标签存档: graph - 第2页

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 »