标签存档: 图可视化

2021年北京大学可视化发展前沿研究生暑期学校 – Day 7

2021年7月21日,暑期学校第7天,来自高等技术学院(ETS)的Michael McGuffin教授和来自爱丁堡大学的Benjamin Bach教授进行了报告,内容包括多维多变量可视化、图可视化和Data-Driven Storytelling with Data Comics 。

继续阅读 »

2021年北京大学可视化发展前沿研究生暑期学校 – Day 5

今天(2021年7月19日)的课程是由来自马里兰大学的Zhicheng Liu教授带来的主题为可视化设计中的概念、方法与工具,来自蒙纳士大学Tim Dwyer教授讲授的图可视化和来自塔夫茨大学的Remco Chang教授关于用户分析和交互式机器学习的内容。

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 »

Lineage: 在家谱图中可视化多变量临床数据 (Visualizing Multivariate Clinical Data in Genealogy Graphs)

大多数对公共和个人健康构成重大挑战的疾病都是由多种遗传和环境因素引起的。本文[1]介绍了Lineage这一新型可视化分析工具,用于支持领域专家在结合族谱背景时研究此类多因素疾病。通过结合案例之间的家庭关系与其他数据,用户可以发现此类疾病可能涉及的共享基因组变体或共享环境暴露等。此设计研究的主要贡献是针对家谱和临床数据结合的这一类树状多变量图,通过设计家谱图与属性表格图相对齐的方式,能够在家谱分析中加入广泛的多元属性而不会使图混乱。

继续阅读 »

图绘制 – Peter Eades (悉尼大学)

2018年7月18日(第十届可视化发展前沿研究生暑期学校第三天)上午,来自悉尼大学的Peter Eades教授为暑期学校的学员们做了题为《Graph Drawing》的课程授课。Peter Eades教授于1978从澳大利亚国立大学获博士学位,并在世界各地的大学和研究机构工作。Peter主要研究图绘制,并在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。

继续阅读 »

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 »

对TensorFlow中数据流图的可视分析(Visualizing Dataflow Graphs of Deep Learning Models in TensorFlow)

对TensorFlow中数据流图的可视分析

TensorFlow是谷歌开发的、当下最流行的机器学习软件库之一。它采用数据流图(Dataflow Graph)来表达机器学习算法的计算过程,用户可以定制不同的数据流图来构建自己的算法。然而,随着深度学习的兴起与流行,各类神经网络渐趋大规模、复杂化。算法开发者仅凭借自身的理解与记忆、很难把握算法的各部分体系结构,相互之间也难以进行沟通。为此,这篇文章[1]提出了可视化工具TensorFlow Graph Visualizer,通过可视分析帮助用户在TensorFlow中进行算法分析与开发。值得一提的是,该文章荣获了IEEE VAST 2017的最佳论文奖(Best Paper Award)。

继续阅读 »

基于自我中心线的动态自我网络可视分析方法(Egocentric Analysis of Dynamic Networks with Egolines)

动态网络,其结构随着时间不断发生变化,是个应用领域相当广泛的数据结构,比如社交媒体交流网络,学者之间的合作网络等。相关的研究相当的丰富(图1)。基本的展示形式有两种,点边形式(Node-link Diagram)和矩阵形式 (Matrix Diagram);时间映射方式主要有两大类,基于时间轴的映射和基于动画的映射。这些方法,关注的往往是整个网络。另一种重要的动态图研究方法,是自我网络分析(egocentric analysis)。相比于关注整个网络的分析,自我网络分析关注的是中心点(ego)及其相关联的节点(alters)构建的子图。 继续阅读 »

沉浸式图可视化的布局、渲染和交互的方法研究(A Study of Layout, Rendering, and Interaction Methods for Immersive Graph Visualization)

信息可视化传统上以2维的图形来展示。近些年3D显示器和沉浸式头戴设备(head-mounted displays)的普及,使得身临其境的立体可视化环境成为可能。这种沉浸式环境的技术已被广泛地用于科学可视化等领域,相比之下,很少有人将其应用到信息可视化领域。这篇工作[1]的作者关注了信息可视化中的一个重要部分:图可视化,介绍了他们对于3维图可视化的布局、渲染、以及在沉浸式环境中的交互方法。

继续阅读 »

注释图:一个对用户注释数据分析的图可视化系统 Annotation Graph: A Graph-Based Visualization for Meta-Analysis of Data based on User-Authored Annotaions

在日常生活中,当我们阅读期刊、报纸、论文、书籍等作品时,对于其中的某些内容,我们可以通过注释(annotations)发表评价,记录想法。当我们回顾这些注释时,一方面可以回顾所注释的内容,另一方面可能产生新的想法。同样,在一个可视化系统中,我们是否可以对于一些发现加上注释,进一步发现数据特征呢?这篇论文的工作就是在一个可视化系统中加入注释的功能,当用户使用可视化系统探索数据时,可以通过对数据添加标签(tag),评价(comment)两种注释方式记录数据的特征,系统会以数据、标签、评价为节点构建一个注释图(annotation graph)来帮助用户整理自己的发现,进一步促进对数据特征的挖掘。

继续阅读 »