IEEE VIS 是由电气电子工程师学会（IEEE）计算机协会可视化和图形学技术委员会（VGTC）主办的可视化领域的顶级会议。IEEE VIS 包括科学可视化（Scientific Visualization）、信息可视化和（Information Visualization）可视分析（Visual Analytics Science and Technology）三个子会议。IEEE VIS 会议的正式录用结果于7月9日正式发布。北京大学可视化与可视分析研究组在袁晓如研究员指导下三篇全文论文被 IEEE VIS 2019 接收，均同时被领域顶级期刊 IEEE TVCG 收录。
标签存档: 数据立方体
Gaussian Cubes: 在大规模多维数据的可视化探索中实时建模 (Gaussian Cubes: Real-Time Modeling for Visual Exploration of Large Multidimensional Datasets)
作者: Wu, Cong
日期: 2018年9月1日
Gaussian Cubes: 在大规模多维数据的可视化探索中实时建模 (Gaussian Cubes: Real-Time Modeling for Visual Exploration of Large Multidimensional Datasets)已关闭评论
大规模数据的可视化探索中存在着两个互相矛盾的需求：表达能力和计算效率。近来提出的一些方法，比如Nanocubes和imMens，使得大数据集上的实时交互探索成为可能。然而，它们支持的分析种类有限，只能快速得到直方图和heatmaps等。为了改善这一情况，文章提出了Gaussian Cubes，可以对数据进行交互式地建模，包括线性最小二乘法，主成分分析等。
与基于data cubes的方法不同，在它们的基础上，除了预先计算数据子集的数量 (count)，Gaussian Cubes还提前计算了数据子集的多元高斯分布，这使得它能够在一秒内对具有百万点的数据拟合数百个模型。
时间格：支持交互式可视分析大规模时间序列的数据结构（Time Lattice: A Data Structure for the Interactive Visual Analysis of Large Time Series）
作者: Jiang, Ruike Jiang
日期: 2018年8月5日
时间格：支持交互式可视分析大规模时间序列的数据结构（Time Lattice: A Data Structure for the Interactive Visual Analysis of Large Time Series）已关闭评论
物联网设备的广泛使用生成了大量的时间序列数据，通常会有几十至几千的传感器同时生成时间序列。交互式的可视化框架在分析这些数据时非常重要。进行分析时需要复杂的查询，包括在不同时间分辨率下对时间序列数据的取值进行限制，进行聚集等。
ConcaveCubes: 支持基于聚类的大规模地理数据可视化 (ConcaveCubes: Supporting Cluster-based Geographical Visualization in Large Data Scale)
作者: Jiang, Ruike Jiang
日期: 2018年6月16日
ConcaveCubes: 支持基于聚类的大规模地理数据可视化 (ConcaveCubes: Supporting Cluster-based Geographical Visualization in Large Data Scale)已关闭评论
TOPKUBE: 一种支持实时时空数据探索的序敏感数据立方体 (TOPKUBE: A Rank-Aware Data Cube for Real-Time Exploration of Spatiotemporal Data)
作者: Jiang, Ruike Jiang
日期: 2017年10月17日
TOPKUBE: 一种支持实时时空数据探索的序敏感数据立方体 (TOPKUBE: A Rank-Aware Data Cube for Real-Time Exploration of Spatiotemporal Data)已关闭评论
Nanocubes: 对时空数据的事实探索 (Nanocubes for Real-Time Exploration of Spatiotemporal Datasets)
作者: Zhenhuang Wang
日期: 2013年11月11日
Nanocubes: 对时空数据的事实探索 (Nanocubes for Real-Time Exploration of Spatiotemporal Datasets)已关闭评论
随着信息爆炸时代的到来，数据量越来越大，人们对时空数据的实时处理和探索显得越加困难。想象一下，假如你有一个微博数据集，它记录每条微博发布的时间、地点和发布设备。那么，你如何可以快速地知道到微博的地理分布呢，是上海还是北京的用户发的微博更多？人们是工作日里发的微博多还是周末发的多？每天微博发布的高峰时间是什么时候？人们用什么手机系统发的微博多呢，是iPhone还是Android？在2009年时候是什么情况呢？那么在2012年这种情况发生了变化吗？这些问题涉及到了各个维度上的聚合统计，并且在时间和空间维度还涉及到了不同的粒度。要回答这些问题，最简单的方法或许是扫描一遍数据集，然后获得统计值。但这在日益增长的数据量和实时性的要求下，这种方法显然不适用。
近期评论