搜索结果 分类目录: 论文评述
论文：Comparing Clusterings Using Bertin’s Idea
会议：Infovis 2012
作者：Alexander Pilhöfer, Alexander Gribov, and Antony Unwin
本文介绍了一种对多类别型（或多聚类）数据可视化结果重排布优化的度量及方法。
1981年J.Bertin在《A Semiology of Graphics》一书中强调，有序概念的发现会是逻辑简化的终点。这样的思路放之可视化，则意为一个好的排序会明显改善可视化的效果。
而在多类别型数据的可视化中，类别之间的排列顺序对可视化结果的影响可以下图为例，对ecotest数据集进行聚类之后得到两个类别，用fluctuation图表进行可视化。 继续阅读 =>
论文：A Gradient-Based Comparison Measure for Visual analysis of Multifield Data
会议：EuroVis 2011. Best paper 3.
作者：Author: Suthambhara Nagaraj, Vijay Natarajan, Ravi S. Nanjundiah
本文介绍了一种可高效计算的、对噪音不敏感的、基于梯度的对比度量，用于分析多标量场数据属性之间的关系。相对于已有方法，主要不同在于可支持任意数目的多标量场数据，并且可扩展到时变数据及向量场数据。
本文的主要贡献在于，提出了一种新的对比度量，用于捕获和分析多标量数据场各个数据属性之间的关系，同时，通过展示对标量场噪音的不敏感性，从理论上阐述了其鲁棒性。第三，给出了一套相适应的快速计算算法，计算该度量。最后，通过在真实数据的应用验证了其有效性。
本文提出的对比度量叫做 multifield comparison measure,多场对比度量，这是一种基于梯度的对比度量。它被定义为多变量场中，由各个标量函数的梯度所组成的向量矩阵的模的形式。如下，f1到fm是标量场函数，x1到xn是局部坐标系。 继续阅读 =>
论文：Semantic Interaction for Sensemaking: Inferring Analytical Reasoning for Model Steering
会议：VAST 2012
作者：Alex Endert, Patrick Fiaux, Chris North
作为一种认知方式，可视分析通过可视化和交互界面使用户得到原始数据、计算模型以及可视化视图中的信息，因此怎样合理构建“用户-可视化-计算模型”之间的交流方式是可视分析中的重点之一。本文提出了语义交互（Semantic Interaction）这一意义构建（sensemaking）方式，旨在建立一种用户可理解、并且可将用户所理解的意义反馈给计算模型的交互手段。
论文：Interaction Support for Visual Comparison Inspired by Natural Behavior
会议：Infovis 2012
作者：Christian Tominski, Camilla Forsell, and Jimmy Johansson
可视比较是交互式数据探索和分析的固有部分，本文提出了三种具有较高通用性的交互技术，side by side，shine through和folding，如图所示： 继续阅读 =>
论文：Just-in-Time Annotation of Clusters, Outliers, and Trends in Point-based Data Visualizations
会议：VAST 2012
作者：Eser Kandogan
大家都在如何投影、自动聚类等算法上纠结反复的时候，Eser直截了当地在可视化的原图上做标注，也在挖掘信息上取得了不错的结果，为用户提供了明确的语义指导。
顾名思义，文章主要的集中在三种特征的标注上——聚类、异常点、趋势，同时为了达到很好的交互效果，要能及时的做出反馈，所以使用的算法时间复杂度的要求很高，一般不超过O(n^2)。暂时这篇只在点集上做了工作，其他数据集上也可以做些尝试。
论文：Motif Simplification: Improving Network Visualization Readability with Fan, Connector, and Clique Glyphs
会议：CHI2013
作者：Cody Dunne, Ben Shneiderman
图简化技术是大规模网络可视化衍生出来的一个问题，对于数据量大（一般网络布局对上千个点和边的处理就已经非常勉强）结构复杂的网络，除了利用交互获取网络局部信息之外，就是要使用图简化的技术了。图简化技术也分点聚合(node aggregation)、边剪枝(edge pruning)和边绑定(edge bundling)三种：边绑定有多种模型，基于骨架的(energy-based)，基于能量的(energy-based)等等；边剪枝的典型就是构建网络的最小生成树；这篇论文描述的是第一种点聚合技术。