标签存档: 动态图可视化

IGAL可视化讲习班-10:时空大数据的可视化 – 陈为

12月28号上午,最后一位讲者是来自浙江大学的陈为老师。讲座的主要内容有《时空大数据的可视化》和《海量动态图数据的可视分析理论和应用》。时空大数据的可视化从理解、分析、服务三个角度切入,向分享了可视化研究工作的成果与经验。对海量动态图数据的讨论,再次强调了可视化技术的重要与动态图相关的技术和应用。 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 »

用持续同调方法检测动态图的结构变化(Visual Detection of Structural Changes in Time-Varying Graphs Using Persistent Homology)

动态图可视化对复杂网络分析等能起到关键作用,但由于动态图数据的复杂性,其演变过程的可视化形式一直难以确定,整体而言一般分为动画(Animation)和时间线(Timeline)两类。这个工作提出了一种用持续同调(Persistent Homology)来衡量动态图结构变化特性的方法,在此基础上提取特征以时间线的形式进行可视化,揭示动态图的异常变化和整体演变过程[1]。持续同调是拓扑数据分析(Topological Data Analysis, TDA)的主要工具,是近年探索性数据分析和数据挖掘领域中逐渐活跃的方向,有深刻的代数几何背景,将其引入可视化的特征提取是一次全新的尝试。

继续阅读 »

基于规则模型的动态影响网络 (Dynamic Influence Networks for Rule-based Models)

动态影响网络(DIN)[1],是一种新颖的可视分析技术,用于表示和分析基于规则模型的蛋白质-蛋白质相互作用网络。使用KaSim(一种Kappa语言编写的基于规则模型的开源随机模拟器)生成的数据,构建动态影响网络,表示每个规则对其他规则的影响。

继续阅读 »

NEREx:多方会话中的实体关系探索(NEREx: Named-Entity Relationship Exploration in Multi-Party Conversations)

本文提出了NEREX,为逐字会话脚本提供了一种探索性的交互式可视化分析方法。NEREX的切入点是从多方对话不同的角度给出了分析,通过链接的详细视图提供高层次的概述和提供机制的形成和验证假设。使用定制命名实体抽取,我们将重要实体抽象为十类,并用距离约束实体关系模型提取它们之间的关系。该模型符合逐字记录往往不合语法的结构,涉及两个实体是否在同一个句子中出现一个小的距离窗内。我们的工具使多方对话的探索性分析使用几个链接的意见,显示在文本的主题和时间结构。除了远程阅读,我们还为文本层次调查过程整合了密切的阅读观点。超越时空对话的探索性分析,NEREX帮助用户生成和验证假设并进行多元对话的比较分析。我们通过三名来自政治科学领域专家的定性研究,证明了我们的方法在2016届美国总统辩论中对真实世界数据的适用性。

继续阅读 »

TimeArcs: 可视分析动态图中的波动 (TimeArcs: Visualizing Fluctuations in Dynamic Networks)

可视分析动态图中数据的波动模式,是个很有挑战性的问题。一般情况下,我们会选择small multiples形式或动画形式,来分析动态图中的变化模式。本文提出了新的可视化展示方式,TimeArcs,来分析动态图中的波动模式。 继续阅读 »

将每个时间步的图降维为点:动态网络可视化探索分析方法 (Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration )

目前,动态图可视分析方法主要分为small multiples和animation两大类。Small multiples方法,将时间映射到空间上,用户需要同时观察若干个snapshot,相互比较来获取差异。由于屏幕空间有限,当时间步很多时,很难同时展示出所有时刻的网络,且用户难以分析获取动态网络的变化模式。Animation方法,将时间映射到时间维度,用户在每个时刻只能观察到一个时间步的网络,需要去记忆,理解时间步之间网络的变化情况,进而理解动态图的变化模式。

本文提出一种新颖的方法,来分析动态图的变化模式。他们将每个时间步的网络转换成高维向量,将这些高维向量投影到二维平面,用点表示。如图1所示,投影后得到的布局中,每个点表示一个时间步的snapshot, 每条边连接了两个相邻时刻的顶点。这个方法可以有效地帮助用户探索分析动态图的稳定状态、重现状态、异常状态以及状态与状态之间的转移过程。
继续阅读 »

对偶邻接矩阵:稠密网络中的邻边聚类探索(Dual Adjacency Matrix: Exploring Link Groups in Dense Networks)

对关系网络图中的结点进行聚类是社群分析的一个重要方法,但对于特殊任务,比如寻找社群之间的公共结点,对边进行聚类则更加有效[1]。这篇EuroVis2015的文章[2]通过对偶邻接矩阵(Dual Adjacent Matrix)的方法,把结点邻接矩阵和边邻接矩阵合并到了一起,共同来进行网络图中的社群分析。

继续阅读 »

结合三维矩阵体的动态网络数据可视化(Visualizing Dynamic Networks with Matrix Cubes)

动态网络(Dynamic networks)数据与动态图(Dynamic Graph)数据一直以为都比较复杂,随着数据量的不断增大,为动态网络的分析与可视化带来了极大的挑战。
另一方面,动态网络数据常常带有时间信息,而现有的时空高维数据可视化方法都有各种缺点,尤其是当图中节点密集时,现有的方法几乎都会遇到遮挡问题。

二维模型探索动态图数据已有很多种方法,如点边图 (Node-Link Diagram),邻接矩阵 (Adjacency Matrices) 等,这些方法可以很好地展现图中的节点自身的随时间变化的信息,但是节点以及节点之间关系的演化,在这些方法中比较难展现,尤其是节点个数多时,以及限制于一个视图中。
用三维模型将时空高维数据可视化,增加一个维度可以展现更丰富的信息,但是也会带来更加严重的问题,例如相互遮挡,目标物体选择困难,交互不方便等问题。

本文[1]提出了一个新的交互探索模型,Matrix Cubes,该模型使用3D cube作为视图中枢协调者 (pivot visualization),管理多个不同角度的切片视图,这些切片视图全是从3D cube中导出的。系统还提供了一系列的交互,例如,刷选 (brushing),链接 (linking),和过滤 (filtering),为深入探索动态图数据提供了有效的方法。

继续阅读 »

动态图可视化综述 (The State of the Art in Visualizing Dynamic Graphs)

最近二十年来,随着动态图数据的大量产生,动态图可视化研究也得到了长足的发展。人们设计了许多可视化技术,用于支持不同种类的探索任务。接着,为了比较不同技术的优劣,人们又并发展了相应的评价方法。在此过程中,人们也将动态图可视化技术运用于解决一系列实际问题。Beck等人在今年EuroVis的Start of the Art Report环节报告了一篇综述论文[1],总结了现有的动态图可视化研究。他们共计考察了129篇相关论文,将它们大致分为技术类、评价类和应用类。他们随后对以上三方面研究进行详细的归类整理,并在最后展望了未来的研究方向。

继续阅读 »