IEEE Pacific Visualization 2016 Day 4

今天是IEEE Pacific Vis 2016会议的最后一天,会议内容包括两个Paper Session,之后便迎来了闭幕式。

Session 1: High Dimensional, Text and Image Visualization

这一个session包含四篇文章,主要探讨高维、文本以及图片数据的可视化。

图1. 重构维度以强化数据的聚类特征

图1. 重构维度以强化数据的聚类特征

第一篇报告来自于中南大学的可视化研究组。在高维数据中,聚类常常隐藏在只含有少数维度的特定子空间里。而这些子空间往往不能通过简单的维度组合来得到。在这篇文章中,作者提出“维度重构”的概念,以帮助用户构造聚类特征明显的子空间。其中,用户可以根据投影图里的数据分类情况,指定分类明显的方向作为新的维度,并将其加入其他子空间(如图1)。新的维度由于保留了分类信息,能够帮助其它维度更好地分离数据聚类。

第二个工作来自于美国北卡罗来纳大学,聚焦于流行病研究中的多变量Logistic回归分析。具体来说,病理学家针对病例数据中的各个变量,需要进行变量筛选和回归建模,来发掘与病症相关的主要因素。在这里,作者提供了完整的可视分析流程,以帮助领域专家解决回归分析中的各种难题(如过拟合、共线性等等),检验并建立可靠的回归模型。该方法被应用在先天缺陷病例的分析建模中,得到了领域专家的认可。

图2. 结合地理信息的词云布局算法

图2. 结合地理信息的词云布局算法

第三个工作研究了词云(Word Clouds)的布局问题。词云能够形象地表现一组关键词以及它们的重要性,它被广泛地应用在文本的可视分析中。而在实际应用中,词云往往与地理信息相对应,例如社交网络上用户发布的信息及其地理标记。但一般的词云布局算法未考虑地理信息。在这篇文章里,Buchan等人提出了新的词云布局算法,使得各个词语尽可能无重叠地布局在它相应的地理位置附近(如图2)。算法还提供了额外的参数控制(如词语的倾斜角度),能让用户更灵活地定制词云图。

最后一篇文章介绍了一个对图片数据集进行交互式管理、查找和分类的可视分析系统。其中,每张图片在各个变量(如日期、国家等)上有不同的取值。用户通过在多个变量上交叉筛选,能够快速找到满足条件的图片。此外,用户还可以手动对图片进行分类,并赋予它们不同的语义。案例研究表明,该系统能支持大规模图片集的实时分析,其有效性也得到了领域专家的肯定。

Session 2: Behavior and Pattern Visualization

该session同样包含四篇文章,主要关注行为与模式分析,探讨数据关系或变量随时间的变化。

图3.多进程任务的并行性能分析

图3.多进程任务的并行性能分析

第一篇工作来自德国斯图加特大学,旨在分析多进程任务的并行执行情况。其中不同进程之间相互依赖的复杂关系被呈现为点边图(Node-link Graph)的形式,节点的长度反映了进程的执行时间(如图3)。视图的横轴反映了准确的时刻信息,而纵轴则按力导向(Force-Directed)方式布局以减少遮挡。这种形式有效地表现了依赖关系的变化,以及进程的分段执行情况。此外,用户能通过颜色映射来比较不同进程的执行时间,并在直方图中分析进程的运行时间、延迟率等细节。

第二篇文章帮助用户分析云计算过程中,计算节点的性能变化情况。由于节点的性能由多个指标来衡量,指标随时间变化的信息实际上构成了一个高维时变数据。作者利用stack graph的形式同时展现节点在多个指标上的变化概况,并提出了“行为曲线”的形式来表现节点之间的相似性随时间的变化。其中每个时刻都采用了一维的力导向布局来反映节点之间的相似性,横轴则反映关系随时间的变化。这与前一个工作中的时变点边图有异曲同工之处。用户从时间和维度的角度对节点的运作情况进行分析,能够快速地发现性能瓶颈,并作出应对的决策。

图4.以人/地点为中心的甘特图

图4.以人/地点为中心的甘特图

第三个工作面向的是人的移动轨迹数据。人们在不同的时段游走在不同的地点之间。而同时出现在同一个地点则往往揭示了某种共同活动。这篇文章通过甘特图(Gantt Chart)的形式,辅助用户分析一群人在多个地方活动的情况。其中甘特图可以以人或是以地点为中心,允许用户从不同的角度分析行为数据(如图4)。以人为中心,能够分析某个个体如何在不同的地点之间转移;以地点为中心,则能发现该地点所发生的人群的共同活动。然而,甘特图只适用于小数据,无法很好地应用于大规模移动数据的分析。

图5.出租车数据 (a),推特定位数据 (b),以及它们的差异比较 (c)

图5.出租车数据 (a),推特定位数据 (b),以及它们的差异比较 (c)

最后一个工作同样来自于斯图加特大学,是基于社交媒体的大规模人群移动数据分析。人们在发推特(Twitter)的时候,往往也伴随着定位数据。作者从推特中提取了定位信息,并以此呈现了人群在各个地方之间转移的情形。此外,作者将这些移动数据与公共交通数据(如出租车、航班流量等)进行比较,以分析两者的异同,并以此验证了推特定位数据的有效性。

在paper session结束以后,大会揭晓并颁发了note以及paper的各个奖项。其中Best Note Award颁给了香港科技大学的”NetworkSeer: Visual Analysis for Social Network in MOOCs”。而两个Honorable Mention Papers分别是美国康斯坦茨大学的”Adaptive Disentanglement Based on Local Clustering in Small-World Network Visualization”,以及香港科技大学的”PieceStack: Toward Better Understanding of Stacked Graphs”。最后,今年的Best Paper Award颁给了”Critical Point Cancellation in 3D Vector Fields: Robustness and Discussion”,以表彰该工作对流场可视化领域的贡献。

图6. 明年的IEEE Pacific Vis会议将在韩国首尔举行

图6. 明年的IEEE Pacific Vis会议将在韩国首尔举行

会议到了尾声,杨传凯教授代表会议主办方对所有投稿人、与会者以及各位志愿者致以了感谢。这次Pacific Vis会议不但展出了许多高质量的论文、海报,也为与会者创造了自由而活跃的学术交流环境,可谓举办得非常成功。明年的IEEE Pacific Vis将在韩国首尔举办,届时也将有同样出色的研究成果,以及同样热切的学术交流。让我们期待明年在韩国首尔的再次相遇!

评论关闭。