标签存档: 图可视化

网络可视化方法的比较评估 (Comparative Evaluation of Bipartite, Node-Link, and Matrix-Based Network Representations)

网络数据是日常生活中常见的数据类型,如社会网络、论文引用网络和生物网络。如图1所示,在网络可视化的方法中,节点-链接图(Node-link Diagram)和邻接矩阵(Ajacency Matrix)是最常用的。另一种二部图布局方法(Bipartite Layout)首先被用于二部图上,之后也被扩展到普通静态图的可视化,在二部图布局中,节点被复制并放置在两个平行轴上,再用边将他们连接起来。每种方法在网络上的不同任务中都有其优势和不足之处。来自斯图加特大学的Daniel Weiskopf等人[1]进行了一项用户研究,以评估这三种网络可视化方法,并给出了使用准则。

继续阅读 »

形状引导的混合地铁图布局方法(Shape-Guided Mixed Metro Map Layout)

在图可视化中,地铁图可视化是一个经典的可视化方法,将图中节点尽量均匀地排布在空间中,同时尽可能保持边的且尽可能保持最终布局的拓扑结构与图节点的原始。 同时,在实际的图布局中,除了要提高图的可读性,有时还需要将一些特定的动机(motif)嵌入到图中,这能提高图布局的艺术效果,也可能可以提升用户对该布局的认知能力。

在论文《Shape-Guided Mixed Metro Map Layout》[1]中,维也纳工业大学的Tobias Batik等人提出了一种结合地铁图布局与形状嵌入的混合布局方法(图1),能够支持在保证将用户定义的形状嵌入最终图布局的同时,将整体图布局以地铁图的标准进行优化。

继续阅读 »

图集合矩阵可视化的同步排序 (Simultaneous Matrix Orderings for Graph Collections)

矩阵可视化可以突出图数据中的局部结构。为了使这些结构表现为明显的视觉模式,人们提出了各种矩阵重排的方法来对矩阵的行和列进行适当排序。 但是,图数据可能不是孤立出现的,而是属于共享一组顶点的图集合的一部分。在这种情况下,已有的一种方法是选择一个图进行矩阵重排,然后推广到所有的图上;另一种方法是对所有图进行加权的合并,然后对合并后的图进行重排。然而这些方法都会损失信息,来自荷兰埃因霍芬理工大学的Beusekom等人 [1] 提出了一种考虑整个图集合的重排算法,如图1所示,可以同时对图集合中的所有图数据得到较好的矩阵重排结果。

继续阅读 »

STRATISFIMAL LAYOUT:一种分层节点链接网络可视化的模块化优化模型(STRATISFIMAL LAYOUT: A Modular Optimization Model for Laying out Layered Node-link Network Visualizations)

节点链接图是一个用于显示网络中关系的有效工具。 来自美国东北大学的DiBartolomeo等人提出了STRATISFIMAL LAYOUT [2],关注于计算网络的分层布局,在这种布局中,节点被排列在一组平行的轴上,来更好地展示层次或顺序关系。通常基于启发式的布局方法 [1] 可以得到可读的,但不是最优的可视化结果,该工作提出了一种模块化优化模型来计算最优的节点布局。

继续阅读 »

2021年北京大学可视化发展前沿研究生暑期学校 – Day 7

2021年7月21日,暑期学校第7天,来自高等技术学院(ETS)的Michael McGuffin教授和来自爱丁堡大学的Benjamin Bach教授进行了报告,内容包括多维多变量可视化、图可视化和Data-Driven Storytelling with Data Comics 。

继续阅读 »

2021年北京大学可视化发展前沿研究生暑期学校 – Day 5

今天(2021年7月19日)的课程是由来自马里兰大学的Zhicheng Liu教授带来的主题为可视化设计中的概念、方法与工具,来自蒙纳士大学Tim Dwyer教授讲授的图可视化和来自塔夫茨大学的Remco Chang教授关于用户分析和交互式机器学习的内容。

继续阅读 »

缩略“图”:一眼辨别图数据 (Graph Thumbnails: Identifying and Comparing Multiple Graphs at a Glance)

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。

继续阅读 »

Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)

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。

继续阅读 »

图绘制 – Peter Eades (悉尼大学)

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。

继续阅读 »

2018年北京大学可视化暑期学校 – Day 2 (2018年7月18日)

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 »