搜索结果 分类目录: 论文评述

Finding Similar People to Guide Life Choices: Challenge, Design, and Evaluation

文章标题: Finding Similar People to Guide Life Choices: Challenge, Design, and Evaluation

来源: CHI 2017, 获得Best Paper Honorable Mention (top 5%)的荣誉

作者:  Fan Du, Catherine Plaisant, Neil Spring, Ben Shneiderman

作品网页: http://hcil.umd.edu/peerfinder/

一、基本问题与动机

人们往往会寻找相似个体来指引他们做出人生选择 (Life Choice), 比如说, 病人往往会接受这样的治疗: 这种治疗在别的和他身体条件差不多的、症状也类似的人身上起作用; 新学生希望遵循前面的人轨迹, 那些有着相似背景和学术表现的人, 最后能够有一个好的职业生涯. 若用传统工具去query会异常复杂, 还可能不返回结果, 毕竟每个人都是独特的个体, 有些属性不能完全的准确匹配. 作者们做的这个大的项目已经持续了十年多, 与诸如医疗研究者\医生\市场营销\交通分析等领域合作, 长期目标是支持prescriptive的用户界面; 而本文主要关注寻找相似个体的寻找过程.
本研究的贡献点在于:
  • 提出了寻找相似个体来指引人生所面临的挑战
  • 实现了一个灵活的原型系统, 它允许用户探索不同层次的控制和上下文、并优化寻找结果
  • 原形系统不同界面配置、基于此的用户调研与访谈

继续阅读 =>

Sketching Designs Using the Five Design-Sheet Methodology

论文:Sketching Designs Using the Five Design-Sheet Methodology

作者:Roberts J C, Headleand C, Ritsos P D.

简介:草图在设计不同方案时非常有用。低保真度的草稿可以节省时间,更快的获取更好的解决方案。这个过程常常太过随意,用户不知道如何管理思维和想法。本文提出了FdS(Five Design Sheet)方法学,指导用户如何通过低保真的草图规划和表达想法,得到最终的设计实现。

继续阅读 =>

利用嵌套平行坐标图进行多分辨率气象数据集合的参数分析

利用嵌套平行坐标图进行多分辨率气象数据集合的参数分析

Multi-Resolution Climate Ensemble Parameter Analysis with Nested PCPs

会议: VAST2016/ Session Machine Learning

作者: Junpeng Wang, Xiaotong Liu, Han-Wei Shen and Guang Lin

系统截图如下

一、气象预测数据集及相关问题简介:

气象学中, 对流是降雨形成原因。 给定一个大气状态和大气移动参数的值(对流参数),根据已有信息迭代地运行模拟来得到下一个时间段的状态。 一般将感兴趣的空间区域离散化划分成一块块网格,在这些网格上迭代计算,计算下个时间段的状态,网格大小即是分辨率。为了提升准确率,会采用不同参数调节机制,这样就导致了多组参数;另在不同的分辨率下模拟可捕捉不同尺度下的特征,导致了 多分辨率时空气象ensembles这样的数据集。

在相关领域研究中,这样的预测模型有一定的局限性:模型对于参数设定与分辨率都很敏感,高分辨率模型不一定总比低分辨率的好、而且计算开销不同,分辨率越精细开销越大。为此,领域专家需要分析一些问题,来应对这样的局限性。比如:不同参数之间的关联(correlation);这样的关联在不同分辨率下是否可转移(transferable);对流参数和时空模拟ensemble数据(输出)间的关系。

继续阅读 =>

Vega-Lite: A Grammar of Interactive Graphics

论文:Vega-Lite: A Grammar of Interactive Graphics

作者:Arvind Satyanarayan, Dominik Moritz, KanitWongsuphasawat, and Jeffrey Heer

发表:InfoVis 2016

 

在 InfoVis 2016 上,UW 交互数据实验室 提出了一种新的交互数据可视化语法——Vega-Lite,获得了今年的 best paper,本文将根据其论文从多个角度介绍 Vega-Lite。论文地址

什么是 Vega-Lite?

简而言之,Vega-Lite 是一种数据可视化的高级语法,能够快速定义一些基本的交互式数据可视化。

如果你听说过 Vega,那么光看 Vega-Lite 的名字就不难想到它们的关系。Vega-Lite 就是编译成 Vega 的更高级图形语法。

如下图所示,只要右边寥寥数行代码,就能定义一个散点图:

继续阅读 =>

NameClarifier: 对论文作者姓名进行消歧的可视分析系统

论文:NameClarifier: A Visual Analytics System for Author Name Disambiguation

作者:Qiaomu Shen, Tongshuang Wu, Haiyan Yang, Yanhong Wu, Huamin Qu, and Weiwei Cui

发表:VAST2016 / TVCG

一、概述

        目的: 不同文献中的作者重名问题

        动机:

- 现有的纯挖掘算法往往采用全局模型, 无法处理一些特殊情况 (比如, 同一篇文章重名; 重名者研究领域高度相似; 重名者研究领域随时间发生变化等等)

- 现有可视化方法很少

        贡献:

- 用可视化方法将原本黑盒解法变成一个白盒的过程

- 提供一种引导用户进行分类的方法而不是简单的给出分类结果

- 提出一种两步去重的过程, 迭代的改良分类结果

二、系统流程

给定一个名字, 输入到这里的是所有这个名字的文献的资料Pre-processor: 对每个publication抽取metadata 给Analyzer然后Analyzer首先将所有有明确身份的文章分组(person1, person2等等以及各自对应的文章的集合), 将剩下的标为歧义的文章. 然后将确定的组与歧义的文章比较估计相似性, 利用的是不同时间所发表刊物的一些属性和共同作者的一些数学关系最后Visualizer展现这些关系, 一共有三个view 第一个view主要是分类那些有着歧义名的文章来到现有的确定组中去, 后面两个view主要是来验证前面的初步结论.

System Pipeline

系统流程

三、数据处理

继续阅读 =>

HindSight: Encouraging Exploration through Direct Encoding of Personal Interaction History

论文:HindSight: Encouraging Exploration through Direct Encoding of Personal Interaction History

作者:Mi Feng, Cheng Deng, Evan M. Peck, Lane Harrison

发表:TVCG2016

背景:

人的记忆力是有限的,并且会随着时间衰减。在数据探索过程中,人们需要花费精力记住自己的探索记录。因此,一项可以支持记录交互历史的可视化技术在数据探索研究领域将会有很大影响。

简介:

HindSight是指描述直接在原有可视化系统上展现交互历史的设计原则的涵盖性术语。文章提出了一个假想:在探索性分析中,直接编码的个人历史可以对用户行为产生积极的影响。为了验证这个假想,他们进行了实验:把HindSight用于3个已有的可视化系统中,来检验HindSight原则的价值。

HindSight原则的核心想法是(在数据编码的基础上)将用户的 交互 也编码到可视化设计中。

实验过程:

实验使用了3个交互性的可视化系统(MetaFilter,255Charts,Storytelling),分别设置了实验组和对照组。实验参与者为AMT(“机械的土耳其人”网站)的雇员。

继续阅读 =>

VisDock: A Toolkit for Cross-Cutting Interactions in Visualization

论文:VisDock: A Toolkit for Cross-Cutting Interactions in Visualization

作者:Jungu Choi, Deok Gun Park, Yuet Ling Wong, Eli Fisher, and Niklas Elmqvist

发表期刊:TVCG2014

VisDock提供可嵌入D3代码的JS库,为D3创建的可视化添加额外的工具栏(类似于PS/AI),可以简单地添加各种交互如平移、缩放、框选、添加标签等等操作。

继续阅读 =>

Spatio-Temporal Modeling and Prediction of Visual Attention in Graphical User Interfaces

这篇文章中,Pingmei Xu等人提出了一个 对于GUI中人的视觉注意进行时空预测的模型。这个模型基于图形界面、用户的鼠标和键盘输入,不依赖于眼动追踪仪器,能够帮助我们很好地捕捉和预测用户在GUI上的注意力。

在人机交互的领域,视线(Gaze)有着重要的意义。它既可以作为外显的输入,用于对沉浸式设备(例如虚拟现实眼镜)进行交互控制,同时也是一种内隐的输入,表现用户的兴趣与关注。在人机交互中,视线的使用也有着一些基本的局限性。对于视线的估计需要特殊的眼动跟踪仪器,这些仪器往往造价不菲,难以入手,因此并非在大多数场合都是通用的。此外,眼动追踪仪只能告诉我们用户视线当前和过去位置,无法预测用户未来可能关注的位置。对于这些问题,一种常见解决办法是使用视觉注意的计算模型。典型地,它会将一张图片作为输入,预测那些局部特征和周围显著不同的区域,认为它们最可能在接下来被用户注意到。这些模型有着局限性,主要在于:没有考虑到用户的其他输入;没有考虑到界面信息;没有考虑到用户的交互历史。

继续阅读 =>

TelCoVis: 基于城市电信数据的人群共现行为的可视探索

TelcoVis: Visual Exploration of Co-occurrence in Urban Human Mobility Based on Telco Data

本文是2015年VIS中SciVis的文章,并被TVCG收录
简介
本文利用广州的的电信数据(telco data)对人口流动(human mobility)中的共现现象 (co-occurrence)进行可视分析. 所谓共现, 简单的理解为来自区域A和区域B的人在同一时间段内到了同一个地方. 这种现象的分析研究有很多实际应用, 例如
1) 帮助城市规划者应对流行病, 帮助社会科学家洞察和建模人的社交 (比如富人与穷人之间的交流)
2) 帮助商店店主了解在特定时间段造访餐厅, 商场的人的类型, 以便进行有针对性的促销, 做出更好的商业决策
3) 帮助管理者估计高峰期在地铁口, 高速公路入口共现的人的数目
随着(智能)手机越来越普及, 收集到的电信数据也更加细粒度, 数据量也愈发庞大. 这些数据使得我们能够进行更好的对人类行为的分析, 比如上面提及的共现现象.
.
继续阅读 =>

AggreSet-基于元素聚合的丰富且可扩展的集合探索

AggreSet: Rich and Scalable Set Exploration using Visualizations of Element Aggregations

M. Adil Yalçın, Student Member, IEEE, Niklas Elmqvist, Senior Member, IEEE, and Benjamin B. Bederson
InfoVis2015
系统预览

图1 系统预览

本文的三位作者均来自马里兰大学帕克分校。文章针对set-typed(类别型多值)属性的可视分析进行了建模,并实现了一个功能丰富、数据可拓展的探索系统。
继续阅读 =>

第 1 页,共 6 页12345...最旧 »