现有的图可视化技术难以在有限的空间有效揭示图数据的丰富内涵。本文[1]提出了一种叫做Graph Thumbnails的方法，它以缩略图的方式将图数据的层次化结构可视化，灵活支持small multiple（小多组图组），方便用户快速浏览图数据库，并具有如下优势：（1）线性时间复杂度；（2）同构不变性；（3）精确展示图的结构信息。通过两个用户研究，作者验证了Graph Thumbnails在标识化、对比和概览图数据这三项常见数据分析任务中的优越性。
标签存档: 图可视化
缩略“图”：一眼辨别图数据 (Graph Thumbnails: Identifying and Comparing Multiple Graphs at a Glance)
作者: Liwenhan Xie
日期: 2018年12月8日
没有评论
Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)
作者: Zhixian Lin
日期: 2018年12月1日
没有评论
大多数对公共和个人健康构成重大挑战的疾病都是由多种遗传和环境因素引起的。本文[1]介绍了Lineage这一新型可视化分析工具，用于支持领域专家在结合族谱背景时研究此类多因素疾病。通过结合案例之间的家庭关系与其他数据，用户可以发现此类疾病可能涉及的共享基因组变体或共享环境暴露等。此设计研究的主要贡献是针对家谱和临床数据结合的这一类树状多变量图，通过设计家谱图与属性表格图相对齐的方式，能够在家谱分析中加入广泛的多元属性而不会使图混乱。
图绘制 – Peter Eades (悉尼大学）
作者: Li, Yanda
日期: 2018年8月16日
图绘制 – Peter Eades (悉尼大学）已关闭评论
2018年7月18日（第十届可视化发展前沿研究生暑期学校第三天）上午，来自悉尼大学的Peter Eades教授为暑期学校的学员们做了题为《Graph Drawing》的课程授课。Peter Eades教授于1978从澳大利亚国立大学获博士学位，并在世界各地的大学和研究机构工作。Peter主要研究图绘制，并在1984的论文中[1]首次提出了力导向算法的原型，是图布局最经典的绘制算法。
2018年北京大学可视化暑期学校 – Day 2 （2018年7月18日）
作者: Shuai Chen
日期: 2018年8月2日
2018年北京大学可视化暑期学校 – Day 2 （2018年7月18日）已关闭评论
北京大学可视化暑期学校第二天上午的报告由悉尼大学的Peter Eades教授带来题为《Graph Drawing》的报告。Peter在1984的论文中[1]首次提出了力导向算法的原型，是图布局最经典的绘制算法。在课程中，Peter Eades为了大家介绍了图可视化的相关内容。图可视化中最重要的问题就是图布局。简单来讲，图布局就是给拓扑中的节点赋予坐标，并且在节点间用连线表示拓扑中的连接。什么是一个好的图绘制呢？首先，图绘制的结果必须是忠实（faithfulness）的，即绘制的图能够准确表示原始的数据，但是现在还没有一个正式的规则来评价忠实性；其次，图绘制的结果必须具有可读性（readability），即用户可以准确理解图中的知识信息。好的图布局会避免边交叉，弯曲的边以及节点的重合。 继续阅读 »
对TensorFlow中数据流图的可视分析（Visualizing Dataflow Graphs of Deep Learning Models in TensorFlow）
作者: Chufan Lai
日期: 2018年1月5日
对TensorFlow中数据流图的可视分析（Visualizing Dataflow Graphs of Deep Learning Models in TensorFlow）已关闭评论
TensorFlow是谷歌开发的、当下最流行的机器学习软件库之一。它采用数据流图（Dataflow Graph）来表达机器学习算法的计算过程，用户可以定制不同的数据流图来构建自己的算法。然而，随着深度学习的兴起与流行，各类神经网络渐趋大规模、复杂化。算法开发者仅凭借自身的理解与记忆、很难把握算法的各部分体系结构，相互之间也难以进行沟通。为此，这篇文章[1]提出了可视化工具TensorFlow Graph Visualizer，通过可视分析帮助用户在TensorFlow中进行算法分析与开发。值得一提的是，该文章荣获了IEEE VAST 2017的最佳论文奖（Best Paper Award）。
基于自我中心线的动态自我网络可视分析方法（Egocentric Analysis of Dynamic Networks with Egolines）
作者: Lijing Lin
日期: 2017年6月3日
基于自我中心线的动态自我网络可视分析方法（Egocentric Analysis of Dynamic Networks with Egolines）已关闭评论
动态网络，其结构随着时间不断发生变化，是个应用领域相当广泛的数据结构，比如社交媒体交流网络，学者之间的合作网络等。相关的研究相当的丰富（图1）。基本的展示形式有两种，点边形式（Node-link Diagram）和矩阵形式 (Matrix Diagram)；时间映射方式主要有两大类，基于时间轴的映射和基于动画的映射。这些方法，关注的往往是整个网络。另一种重要的动态图研究方法，是自我网络分析（egocentric analysis）。相比于关注整个网络的分析，自我网络分析关注的是中心点（ego）及其相关联的节点（alters）构建的子图。 继续阅读 »
沉浸式图可视化的布局、渲染和交互的方法研究(A Study of Layout, Rendering, and Interaction Methods for Immersive Graph Visualization)
作者: Cheng, Jinyuan
日期: 2017年4月14日
沉浸式图可视化的布局、渲染和交互的方法研究(A Study of Layout, Rendering, and Interaction Methods for Immersive Graph Visualization)已关闭评论
信息可视化传统上以2维的图形来展示。近些年3D显示器和沉浸式头戴设备(head-mounted displays)的普及,使得身临其境的立体可视化环境成为可能。这种沉浸式环境的技术已被广泛地用于科学可视化等领域，相比之下，很少有人将其应用到信息可视化领域。这篇工作[1]的作者关注了信息可视化中的一个重要部分：图可视化，介绍了他们对于3维图可视化的布局、渲染、以及在沉浸式环境中的交互方法。
注释图：一个对用户注释数据分析的图可视化系统 Annotation Graph: A Graph-Based Visualization for Meta-Analysis of Data based on User-Authored Annotaions
作者: Shuai Chen
日期: 2016年10月1日
注释图：一个对用户注释数据分析的图可视化系统 Annotation Graph: A Graph-Based Visualization for Meta-Analysis of Data based on User-Authored Annotaions已关闭评论
在日常生活中，当我们阅读期刊、报纸、论文、书籍等作品时，对于其中的某些内容，我们可以通过注释（annotations）发表评价，记录想法。当我们回顾这些注释时，一方面可以回顾所注释的内容，另一方面可能产生新的想法。同样，在一个可视化系统中，我们是否可以对于一些发现加上注释，进一步发现数据特征呢？这篇论文的工作就是在一个可视化系统中加入注释的功能，当用户使用可视化系统探索数据时，可以通过对数据添加标签（tag），评价（comment）两种注释方式记录数据的特征，系统会以数据、标签、评价为节点构建一个注释图（annotation graph）来帮助用户整理自己的发现，进一步促进对数据特征的挖掘。
根据局部群簇信息自适应的解开小世界网络中的纠结 (Adaptive Disentanglement based on Local Clustering in Small-World Network Visualization)
作者: Lijing Lin
日期: 2016年4月29日
1 条评论
社交网络是高度密集的小世界网络图。在小世界网络中，大部分节点不直接的连接，但是它们从任一其他节点经少数几步就可到达。采用已有的图布局算法布局小世界网络图，总是会得到一个类似毛团的视图。比如说，力导向算法针对网状结构的数据，总是可以得到不错的布局。但是，当数据是个小世界网络时，其效果也不好。这篇文章提出一个预处理方法，自动地选择最佳阈值，过滤掉小世界网络中不重要的边，得到最优的图骨架。最优的图骨架指其内部的图结构信息展示的最清晰。 继续阅读 »
考虑不确定性的微博信息检索方法 (An Uncertainty-Aware Approach for Exploratory Microblog Retrieval)
作者: Chufan Lai
日期: 2015年8月21日
考虑不确定性的微博信息检索方法 (An Uncertainty-Aware Approach for Exploratory Microblog Retrieval)已关闭评论
微博在当代的网络生活中非常盛行，人们在上面议论着各种话题并发表他们的意见，其中蕴含的信息对社会学、媒体学等许多学科而言都是巨大的宝库。如何有效地发掘微博里的信息成为了一个重要的课题。而在以往的工作[2]中，信息检索都是以单条微博(post)为主体，其他因素如博主(user)和话题标签(hashtag)等都被看作过滤条件，来对微博进行筛选。但事实上，博主的受欢迎程度、话题热度等都会影响一条微博的重要性。只考虑微博相关性的检索往往无法满足用户的需求。另外，微博信息纷繁复杂，通过过滤器来改善检索结果往往十分低效。本文[1]提出了一种考虑不确定性的微博信息检索方法。该方法能结合多种因素改善检索结果，并通过不确定性的呈现，让用户能够在交互中有效地提高信息的质量。
近期评论