IEEE Pacific Visualization Symposium 2017 – Day 0

国际可视化盛会之一的IEEE PacificVis 2017,于4月18日到21日在韩国首尔大学举行。会议首日是PacificVAST研讨会,邀请了众多可视化领域的著名专家学者前来作报告。会议内容共包含两个主题报告(Keynote Talk)、四个邀请报告(Invited Talk),以及一个讨论环节(Panel Discussion)。

主题演讲: 可视分析中的新方向

首先,来自UC Davis的Kwan-Liu Ma教授做了题为“Emerging Topics in Visual Analytics”的主题报告。其中主要包含三个部分:极大规模(Extreme Scale)数据的数据分析、事件序列数据分析以及保留隐私的可视化。

第一个部分主要关注超大规模模拟所产生数据的原位可视化。基于分布的数据聚集操作是一类重要的方法。通过对粒子或者场数据进行划分,然后计算一维或者二维的直方图,模拟数据的信息能够得到很大程度的保留,并且还能支持缩放、修改划分、修改直方图槽数量、以及根据直方图查询等多种操作。对于时变的二维直方图,还能看作体数据进行可视化,进行提取等值面等操作。同样的方法还能应用于在线或者流数据。第二部分则关注事件序列数据的可视化。首先是一类高性能计算中的性能、日志数据的可视化。马教授主要介绍了Muller等人2009年InfoVis的一项工作,根据MPI调用的耗时——时刻组织成二维折线图,能够更加容易看到计算中的瓶颈处。在Muelder等人2016年TVCG的工作中,还能根据各进程间的行为相似性进行聚类分析。

之后马教授介绍了针对医院病人日志数据的可视化。

第三部分,由于时间原因,马教授建议直接听取第二天的相关论文报告。

城市数据可视分析

来自浙江大学的巫英才研究员作了题为“Visual Analytics of Urban Data”的专题报告,关于在城市数据中的可视分析。随着区域的城市化程度越来越高,越来越多的人群在城市中聚集。在城市中,拥有更多的就业机会、先进的医疗教育等。同时,城市化也引起很多的问题,环境污染、交通拥挤等等。智慧城市是建立在如何利用城市数据来准确挖掘城市现象,为城市规划、决策提供依据。由于多源、异构的特点,处理城市数据非常具有挑战性,主要存在三个方面:1. 如何视觉总结这些数据; 2. 如何将专家知识融入分析中;3. 如何将挖掘的知识有效的传递给用户。基于以上挑战,可视分析是非常重要的。城市可视分析(UrbanVis)从可视分析的角度来分析城市数据。城市可视分析提供对多源数据视觉总结的可能性,将专家的知识融入到可视分析的过程中,再将挖掘获得的知识,以吸引人的视觉表达方式传递给用户。

随后介绍了他在城市可视分析方面的两个工作。第一个是SmartAdP, 关于如何对城市中放置广告牌的决策可视分析。如何决策有效的广告牌位是一个决策评估问题,广告牌的位置常常要综合多个因素,如车流量(车流量越大,越可能看到),车速,OD区域(潜在用户的途径路线),环境等等。在SmartAdP这个工作中,自动产生广告牌的摆放的解决方案,并提供可视分析界面支持用户进行探索和决策。关于SmartAdP的工作介绍参考这篇博文。第二个工作是如何在地图中有效地表达道路属性。地图中的道路细小狭长,在道路上叠置道路属性的可视化表达,会严重遮挡地图。在这个工作中,他们提出对城市中道路的变形算法,实现尽可能少变形的前提下,对地图上的道路进行拓宽,拓宽之后将道路属性内嵌入道路中。

眼动跟踪数据可视分析

来自德国斯图加特大学的Daniel Weiskopf教授作了主题为“眼动跟踪与可视分析”的报告。在这个报告中,Weiskopf教授先是对眼动技术的背景知识作了简要介绍,包括相关术语、检测设备和刺激物(Stimulus)的分类等等。

接下来,Weiskopf教授详细介绍了分析眼动跟踪数据的两种常用的可视分析方法,即Space-time cube方法以及地理数据可视分析技术。他指出,眼动跟踪数据和地理空间数据有很大的相似性,除了部分细节不同以外,两者的分析方法可以相互借鉴。此外,Weiskopf教授还针对几种不同类型的眼动跟踪数据,亦即区域型(AOI)、眼动轨迹(Scan Path)和聚焦点(Fixation),对其分析方法分别进行了介绍。

在报告的最后,Weiskopf教授对眼动数据分析的前景工作作了展望。他指出,眼动跟踪数据的可视分析,其实属于“Vis4Vis”方法——即“用于分析可视化作品的可视化”——的一种,并希望学术界能够更多地关注该方向的研究。

主题演讲: 用数据可视化讲故事

下午的第一场报告是来自微软研究所的Bongshin Lee博士,作题为“Telling Data Driven Stories with Visualizations”的报告,她介绍在如何将从数据中挖掘的知识并通过有效的说故事的方式传递方面的研究。以Hans Rosling教授经典的全球人口变化介绍为切入点,Bongshin教授提到,除了探索数据,如何用数据进行交流也同样重要。故事叙事(storytelling)将可视化的表达性和说故事的叙述性相结合。随后,Lee博士从介绍了此前她的一篇关于storytelling的文章,这篇文章中,对可视化形式的故事叙述进行了定位,概况出其中要素:第一要素是数据驱动;第二是故事片段;第三要是故事片段之间的逻辑关系。故事叙事的产生过程是按照探索数据,制造故事,而后叙述故事。

另一方面,Lee博士具体介绍了她在如何帮助故事叙事的工具DataClips。第一个是SketchStory。SketchStory白板板书叙述方式的启发,提出了一种使用电子板,以笔和触摸为输入的叙述方式,帮助演讲者叙述故事,提升演讲者和听众的参与感。具体介绍参见博文。第二个工作是关于提供交互式的工具DataClips剪辑数据新闻。通过对纽约时报等70多个数据新闻视频进行分析,建立数据新闻材料库。基于此,开发交互式图形界面,支持用户进行交互式的数据新闻订制。

随后,Lee博士具体介绍了使用时间轴为顺序的叙事工具Timeline storyteller。在这个工作中,他们使用时间轴进行故事叙述。时间轴是时间点的序列,针对类别型数据的时间轴表达形式,他们调研了263种时间轴和工具,探索时间轴的设计空间。提出了基于时间轴的可视化按表达、映射和布局三个维度组成的设计空间。如图所示为基于序列的时间轴表达。timelinestoryteller是支持用户订制基于时间轴的storytelling工具,可以在timelinestoryteller.com尝试。最后,Bongshin Lee博士展望了未来的storytelling方向,包括了故事的生命周期:从故事的探索到故事的展现;如何评估数据驱动的故事和工具;可视化的可读性能力;新颖的、浸入式的交互体验在storytelling的应用。

图可视化新的评估方法

来自悉尼大学的Seok-Hee Hong发表题为“New Quality for Graph Visualization”的演讲。

现有的图布局评估方法,比如基于边交叉的评估方法,并不适用于大图布局的评估。因为大图往往过于复杂,导致用户难以直接通过感知边的交叉来评估图布局的优劣。Hong及其合作者提起基于faithfulness的策略来评估大图布局的质量。这个策略的基本思想是评估一个布局能在多大程度上表示数据。它包括三大部分,information faithfulness (描述图布局信息的可信度), task faithfulness (描述图布局对任务的支持度)和change faithfulness(描述图布局对数据微变化的敏感度)。

通过实验,她们发现,在度量task faithfulness上,基于形状的度量方法,能够比较好的评估一个大图布局的质量。

社交媒体可视分析

北京大学的袁晓如研究员介绍了北京大学在社交媒体可视分析方面的一系列最新工作。他首先介绍了关于社交媒体已有的相关工作,总结了社交媒体可视化中的相关问题与挑战。他以地图隐喻的可视化形式作为切入点,介绍了北京大学的几个相关的创新研究工作,将抽象的非结构化的信息转化为带有语义的结构化的地图,让用户直观地探索这样的语义地图。其中针对物理空间的带有地理信息的可视化与可视分析工作,分别利用了带有地理信息的微博,对话题在时空上的分布,以及带有不确定性的人群轨迹进行分析,探索及发现了例如包括暴雨事件地图、堵车地图、各地的旅行模式等有趣的结果。在另一方面,在针对社交媒体的信息传播的网络空间的探索与分析时,报告介绍了基于个人为中心的信息扩散网络(D-Map),利用地图隐喻的方式展示了社交媒体中中心用户的社交网络与传播特征。在最后又介绍了针对社交媒体中事件演变而发展的一套自然的地图形式的可视化工作。

Panel 讨论环节:可视分析与人工智能、虚拟现实的结合

随着AlphaGo战胜世界围棋冠军,人工智能在当下已经被越来越多的人所熟知,而且无论是在工业界还是学术界都非常的火热。除人工智能之外,虚拟现实,增强现实在近年来也都迅速发展。那么人工智能,虚拟现实,增强现实与可视分析相结合会碰撞出怎样的火花呢?今天下午Panel主要针对的就是这个问题。今天下午的Panel邀请了四位讲者,分别是来自University of Notre Dame的Chaoli Wang, Korea University的Jaegul Choo,UCDavis的Kwan-Liu Ma,Sejong University的Yun Jang。

Chaoli Wang教授主要讲的是在科学可视化中人工智能的应用。王教授首先从近些年来可视化中人工智能的发展进行讲述,利用人工智能的方法帮助用户进行可视化交互是一个非常有效的方式,早在2003年马匡六教授在对于体绘制结果进行分类的任务中就引入了人工智能的方法进行了尝试,近些年来人工智能还逐渐应用在对于用户交互结果的推荐方面等相关工作。同时可视分析直观,交互分析等特点也可以帮助用户解决人工智能的黑盒问题,进而帮助用户理解人工智能学习的整个过程,比如说CNNVis等。总体来说可视化与人工智能相结合是一件双赢的事情,可视分析主要负责前端交互部分,人工智能主要负责在后端支持用户的交互过程中模式识别等任务,同时人工智能还可以帮助用户提高交互分析的效率,帮助用户识别更多的发现。

Jaegul Choo教授针对机器学习与可视化之间的关系方面认为机器学习与可视化相结合主要的挑战在于机器学习应该更加的可交互,更容易让人理解,同时速度需要进一步的提高。在近些年来机器学习的趋势更加重视学习结果的可解释性,因为越来越多的人开始提出这样的问题,为什么我相信你的学习结果,或者你的学习结果为什么是正确的,针对这一方面,可视分析通过其本身的优势可以帮助用户解答这个问题,而且很多机器学习的软件包目前也发展成为带有可视界面的形式,相信可视分析在未来机器学习领域会起到越来越重要的作用。

Kuan-Miu Ma教授主要从自己研究组内关于机器学习,虚拟现实,增强现实的多个工作提取在研究过程中的经验,帮助我们理解这些方面在研究工作中与可视化的关系。对于可视化与机器学习相结合的发展,马匡六老师认为对于机器学习对于专家用户的可视化分析策略将是一个非常重要的任务。同时对于可视分析验证的过程也可以作为story telling的素材。

Yun Jang教授认为虚拟现主要是应用在娱乐的领域,他认为虚拟现实在VR的领域中的应用主要是硬件的性能,3D的应用以及在VR场景中的UI设计。

最后,四位老师分别就可视化与虚拟现实,增强现实,人工智能方面最终要的挑战提出自己的观点,同时以自己的经验对于其他人提出建议。

总结这一天的Pacific VAST研讨会,各位与会者都在听取报告、参与交流讨论的过程中,了解了可视化前沿技术的发展状况,也分享了许多自己的观点与看法,可谓收获颇丰。明天IEEE PacificVis 2017 会议将正式召开,与会者期待着更大的知识盛宴。

发表评论?

0 条评论。

发表评论


注意 - 你可以用以下 HTML tags and attributes:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>