IGAL可视化讲习班-1:从易用到自动,大数据可视化的下一个十年 – 袁晓如

2018年12月26日,由中国图象图形学学会主办,CSIG可视化与可视分析专业委员会、北京大学机器感知与智能教育部重点实验室、北京大学大数据分析与应用技术国家工程实验室联合承办的主题为“可视化与可视分析前沿进展”第9期CSIG图像图形学科前沿讲习班在北京大学举行。第一次课程由北京大学袁晓如研究员讲授,题目为《从易用到自动,大数据可视化的下一个十年》。十年来可视化在中国发展迅猛,其中数据科学兴起对可视化产生推动作用。在计算机领域,计算能力、大数据、人工智作为三驾马车,极大推动了计算机相关学科的发展,同时也在推动社会的前进。数据科学离不开人和机器,机器拥有着强大的计算存储能力,而人类则更擅于创造,人类和机器具有不同的长处,可视化关注如何让将人和机器的长处结合,解决科学问题,将在其中扮演关键角色。

图1 袁老师讲授课程

接下来,袁老师由地图引入介绍可视化。介绍一些可视化的有趣古今对比。可视化具有长远的历史,早在公元前6世纪的古巴比伦就产生了地图,中国发现的公元前2世纪天水放马滩纸地图是世界现存最早的纸质地图。这些记录分析信息的方式产生了可视化的雏形。但是今天地图的隐喻还在可视化中发挥左右。而其使用已经不在局限于记录地理信息,也用在抽象的数据,如北京大学可视化与可视分析研究组针对微博信息传播、事件演变开展的D-Map[1],E-Map[2]等相关工作,利用地图隐喻,提供对网络空间的信息传播的描绘。

回顾可视化的历史,可以从其中发现新的脉络。可视化的历史可以分成以下几个阶段:在计算机大规模普及的“史前”时代,可视化大部分通过手绘的方式产生。但是现今可视化许多形式或者其雏形已经出现。如人口普查过程中需要大量分析图表,产生了可视化的需求。以IEEE VIS会议创建等事件为标志开始的创始时代,出现了大量的可视化的研究。在科学可视化方面如何对三维数据进行重现,更加无缺陷地显示体数据等有着迫切需求,因而产生了体绘制、面绘制等热点研究领域,流场数据可视化也得到巨大发展。同期信息可视化开始蓬勃发展,例如各类网络图布局以及投影算法,高维可视方法等可视化中常用的算法发明涌现。近十年来,是可视化的大众时代。计算机的普及发展,产生了大量数据,对复杂数据的可视分析研究推动了2006年IEEE VAST会议创建。同时,互联网的发展推动了可视化的传播,大量可视化库和工具的构建降低了可视化的壁垒,许多易用的工具将可视化编程变得简单,让可视化走向大众。尽管这些工具具有易用性,但灵活性和扩展性也在下降。如何权衡这两方面也是将来的需要研究的重要问题。

袁老师以体绘制和流场中的数据管理为例向大家讲解如何构建一个好用的可视化。体渲染将提数据转化成为渲染结果,其中传递函数非常重要,但可视化结果和传递函数并非可以解析对应。 为此,北京大学研究团队设计了所见即所得的WYSIWYG VolVis[4]不需要用户调整传递函数,类似Photoshop一样让用户直接对体数据进行修改。更进一步,最新开发的DNN-VolVis[5]通过一个渲染结果指定效果,直接生成其视角参数下的效果,而非传统的体绘制方法。在流场可视化中,场线计算依赖复杂数据访问模式,传统的方法包括高阶依赖计算[6]等,但是需要极大的数据存储量,袁老师组通过LSTM预测数据预取, 以提高数据预处理效率[7]。

图2 面向大众的可视化

如何为大众创建可视化?为大众创建更方便、易用的可视化是研究者一直追求的目标。Vislt, Tableau, Inspire等软件都有漫长的研发周期,在大数据时代可视化有了长足进展,如D3, Vega,Vega-Lite 等。北大可视化与可视分析研究组也开展了iVisDesigner, Interaction+等面向大众的可视化工作。

图3 可视化智能时代

下一步可视化如何发展,是大家关心的问题。袁晓如指出,对于未来的可视化发展将更强调智能。根据Gartner的预测报告,增强分析是新的智能时代一个重要的新趋势,其中包括AI Data Preparation, Ai Insight Generation, AI Human Asistant三大趋势。这其中可视化将起到巨大的作用。未来,可视化将不仅是更易用,同时也更容易构建。北京大学已经在这方面开展了一系列的工作。

图4 学员们在认真听课

引用

[1] Siming Chen, Shuai Chen, Zhenhuang Wang, Jie Liang, Xiaoru Yuan, Nan Cao and Yadong Wu. D-Map: Visual Analysis of Ego-centric Information Diffusion Patterns in Social Media. In Proceedings of IEEE Conference on Visual Analytics Science and Technology (VAST’16), pages 41-50, Baltimore, USA, Oct. 23-28, 2016.

[2] Siming Chen, Shuai Chen, Lijing Lin, Xiaoru Yuan, Jie Liang and Xiaolong (Luke) Zhang. E-Map: A Visual Analytics Approach for Exploring Significant Event Evolutions in Social Media. In Proceedings of IEEE Conference on Visual Analytics Science and Technology (VAST’17), Phoenix, USA, Oct. 1-6, 2017.

[3] Xiaoru Yuan, Hui Xu, Minh X. Nguyen, Amit Shesh and Baoquan Chen. Sketch-based Segmentation of Scanned Outdoor Environment Models. In Proceeding of the 2nd Eurographics Workshop on Sketch-Based Interfaces and Modeling (SBM’05), pages 19-26.Trinity College Dublin, Ireland, August 28-29, 2005.

[4] WYSIWYG (What You See is What You Get) Volume Visualization. Hanqi Guo, Ningyu Mao, and Xiaoru Yuan. IEEE Transactions on Visualization and Computer Graphics (Vis ’11), 17(12):2106-2114, 2011.

[5]  Fan Hong, Can Liu, and Xiaoru Yuan. Access Pattern Learning with Long Short-Term Memory for Parallel Particle Tracing. In Proceedings of IEEE Pacific Visualization Symposium (PacificVis 2019), Bangkok, Thailand, Apr. 23 to 26, 2019. Conditionally Accepted.

[6] Jiang Zhang, Hanqi Guo, and Xiaoru Yuan. Efficient Unsteady Flow Visualization with High-Order Access Dependencie. In Proceedings of IEEE Pacific Visualization Symposium (PacificVis 2016), pages 80-87, Taipei, Apr. 19-22, 2016.

[7] Fan Hong, Jiang Zhang, and Xiaoru Yuan. Access Pattern Learning with Long Short-Term Memory for Parallel Particle Tracing. In Proceedings of IEEE Pacific Visualization Symposium (PacificVis 2018), pages 76-85, Kobe, Japan, Apr. 10-13, 2018.

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>