标签存档: graph

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 »

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 »

图中集合关系的可视分析

本文[1]是2013年EuroVis最新的图可视化工作,文中介绍了一种显示图中存在的集合关系的可视化设计,适合中小型图的可视化,可以丰富的展现图的多种属性,非常具有启发性。

图可以表很多抽象的关系数据,图中的节点往往具有多种属性。例如,在一个社交网络中,每个人是一个节点,他不但有自己朋友关系,还有各种各样的兴趣爱好,像喜欢听音乐,爬山,摄影等。依据这些兴趣爱好,我们可以把图分成几个集合,比如,喜欢爬山的人是一个集合的,喜欢听歌的人是另一个集合。因此,在图的基础上添加集合的信息,可以表现出更丰富的数据属性。

继续阅读 »

最大信息熵摘要树(Maximum Entropy Summary Trees)

本篇是来自于今年EuroVis的文章[1],并且是这次会议的最佳论文,作者是来自于AT&T实验室的Howard Karloff等。 继续阅读 »

北京大学“可视化与可视分析”报告——Peter Eades教授“How to Draw a Graph,Revisited”

621日,国际著名计算机专家,弹簧画图算法发明人,悉尼大学教授Peter Eades访问北京大学。21日下午2点,Eades教授在北京大学理科2号楼2736学术报告厅作了一场题为“How to Draw a GraphRevisited”(重新审视如何作图)的精彩报告。讲座以时间为线索,回顾了图绘制的发展历史。(更多可视化与可视分析报告会通知请关注:http://vis.pku.edu.cn/seminar/index.html )

继续阅读 »