GRASP: 结合移动设备和大屏幕与图可视化交互(GRASP: Combining Spatially-aware Mobile Devices and a Display Wall for Graph Visualization and Interaction)

除了传统的桌面显示环境,研究者们也在思考用其它的显示设备和更自然的交互方式设计可视化。这篇工作[1]将可被检测位置的移动设备和大屏幕结合起来支持图可视化的交互和分析;作者设计了一套全面的交互模型支持对图的交互、分析任务,包括选择、展示细节、焦点转换、交互式透镜、数据编辑等。 继续阅读 »

一个针对增量式可视化的可视化过程增强模型 (An Enhanced Visualization Process Model for Incremental Visualization)

在传统的可视化场景中,数据是稳定的,显示设备是固定的,但是随着技术的进步,这一场景已经不再必然成立。比如,流数据的质量和数量可能随时间变化;显示设备也变得无处不在,可视化的显示设备可能发生变化。

继续阅读 »

对交通流的可视化、过滤与分析(Visualization, Selection, and Analysis of Traffic Flows)

移动物体(Moving objects)例如车辆、船舶、飞机等不是随机地运动,而是有一定的功能性的关系,例如飞机的有相同的目的地。这时我们把这类轨迹的集合成为交通流(Traffic flows)。然而这些轨迹通常数目多而且具有重叠。交通流通常会有一定的行为模式(Patterns),但是这些模式很难挖掘到。因此可视化交通流面临许多挑战: 继续阅读 »

用于文本相似性检测的可构造可视分析(Constructive Visual Analytics for Text Similarity Detection)

检测文本之间的相似性是一种很常见的文本挖掘任务。由于文本相似性的衡量方式很多,而且很多衡量方式对于不同的语料集的敏感性不同,所以通常使用机器学习等检测器难以根据特定的语义环境来平衡不同的度量方式。因此,为了促进文本相似性检测的准确性,把相关领域的专家加入到检测过程中,自主的设计对应的衡量方法时检测结果更佳。

继续阅读 »

对于机器分析和人类分析在分类中的解析 (An Analysis of Machine- and Human-Analytics in Classification)

这项工作跟踪在两个可视化分析应用中的技术和认知过程,并归纳为一个应用软知识的共同理论模型,可以添加到建立一个决策树模型的可视化的分析过程中。 继续阅读 »

DeepEyes: 用于深度神经网络设计的递进式可视分析系统 (DeepEyes: Progressive Visual Analytics for Designing Deep Neural Networks)

深度神经网络,在模式识别问题上,取得非常不错的效果。但设计一个性能好的神经网络,需要反复尝试,是个非常耗时的过程。这个工作[1]实现了用于深度神经网络设计的可视分析系统,DeepEyes。该系统可以在DNNs训练过程中,提取数据,从网络整体效果,神经层和神经元角度,分析神经网络运行状态,进而协助用户更新DNNs。

继续阅读 »

具有时空误差控制的交互式渐进可视化 (Interactive Progressive Visualization with Space-Time Error Control)

在体可视化中,光线追踪算法是一种常用的算法。不过,由于对每条光线而言都需要进行大量的采样,其计算代价是非常大的。这时候往往可以使用渐进可视化的方法,即一边展示一些早期近似计算得到的绘制结果,一边持续对该结果进行优化精炼。但是,图片往往需要一个比较长的绘制时间才能达到高的质量(即空间误差随时间不断减小),而当视角和传递函数改变时,比较长的响应时间会延迟图片图片帧的替换(即时间误差越来越大)。因此,这里面需要做适当的权衡。传统的方法使用静态的采样率和帧率,但是如何选择一个好的静态设置并在交互式可视化中得到保持是非常困难的。2014年SciVis的这篇文章[1]提出的一种基于空间和时间误差估计的动态自适应帧控制的方法,很好地解决了这个问题。如图1所示示例,该方法在静态的采样率和帧率之间做到了很好的平衡。

继续阅读 »

从事件序列中提取和可视化子模式(CoreFlow: Extracting and Visualizing Branching Patterns from Event Sequences)

时间事件序列,如应用程序日志数据和Web访问者点击流,有助我们理解用户行为和做相应的决策。事件序列数据的可视化和分析是一个备受关注的研究领域,但仍然是一个尚未解决的问题。序列数据集可以包含数千个或多个不同的序列。这些序列中的每一个都可能由数百个有序事件组成。独特事件的数量可以是成百上千。巨大的数量和复杂性使得传统的可视化技术不适用。即使我们将事件聚合为较少的类别,仍然很难提供一个很好的概览。

继续阅读 »

时变集合模拟数据中的趋势特征可视分析 (Visual Trends Analysis in Time-Varying Ensembles)

图3:趋势图的构建

集合模拟数据是现今科学可视化领域中的重要挑战之一。对于同一个物理现象,使用多个物理模型或者同一模型多组不同参数进行模拟,产生的一组模拟结果就称之为集合模拟数据,每个单独的结果称之为集合成员。对集合模拟数据的研究,一方面可以对各个结果之间的相似性和相异性进行分析,另一方面可以用于进行模型参数的优化。而这个工作主要关注的对应两个问题就是:时变集合模拟数据中趋势特征和异常成员的识别,以及和参数空间的结合探索。

继续阅读 »

Screenit: 对细胞筛选的可视分析 (Screenit: Visual Analysis of Cellular Screens)

本文介绍了针对生物制药中一种多维多层次数据——筛选数据的可视分析系统。这个系统连接了现有的支持大量数据但是层次较高的系统和支持细节层次但是数据量支持有限的系统。

继续阅读 »