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 »
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 »
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 »
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。
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。
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。
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 »
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）。
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 »
近期评论