搜索结果 分类目录: 其他

Wavelet-based Visual Analysis of Dynamic Networks

本文提出了一种基于谱图小波理论的动态网络可视化分析方法。可以对网络节点上定义的信号进行自动分析,从而实现对网络特性的检测。具体地说,作者使用一种快速的图小波变换来得到一组小波系数,然后用来识别大型网络上的活动模式。这些系数自然地对信号的时空变化进行编码,从而得到有效而有意义的表示。这种方法能够探索网络的结构演变及其模式随时间的推移。

iForest: Interpreting Random Forests via Visual Analytics

 

作者: Xun Zhao 1,Yanhong Wu 2 ,Dik Lun Lee 1 , and Weiwei Cui3

1:香港科技大学 2:Visa Research 3:微软亚洲研究院

发表: Vis2018

作者主页:http://zhaoxun.me/

一、简介

现已经有了很多对机器学习模型进行可视分析的方法,然而对于随机模型,其缺少有效的可视分析手段,使得该模型难以理解。在现有机器学习模型可视化以及人机交互相关的基础上,设计了一个名为iForest的可视化分析系统,可以有效地帮助人们理解随机森林模型。

该系统的主要内容为:特征与预测结果之间的关系;揭露随机森林的工作机理即决策路径;可以提供完整的案例分析

继续阅读 =>

Embedded Merge & Split Visual Adjustment of Data Grouping

论文:Embedded Merge & Split Visual Adjustment of Data Grouping
发表:InfoVis’ 18
作者:Ali Sarvghad, Bahador Saket, Alex Endert, and Nadir Weibel
继续阅读 =>

机器学习基础概念和统计机器学习基本算法

整理:侯宇轩

一、背景

    机器学习(machine learning)形象的来说,就是使用机器(计算机)利用数据,自行对数据特征进行学习(与手工编写程序直接解决问题区分),来解决现实生活中的问题(如手写数字识别、实例分割等等)。
    机器学习算法已经对人们对数据的利用方式造成了重大改变。例如医院开始将诊疗数据保存下来,包括病人的基本信息、医生的诊断结果、CT图像等等。使用学习型算法对这些数据进行分析,就可以得到一段时间内的病例发展趋势,或者尝试利用CT数据对病人的病灶进行自动检测等等。

DQNViz: A Visual Analytics Approach to Understand Deep Q-Networks

作者:Junpeng Wang, Liang Gou, Han-Wei Shen, and Hao Yang

发表:VAST 2018 (honorable mention)

一、简介

Deep Q-Network (DQN)是Google DeepMind研发的用于解决强化学习问题的深度卷积神经网络,用于训练一个能自动玩Atari 2600游戏的代理。其目的让代理跟环境(游戏)进行交互,代理需要进行游戏内的操作,完成操作后,根据某种奖励机制,不同游戏状态会获得不同的奖励,DQN的最终目标是使整个训练过程的全部奖励之和达到最大。下图为不断循环的训练过程:

继续阅读 =>

TPFlow: Progressive Partition and Multidimensional Pattern Extraction for Large-Scale Spatio-Temporal Data Analysis

作者:Dongyu Liu, Panpan Xu, and Liu Ren

发表:VAST 2018

一、简介

多维时空数据可视化常用的方式是在不同视图中对不同维度上的值做聚合,用户可以在不同的视图中,通过刷选、连线,实现查询、选择、高亮等操作。这种方法的可扩展性往往受到数据维度及数据量的影响,解决方案有以数据立方体的形式存贮数据、GPU并行计算等等。但是,这种方法难以在子数据集上找到隐藏的模式,例如,工作日与双休日的数据模式可能是不同的,但在没有先验假设的情况下,这些视图很难将用户引导向某种数据子集的选择方式。此外,这种方法还需要数据分析员进行繁杂的手动工作。 因此,本文提出了一种基于张量分解的大规模时空数据的模式自动化提取与可视分析方法,本文的主要贡献如下:

-分段的秩一张量分解算法
-支持逐渐划分与level-of-detail探索的多维时空数据可视分析框架
-三个横跨多领域与分析任务的真实数据集案例

Structure-aware Fisheye Views for Efficient Large Graph Exploration

Clustrophile 2: Guided Visual Clustering Analysis

论文地址 论文视频

 

左侧边栏可以导入数据,或者打开以及前保存的结果。右侧显示了所有的日志,可以轻松回到之前的状态,视图的主区域上半部分是数据,下半部分是聚类视图。

INTRODUCTION

数据聚类对于处理无标签数据,高维数据是非常有效的工具。聚类算法中如何确定最好的聚类方法和参数比较困难,需要可视化系统的帮助。Clustrophile 2,这是一种用于引导聚类分析的新型交互式工具,引导用户进行基于聚类的探索性分析,调整用户反馈以改进聚类效果,并帮助快速推理群集之间的差异。为此,Clustrophile 2提供了一个新颖的功能,clustering tour,帮助用户选择聚类参数,并评估与当前分析目标和用户期望的差距。我们通过12位数据科学家的user study评估这个系统。结果表明,Clustrophile 2提高了专家和非专家的探索性聚类分析的速度和有效性。

继续阅读 =>

Investigating the Effect of the Multiple Comparisons Problem in Visual Analysis

论文:Investigating the Effect of the Multiple Comparisons Problem in Visual Analysis
发表:CHI’ 18
作者:Emanuel Zgraggen, Zheguang Zhao, Robert Zeleznik, Tim Kraska
继续阅读 =>

HiPiler: Visual Exploration of Large Genome Interaction Matrices with Interactive Small Multiples

作者:Fritz Lekschas, Benjamin Bach, Peter Kerpedjiev, Nils Gehlenborg, and Hanspeter Pfister

2017 InfoVis

一、简介

1)目标:辅助用户在巨大的矩阵(百万*百万级)中探索众多感兴趣的区域

2)挑战:

-工作量大
-算法识别结果不可信且缺少ground-truth难以评估
-已有可视化系统不支持大数据中小ROI的细节探索

3)贡献 (HiPiler ):

-可视评估图案检测算法的结果
-在大图案集中描述并检测集合和异常点
-多矩阵比较ROIs
-图案相关性
第 1 页,共 16 页12345...10...最旧 »