搜索结果 分类目录: 其他
论文：Temporal MDS Plots for Analysis of Multivariate Data
作者：Dominik Jäckle, Fabian Fischer, Tobias Schreck, Daniel A. Keim
发表会议：TVCG 2015
在网络信息安全领域，潜在的威胁多种多样。描述这类行为的网络流数据具有多元和时序特征，而传统的监督学习方法中需要人们输入一组已知类别的样本，这对于网络流数据是不合适的。本文采用可视化的技术手段，利用多元尺度法(Multi-dimensional Scaling)对网络流数据进行1维投影映射到屏幕纵坐标，同时将时间维度映射到屏幕横坐标，进而得到2维时序MDS图。MDS方法尽可能地保留了投影点在原来高维空间的相似性，利用人眼在模式识别上的优势，用户可以很快地识别出一个个“异常”模式。进一步，用户可以对“异常”模式背后的原始网络流数据进行分析，得出相应结论。
论文：VAiRoma- A Visual Analytics System for Making Sense of Places Times and Events in Roman History
作者：Isaac Cho, Wewnen Dou, Derek Xiaoyu Wang, Eric Sauda and William Ribarsky
发表会议：infovis 2015
本文提出了集文本分析和时空分析的可视分析系统VAiRoma，帮助人们快速查找古罗马历史文献以学习和了解古罗马的历史。相关工作提到了sensemaking, 主题趋势可视化、维基百科文本数据可视化、历史可视化等方面的工作。
本文使用的数据来源于维基百科的网页文本数据，提取包含Roma、Roman、Rome等与罗马相关的词语的页面，数据量有大约189000篇文章。之后，对数据进行预处理，包括提取主题、提取地点、坐标和时间。其中主题提取采用了另外一篇论文《I‐SI: Scalable Architecture for Analyzing Latent Topical‐Level Information From Social Media Data》中的方法，共提取了40个主题；地点抽取采用Stanford NER方法，并用GeoNames API进行精确定位，重名的地点收到纠正；时间抽取则是采用Stanford NER和正则表达式匹配的方式实现。最后将数据展现在可视化界面上，图1是系统流程图。
图1
论文：Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration
作者：Stef van den Elzen, Danny Holten, Jorik Blaas, Jarke J. van Wijk
发表会议：VAST 2015
动态网络的可视化方法可以分为Animation (time-to-time) 和 Small-multiple (time-to-space) 两类。对于前者，用户每一时刻只能看到一帧，前后内容需要用户去记忆、理解，往往需要来回观看很多遍才能粗略理解动态网络的变化过程，给用户带来了很大的认知负担；对于后者，将不同时刻的网络进行并排罗列，由于屏幕空间有限，很多时候并不能将所有时刻的网络同时进行展示，且难以进行网络动态变化模式的发现。本文提出了一种对动态网络进行二维投影的方法，可以将每个动态网络表示成一张静态的node-link图，每个node代表某个时刻的网络，link连接了相邻时刻的node，可以有效地帮助用户发现稳定状态(stable state)、重现状态(recurring state)、异常拓扑(outlier topologies)及分析网络状态间的转移过程。
下图是本文方法的工作流程：
1. 离散化：原始数据由一系列时序的事件组成，每个事件均发生在某两个个体之间。方法的第一步是将原始数据进行离散化，生成一些离散的snapshots。具体做法是生成一些连续的时间窗（为了最后投影结果的连续性，时间窗口可以有部分重合），将每个时间窗内的所有事件转换成一个等价的网络，网络里的节点和边分别是这个时间窗内出现过的节点和边，并将每条边在这个时间窗内出现的次数当做该边的权重。
2. 向量化：为了进行投影，需要进行向量化将每个snapshot转换成一个高维的向量。具体做法是先将snapshot表示成邻接矩阵，然后将邻接矩阵转化成一个高维向量，当然这里还可以往该向量里加入一些额外的属性，比如该网络中节点平均的度（degree）等。
3. 投影：经过前面两个步骤，我们已经得到了一些列时序的高维向量，只需要对其进行二维投影即可。
Rationale Visualization for Safety and Security
Roeland Scheepens, Steffen Michels, Huub van de Wetering and JarkeJ.vanWijk
Eurographics Conference on Visualization (EuroVis) 2015
随着轮船运输，人的迁移，和类似的运输等的发展，对于这些对象的监测数据量和数据种类也越来越大。这就需要一种安全监测的模型帮助安检人员进行决策。传统的安全检测的自动推理模型是，给定一个对象在各个数据源中的数据作为输入，输出这个对象对于某一个假设的可能性。例如对于输入一艘轮船的数据，推理模型输出这艘轮船可能有违法行为的可能性。
而这种方法并不能使决策者理解是什么原因得出的这个结论，从而影响决策者进行决策。
论文：Progressive Visual Analytics: User-Driven Visual Exploration of In-Progress Analytics
会议：VAST 2014
作者：Charles D.Stolper, Adam Perer, and David Gotz
本文提出一种“渐进式的可视分析”范式，用于解决当前在可视分析中数据规模庞大、可视分析算法复杂、计算量规模大的挑战和局限性。在已有的解决方案中，针对大数据和复杂大计算量算法的解决方案包括：预计算、大量使用并行 处理加速以及本文为剃刀的渐进式的可视分析方法。前两者存在不方便实时更新参数以及硬件需求等局限性，已有的系统包括Dix，imMens,SampleAction……
本文的贡献点包括以下几点：
1.一种渐进式的可视分析范式的描述
2.在渐进式的可视分析系统中的算法和可视化设计目标
3.分析事件序列模式的可视分析系统（Progressive Insights）
4.临床专家利用本文系统针对医学数据对这种渐进式的可视分析范式的评估
论文：GLO-STIX: Graph-Level Operations for Specifying Techniques and Interactive eXploration
会议：InfoVis 2014
作者：Charles D. Stolper, Minsuk Kahng, Zhiyuan Lin, Florian Foerster, Aakash Goel, John Stasko, and Duen Horng Chau
面对一个数据，很多时候用户并不能马上找到最佳的可视化方案，甚至也并没有最佳方案，有的方案对数据某些方面信息的表现力更强而另一个方案对另一些方面的信息有更强的表现力。这就需要用户把数据从一个布局调整到另一个布局，本文做的就是这个工作，他们设计了一些用户可以理解可以预知效果的交互操作，让用户能自由地表达他们对布局的转换的需求。可以预见的是如果要让这些操作普适到所有数据类型所有应用场景，那将是一个非常庞大的工作，本文选取了图这一数据类型（即关系型数据或可以提取出关系的数据），表达了他们的用基本交互操作实现可视化变换的核心思想。
6月16日，纽约州立大学石溪分校秦洪教授带来名为Mathematics and Physics Foundation for Digital Medicine in Virtual Environments的主题报告。
6月15日，来自美国亚利桑那大学刘勇教授参观VAG小组，并做了题为The Effects and Mechanisms of Online Reviews in the Era of Big Data的主题报告。
4月16日，王飞跃教授发表了题目为 Visualization and Knowledge Automation: Enterprise 5.0 and Parallel Evolution的报告，论述了可视化对于平行虚拟现实改革的推动作用。
所谓平行就是指 ACP 的平行理念，也就是人工社会（Artificial Societies）+ 计算实验（Computational Experiments）+ 平行执行（Parallel Execution）。从本质上来讲，ACP 的平行理念的 核心就是把复杂性与智能化系统“虚”的和“软”的部分建立起来，通过可以定量实施的计算化、实时化，使之“硬化”，真正用于解决实际的问题。而所谓的大数据和云计算以及物联网正是支撑 ACP 方法的核心技术。可视化方法也将成为支撑 ACP 并大力推动平行虚拟现实改革的重要方法和工具。
