论文：D-Map: Visual Analysis of Ego-centric Information Diffusion Patterns in Social Media

作者：Siming Chen, Shuai Chen, Zhenhuang Wang, Jie Liang, Xiaoru Yuan, Nan Cao, Yadong Wu

发表：2016 VAST Conference track

一、简介

本文研究微博上的社交媒体数据，研究目标为：挖掘信息扩散的模式以及重要社交媒体用户在信息扩散的过程中发挥的作用。这样的研究通常面临三个主要挑战：异构社交媒体数据、难以定义的用户影响力和复杂的可视设计。为了解决上述问题，本文提出了一种使用地图作隐喻的可视化设计——信息扩散地图，在该图上展示信息传播的历史过程以及用户行为变化过程。

继续阅读 =>

论文：《SAGE2 – A New Approach for Data Intensive Collaboration Using Scalable Resolution》

作者： Thomas Marrinan, Jillian Aurisano, Arthur Nishimoto, Krishna Bharadwaj, Victor Mateevitsi, Luc Renambot, Lance Long, Andrew Johnson. 通讯作者：Jason Leigh

发表：Best Paper Awards of CollaborataCom 2014

一、简介

SAGE2 作为一款中间件，支持分辨率可拓展的共享显示(SRSD, Scalable Resolution Shared Displays)，通过浏览器支持实时多用户的协同合作：

- 它支持如上所示的原型应用；

- 同时用户可向服务器上传文件、视频 (pixel streams) 来分享工作进展；

- 它也支持多用户实时交互。

http://sage2.sagecommons.org/videos/ 中的视频 ”SAGE2 capabilities” 比较好地描述了 SAGE2 的各个功能。

继续阅读 =>

论文：UnTangle Map: Visual Analysis of Probabilistic Multi-Label Data

作者：Nan Cao, Yu-Ru Lin, and David Gotz

发表：TVCG2015

研究对象：概率多标签数据

一、创新点

- 精确可控的标签节点布局算法

- 提高可拓展性的聚类渲染技术

- 易于理解的评估

继续阅读 =>

论文：A Visual Analytics Approach for Categorical Joint Distribution Reconstruction from Marginal Projections

作者：Cong Xie, Wen Zhong, and Klaus Mueller

发表会议：VAST2016

介绍

通常情况下，我们获得的多变量数据并不是等多元元组的集合，而是一些属性的子集的投影。例如，我们可能会找到有5个属性的数据，但我们得到的并不是一个完整的表格，这些数据以两两维度存储在六个表中。所以我们想要从边缘分布重构联合分布。目前已知的方法都通过迭代过程来估计联合分布。当前的这些方法存在以下两个问题：一、没有足够的边际分布和专家知识，结果的误差较大。二、如果属性不是数值型的而是类别型的，求解过程中的正则化是不适用的。作者提出了一个结合多种数据和领域专家只是的可视分析方法，以迭代的方法来缩小合理解的数量。

继续阅读 =>

怎样描述一个很大的动态图，或者说我们怎么去找出现实中动态图的一些模式，我们怎么评估它们的重要性。这就是这篇文章要解决的问题。纵然有许多的图算法适用于各种情况，但是传统聚类和社团搜索的目标并不是我们现在要追求的。何况它们也不能给出输出的特性的描述。

基于此，本文提出了TIMECRUNCH的算法，把动态图按照有时序标志的静态图的组合，找出成本最小的表示，并从中找出想要找的模式和特殊结构。而且最终，作者应用TIMECRUNCH分析大的动态网络，找到了多种模式和异常状态，这些表明了现实图确实展现了时序结构。

与之前的一些常用方法相比较。TIMECRUNCH可处理多种形式的图。

继续阅读 =>

论文：Visually Comparing Weather Features in Forecasts

作者：P. Samuel Quinan, Miriah Meyer

发表会议：TVCG2016

介绍

气象学家通过可视化结果来考察天气特征中的信息，对天气预报提供帮助。文章作者与气象学者合作，指出天气可视化中遇到的两个主要挑战：1)各种可视化方案之间不一致；2)对于一组预报结果中特征的关联缺少直接的可视化支持。在这项工作中，作者考察了若干个气象数据，对于不同的问题类型，提出了一组有效的可视化方案，在一个开源工具WeaVER中体现了这些可视化方法；并思考在使用气象数据中遇到的挑战。

多维气象数据可视化方案

作者从不同来源搜集了具有代表性的一系列气象数据可视化结果。考察这些图像之后，肯定了其中一些符合可视化原则的有效方法、并对其它一些情况给出了改进的方案，以提高气象研究者的效率。

1)对于相互独立的场（即解读其中一个场的信息不需要对另一个场的知识），建议在底层颜色图、一组轮廓线、一组纹理或符号这三种视觉编码中组合，以对应于2个标量场以及1个标量或向量场。下图是其中一个例子：

继续阅读 =>

暑期学校实际报告中有的PPT和U盘里的改动比较大，在这里列出来

1.  应用场景下的数据基本分析流程和分析方法

论文信息：Cornel, D., Konev, A., Sadransky, B., Horváth, Z., Brambilla, A., Viola, I., & Waser, J. (2016). Composite Flow Maps. Computer Graphics Forum, 35(3). http://doi.org/10.1111/cgf.12922

流图（Flow maps）编码成带箭头的线段，线段之间顺序连接一些节点，线段的宽度表示流的度量。流图常用于运动对象在不同位置间的移动过程。例如，物流系统中货物的运输过程；紧急事故发生时，人群的逃生过程；洪水灾难发生时，潮流的变化过程等。为了有效地提供决策，在这些应用中通常需要同时观察多种流的特性，如不同的运动方向、不同的运输材料、从不同房间逃生的人群、可能的形势（“最坏”、“至少”、“期望”）等。在不同的应用场景中，决策者可能需要掌握流的总体趋势，或者需要了解流的局部详细特征。

在这篇论文中，作者提出了一种从大量运动数据中自动生成流图的技术。该技术能够在一个可视化视图中同时呈现多种不同的流的属性，如不同的材质、方向、流的起点和终点。此项技术的基础是根据应用的语义和地理空间上下文把空间分割成多个区域。分割后，计算相邻区域之间的流属性数据。生成的流图可以在不同地图层级间变化，而且能够保留重要的细节特征，如图1（点击图片查看大图，下同）所示。

流图的生成过程

第一步首先对兴趣空间将其分割成一维（图2上部分）或二维（图2下部分）区域。随后计算所有相邻区域间的边界流（border flows）的各项参数（图2b）。边界流通过计算从一个区域到另一个区域的流量值的总和来获取。而判断两个区域是否相邻的方法是一维上两个区域是否共享同一个端点，二维上是否共享多边形的边。通过分割和计算，区域及其连接关系可以通过抽象的区域图来表示（图2c）。最后将抽象的空间关系图映射到地图上(图2d)。

继续阅读 =>

继续阅读 =>