FaVVEs: 不同抽象层次的多个图标结合的方式可视化数据的不同属性(Faceted Views of Varying Emphasis (FaVVEs): a framework for visualising multi-perspective small multiples)

在可视化中,大部分数据存在多个不同的属性,比如说空间,时间以及描述性的信息等角度,分析人员需要同时研究不同的属性。然而目前存在的并排图标(small multiple)将不同的属性分开比较的方法使得用户难以对于数据进行分析。为了辅助用户同时获得同时分析数据集的不同属性,本文提出了框架FaVVEs,将支持将不同的并排图标叠加在一起进行显示,同时通过动态调整图标的抽象程度,尽可能的避免并排图标的遮挡问题。本文针对图标并排显示以及叠加显示进行了用户测评。

继续阅读 »

面向量化的可视分析的结构化刷选和统计联动 (Towards Quantitative Visual Analytics with Structured Brushing and Linked Statistics)

目前的可视分析系统提供的刷选联动操作多是定性的,即在一个视图中任意刷选,在其他视图中高亮对应数据进行联动。这种刷选联动方式,一方面很难重现一个自由的刷选操作。另一方面,高亮的联动方式不支持定量分析。而本文[1]对刷选-联动方式进行拓展,提出面向量化可视分析的结构化刷选和统计联动的新颖的交互设计。 继续阅读 »

针对交互式数据可视化语法(Vega)的可视调试工具(Visual Debugging Techniques for Reactive Data Visualization)

Reactive Vega [1],是一种可视化领域专用,比D3更为高级的语法。它支持用户通过简洁的json,快速地定义交互式数据可视化。举个例子,图1-1绘制了一个散点图(如图1-3)。如果想在散点图中添加pan事件,可以通过signals关键词图1-2,定义事件以及事件触发时,相关数据的转化方式。相比于D3,在这里我们不需要定义事件的回调函数。这是因为Reactive Vega将事件当作数据流进行处理。当事件触发时,它会根据signals中定义的规则,重新计算相关的数据,并根据新的数据,重绘视图。

采用Reactive Vega定义交互式可视化,相当的简单方便。但是,它隐藏了数据具体的转化方式。同时,陈述式的语法形式模糊了数据之间的逻辑关系。这就导致Reactive Vega的调试,非常麻烦。常用的调试方法,比如断点查看,栈追踪等,在这里都发挥不了作用。为此,Hoffswell等人针对这种陈述式语法,提出了新的可视调试工具。

继续阅读 »

流式文本的在线可视分析(Online Visual Analytics of Text Streams)

现如今的互联网上有大量的流式文档,一个很普遍的问题就是如何检测和跟踪这种文本流中的新兴事件。目前在挖掘和可视化文本流方面已经取得了很大的进步。然而,大多数现有的方法都是离线方法。离线的方法是基于所有文档来计算结果的。每次当新文件流入时,这些方法都会先将新文档与旧文档合并,然后重新计算模型。目前使用的这些离线方法存在两个主要的问题:
1. 重新计算模型时间消耗太大;
2. 由于模型被重新计算,结果在一定程度上发生了变化,这对用户来说可能是难以理解的。
这篇文章[1]提出了一种在线的可视化分析方法,帮助用户探索和了解大量流式文档中的层次主题演化。

继续阅读 »

TextTile:给结构化数据和无结构文本提供无缝探索性分析的交互式可视化工具 (TextTile: An Interactive Visualization Tool for Seamless Exploratory Analysis of Structured Data and Unstructured Text)

在实际的很多应用中,数据集由无结构文本和结构化数据组合而成。比如购物网站上,顾客会给商品的质量、物流服务质量、商家态度等条目打分,也可以写一段关于商品的评论。前者就是结构化数据,后者则是无结构文本数据。分析者面对这些数据时,往往需要同时分析二者。既可能先指定结构化数据字段的过滤条件(如对于北京的餐馆),总结文本信息(如,用户评价这类餐馆时最经常使用哪些关键词);也可能先指定无结构文本(如用户评价中含有“非常满意”),再观察这些数据在结构化数据字段的分布(如,这样的评论的地理分布)。然而,分析者面对这类数据时,面临两大问题:(1)没有一种系统的方式来组织和连接这些操作;(2)缺少完整地集成了这些操作的可视化系统,能够支持用户灵活地进行分析。 继续阅读 »

动物运动生态学的探索性视觉分析(Exploratory Visual Analysis for Animal Movement Ecology)

运动生态学家研究动物的运动,以帮助了解他们的行为和相互作用和环境。从GPS记录器的数据越来越重要。这些数据需要进行处理,分割和总结进一步的可视化和统计分析,往往使用预定义的参数。通常情况下,这个过程是分开的后续的视觉和统计分析,使这些结果很难通知数据处理,并帮助设置适当的规模和阈值参数。本文[1] 探讨了使用高度互动的视觉分析技术,处理原始数据和探索性的可视化分析之间的差距缩小。与动物运动生态学家密切合作,我们提出的要求,使数据的特点来确定,初步研究的问题进行调查,以及进一步分析的数据进行评估的适用性。我们设计的视觉编码和互动来满足这些要求而提供的软件实现。我们展示了这些技术与指示性的研究问题的一些鸟类,提供软件,并讨论更广泛的动物运动生态学的影响。

继续阅读 »

通过用户调研探究如何改进时间序列可视化中的用户体验(Investigating Time Series Visualisations to Improve the User Experience)

一个可视分析系统可以分成视觉表示和交互两个部分。有很多用户调研的相关工作对不同的视觉表示进行比较,但是少有相关工作对不同的交互设计进行比较。因此,这篇工作首要关心的是对于不同交互的比较。此外,在相关工作中,对于不同的视觉编码之间的比较仅限于位置编码和颜色编码效果的比较,没有人比较过面积编码与前两种编码的效果差别。也很少有人(但确实有)比较过笛卡尔坐标系和极坐标系的差别。综上,这篇工作就是要对不同的交互、视觉编码、坐标系下的时间序列可视化通过实验进行比较。

继续阅读 »

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

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 »

IEEE Pacific Visualization Symposium 2017 – Day 3

今天是第十届IEEE PacificVis会议的最后一天。会议内容全部安排在上午,包括两个论文环节和最后的闭幕式。

继续阅读 »

IEEE Pacific Visualization Symposium 2017 – Day 2

今天是正式会议的第二天,包括一个Keynote演讲,三个Paper session,以及与Posters相关的Session。

继续阅读 »