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 =>

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：

3）贡献 (HiPiler )：

作者：Yunhai Wang,  Xiaowei Chu, Chen Bao, Lifeng Zhu, Oliver Deussen, Baoquan Chen and Michael Sedlmair

发表:2017 infoVis

一、简介

现有的Wordle，存在不一致性的问题，即在词云的调整过程中，会将摆放不正确的单词单纯地移动到其他空白区域，这样有可能导致全局大量单词需要改变，最后导致词云结果不尽如人意。

为了保持词云的一致性，合适的编辑改变方式变得更加重要。并且每个单词的临近单词都应该被考虑，因为它们之间可能有着重要的意义。为此本篇文章提出了一个名为EdWordle的工具，这个工具主要用到了一个使得词云局部和全局上下文感知交互技术。

该工具是一个编辑词云的工具，在编辑词云的过程中，单词之间的邻里关系可以得到很好的保留，并且有着很好的紧凑性，可以用于编辑词云、提升现有词云并作为一个创作工具使用。

继续阅读 =>

作者：I. Cho, R.Wesslen, S. Volkova, W. Ribarsky, and W. Dou

期刊：VAST 2017

1. 介绍

现有大多系统从社交媒体分析过去和正在发生的事件，很少关注一些即将发生的事情；现有预测未来事件的系统都指向了专一的事件类型，比如疾病，死亡，骚乱的预测 。今天的论文使用tweet数据来探测未来事件的可视化系统。

本系统的主要需求可以概括为下面三点：

1. 群众想知道本市最近的音乐会，体育比赛。
2. 零售商想知道人们未来一段时间的购买需求。
3. 政府想知道潜在的大型集体活动，游行。

继续阅读 =>

作者：Gennady Andrienko, Natalia Andrienko, Georg Fuchs, and Jose Manuel Cordero Garci

发表：2017 VAST

一、简介

针对不同的分析任务，研究人员会对轨迹中的不同部分感兴趣，例如在研究起飞、降落计划时，只有轨迹中的起始与结束阶段是有用的。对数据中与与分析任务有关的部分进行聚类，叫做相关聚类（Relevance-aware Clustering）。一般情况下，相关聚类只需要提前把数据处理好，过滤掉数据中的无关部分，存储处理好的数据即可，但是在分析过程中对相关与不相关的判断会不断发生变化。因此，本文针对轨迹的相关聚类，提出了一套完整的工作流程与分析方法。文章所用的数据集为飞行轨迹数据，但文章提出的方法适用于其他所有类型的轨迹。 继续阅读 =>

作者：Dominik Moritz, Danyel Fisher, Bolin Ding, Chi Wang

发表：2017 CHI

一、简介：

探索式数据分析可以理解为一个分析多维数据的过程，主要通过探索数据分布及不同维度之间关联关系来完成分析过程。在这个过程中，最重要的两个要素是迭代探索与探索速度。近似查询（Approximate Query）是在探索式数据分析中常用的查询方法，能够在交互级别的响应时间内建立一个基于近似的可视化结果，但查询结果往往具有不确定性。本文提出了乐观可视化（Optimistic Visualization）的概念方法，并通过实验验证了其有效性。

继续阅读 =>

作者：Younghoon Kim, Kanit Wongsuphasawat, Jessica Hullman, Jeffrey Heer
发表：2017 CHI (Best paper honorable mention)

简介 在实际使用时，用户可能会有连续查看多个图表的需求，然而已有的推荐系统只关注单一图表。本文的作者考虑可视化之间的相似性和顺序，给出了GraphScape——一个可以结合顺序评估变换成本的有向图模型。

继续阅读 =>

论文：TopKube: A Rank-Aware Data Cube for Real-Time Exploration of Spatiotemporal Data

作者：Fabio Miranda, Lauro Lins, James T. Klosowski, and Claudio T. Silva

继续阅读 =>

论文：iSphere: Focus+Context Sphere Visualization for Interactive Large Graph Exploration

作者：Fan Du , Nan Cao , Yu-Ru Lin

发表会议：Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems. ACM, 2017

介绍

图布局是信息可视化中一个重要的任务。然而，随着数据量的增加，传统的图布局方法生成一个“好”的图布局结构越来越困难。降维方法可以将一个高维向量映射为低维空间中的向量，这和图布局的目标是类似的。尽管基于降维的图布局似乎很简单，但是这方面却少有相关的工作。这片文章基于对t-SNE降维方法提出了一个新的图布局方法，tsNET（*）。tsNET（*）将原始的图的拓扑结构表达为一个距离矩阵，并且通过对t-SNE目标函数的少许修改，达到更好的图布局结果。

标题：Structuring Visualization Mock-ups at the Graphical Level by Dividing the Display Space

作者：Romain Vuillemot and Jeremy Boy

发表：2017 TVCG (InfoVis)

一、背景