标签存档: graph

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 »

CrowdLayout: Crowdsourced Design and Evaluation of Biological Network Visualizations

生物学家经常会用网络来分析实验中的现象,比如细胞内分子的交互,电信号在神经元之间的传递,但是创建一个能够有效表现生物学信息的网络扔存在挑战。尽管有大量的自动图布局算法,但是这些算法没有利用网络中生物学信息,生成的布局效果没有实际意义;专家通常会利用自己的专业知识通过手动的方式对这样的网络布局,但是这样的布局方式效率太低,难以短时间内对大量网络数据生成有效布局。所以这篇文章通过众包的方式让普通用户在一定的准则下,帮助专家创建、评估网络数据的布局[1]。 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 »

Map-based Graph Visualization

地图形式的图可视化方式指将图中的社群用一段连续的区域表示,不同的社群构成了地图上不同的“国家”。这样的可视化方式既可以提高可视化美观度,吸引用户花更多的时间探索数据[1];又可以增强用户的对可视化内容的记忆,更准确回忆自己的发现结果[2]。

继续阅读 »

在异步协同式意义构建场景下使用知识传输图传递知识(Supporting Handoff in Asynchronous Collaborative Sensemaking Using Knowledge-Transfer Graphs)

在数据分析中,将知识和发现通过可视化的方式展现出来可以帮助分析者追踪、组织、综合自己的发现和问题。当分析者互相合作时,通过互相交流,这些可视化形式能够帮助分析者互相理解自己的发现,这被称为协同式意义构建(Collaborative Sensemaking)。然而在复杂场景下,如何在合作者之间明确的传递知识(Tranfer of Knowledge/Handoff) 仍然是一个挑战。在异步合作场景下,分析者由于时空限制或者隐私考虑等不能够直接见面或者交流,前一个分析者需要将自己的发现传递给下一个分析者,但是少有的分析系统能够满足这样的需求。本文提出了一系列可视化加护技术帮助异步合作者之间有效传递发现、知识。

继续阅读 »

VIGOR: 交互式探索图查询结果(Interactive Visual Exploration of Graph Query Results)

当领域专家需要寻找大图中满足特定条件的子图时,图查询操作是一种重要的方法。比如在金融交易网络,分析者想要发现洗钱行为,可以查询商人和银行家构成的环状网络。尽管有许多工作研究如何构建查询语句、数据库管理、图匹配算法,但是少有工作帮助分析者理解子图的结构以及属性特征。这项工作[1]设计了一个原创可视分析系统,帮助用户探索、理解子图查询的结果。

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 »

GRASP: 结合移动设备和大屏幕与图可视化交互(GRASP: Combining Spatially-aware Mobile Devices and a Display Wall for Graph Visualization and Interaction)

除了传统的桌面显示环境,研究者们也在思考用其它的显示设备和更自然的交互方式设计可视化。这篇工作[1]将可被检测位置的移动设备和大屏幕结合起来支持图可视化的交互和分析;作者设计了一套全面的交互模型支持对图的交互、分析任务,包括选择、展示细节、焦点转换、交互式透镜、数据编辑等。 继续阅读 »

可视化不确定网络的概率图布局方法(Probabilistic Graph Layout for Uncertain Network Visualization)

不确定网络,在本文表示顶点是确定的(certain),边的存在与否满足某种概率分布的网络。在图1中,左图是确定网络(certain graph),右图是不确定网络(uncertain graph)。

在不确定网络可视分析中,现有的方法往往直接在确定图(exact graph)中用视觉变量(visual variables)表示不确定信息。这些方法可以很好的将图的拓扑结构展示出来,但忽略了不确定信息的概率分布情况。
在这篇文章[1],作者们提出一个概率图(probabilistic graph)布局方法。这个方法可以同时展示图的拓扑结构和不确定信息的概率分布。它的基本思想是,依据蒙特卡洛方法(Monte Carlo process)对不确定图进行采样;将采样获得图根据力导向算法进行布局;之后,将所有采样图的力导向布局组合起来,获得最后概率图的布局(如图2所示)。 继续阅读 »

更好的理解分析深度卷积神经网络(Towards Better Analysis of Deep Convolutional Neural Networks )

深度卷积神经网络(CNNs)在特征识别相关任务中取得的效果,远比传统方法好。因此,CNNs常用于图像识别、语音识别等。但是,因为CNNs结构庞大,一般都会包含几十个神经层,每一层,又有数百至数千个神经元;同时,CNNs任意两层之间神经元的相互影响错综复杂。这两个主要的因素,导致CNNs难以理解、分析。为此,用户很难从失败或成功的例子中学习到如何设计一个好的卷积神经网络。因此,设计一个效果好的神经网络,往往需要依靠大量的尝试。

这篇文章提出了一个可视分析系统,CNNVis,支持机器学习专家更好的理解、分析、设计深度卷积神经网络。 继续阅读 »