3维图可视化的布局、渲染、以及在沉浸式环境中的交互方法。

继续阅读 »

网络连通性的沉浸式协同分析:CAVE还是头戴式设备?(Immersive Collaborative Analysis of Network Connectivity: CAVE-style or Head-Mounted Display?)

图1,HT(head-tracked)用户(左)与non-HT用户(右)正在观察CAVE2中展示的三维网络。

传统的CAVE沉浸式虚拟现实环境,在可视化协同分析中可以有效地帮助多用户理解数据,分享意见,对于多领域的合作者有重要意义,在科学可视化领域有很多相关研究,而其缺点是造价昂贵。随着近年来头戴式设备(HMDs)技术的迅猛发展,诸如Oculus Rift,HTC Vive等头戴式设备的价格有所降低,使它们成为了一种更加经济的替代可能。由此产生了一个问题,在沉浸式可视化的协同分析中,我们是否还需要如此高昂的CAVE设备呢?

继续阅读 »

大屏幕环境下的多用户可视化探索(Supporting Visual Exploration for Multiple Users in Large Display Environments)

teaser

大屏幕显示环境提供了更多的像素,因而可以显示更多的视图,分析更多的数据。同时,大屏幕显示环境下有着足够的空间让多个用户进行合作探索分析。本文[1]基于透镜(Lens),提出了一种结合手势和空间位置的混合交互方式,支持多个用户在大屏幕前合作探索、分析数据。 继续阅读 »

让边绑定更加清晰:网络可视化中融合绘制方式的探索(Towards Unambiguous Edge Bundling: Investigating Confluent Drawings for Network Visualization)

%e5%b1%8f%e5%b9%95%e5%bf%ab%e7%85%a7-2017-01-07-%e4%b8%8a%e5%8d%8810-26-57

本文采用了Confluent Drawing(CD)这种技术,相比较传统的spatial edge-bundling(EB)的方法的优点在于能够按照图的拓扑结构进行边绑定(只有起点与终点相同的边才会在绑定在一起),因此所得到的结果会更加注重图的连接关系。本文所采用的Confluent Drawing(CD)技术是在Power Graph(PG)的基础上完成的,在得到Confluent Drawing的绘制结果之后,文章从系统分析的角度使用图中经常出现的motif检验Confluent Drawing的绘制效果,并且通过User Study的方式比较四种常用的消除连接模糊(edge ambiguity)方法。
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 »

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 »

booc.io: An Education System with Hierarchical Concept Maps and Dynamic Non-linear Learning Plans 支持概念地图与动态非线性学习计划可视化的在线教育系统

%e5%b1%8f%e5%b9%95%e5%bf%ab%e7%85%a7-2016-12-24-%e4%b8%8a%e5%8d%881-17-32

对于在线教育现在大家都越来越熟悉了,与传统的教育相比它有一些优势,包括可以更加快速利用丰富的互联网资源进行授课与学习、可以支持远程教育让更多人收益,更理想地来说它最终要达到每个人个性化的学习。今天我们介绍的这篇文章[1]来自哈佛大学,描述了他们用了快2年的时间,和教育专家一起构建出一个在线教育系统 – 它支持正常的在线教育的功能,更加有特色的是,它融合了可视化的元素,将课程学习中的概念依据他们的层次结构关系构造出了概念地图,并且为每个学习者根据它的学习情况将课程的依赖关系进行展现,让他们拥有个性化的学习计划,而传统的在线教育网站或者可视化系统很难同时做到这几点。下表进行了他们提出的系统booc.io和以前一些系统的对比。

继续阅读 »

降维中的可视交互:一个结构化的文献分析 (Visual Interaction with Dimensionality Reduction: A Structured Literature Analysis)

chart

降维是高维数据可视分析的一种重要的数据抽象技术。它将高维数据降解到低维空间,同时尽可能保留诸如异常点、聚类等特征。降维的方法林林总总,在可视分析中很难一步到位使用不需要任何适配的降维方法。常见的做法是通过交互的方式,将标准的降维方法适配到具体的应用场景中。目前在关于算法与可视交互如何融合方面,大多数工作是从高层次、抽象的角度来讨论其流程或模型[1][2]。本文[3]聚焦于降维这一特定方向,通过对文献进行半自动分析的方式,对降维中的可视交互进行结构化的文献调研。

继续阅读 »

从边际投影中重构类别型联合分布的可视分析方法(A Visual Analytics Approach for Categorical Joint Distribution Reconstruction from Marginal Projections)

联合分布重构的可视分析方法

所谓边际投影,指的是多维数据在少数几个维度上的数量累积,例如两份病患统计数据,分别展示病人在年龄和性别上的一维分布。然而仅凭这些数据,我们无法确定不同性别的病患在各个年龄段上的二维分布,因为边际投影重构出的联合分布并不唯一。传统的自动算法能够给出重构分布的少数“可行解”,却无法结合用户的先验知识、也不一定符合现实情况。在这篇文章中[1],作者提出了一种可视分析方法,通过高维可视化手段、重构并展示大量潜在的联合分布,以帮助用户识别其中符合事实或预期的、有价值的分布。

继续阅读 »