HOLA: Human-like Orthogonal Network Layout

论文:HOLA: Human-like Orthogonal Network Layout

作者:Steve Kieffer, Tim Dwyer, Kim Marriott, and Michael Wybrow

发表会议:TVCG 2015

这篇文章设计了一种计算正交网络布局的自动化算法。重点在于,使用这种算法得到的布局能与用户手工绘制得到的结果在结构、布局上保持相似,使其更贴近用户的审美、认知观念。

继续阅读 =>

德国慕尼黑工业大学Rüdiger Westermann教授来VAG实验室交流访问

11月27日,由陈为老师主持,来自德国慕尼黑工业大学的Rüdiger Westermann教授主讲的学术报告于CAD&CG国家重点实验室402会议室召开。

Rüdiger Westermann教授的主要研究方向包括科学可视化,基于物理模型的模拟和实时计算机图形学等。 继续阅读 =>

MobilityGraphs: Visual Analysis of Mass Mobility Dynamics via Spatio-Temporal Graphs and Clustering

论文:MobilityGraphs: Visual Analysis of Mass Mobility Dynamics via Spatio-Temporal Graphs and Clustering

作者:Tatiana von Landesberger, Felix Brodkorb, Philipp Roskosch, Natalia Andrienko, Gennady Andrienko, and Andreas Kerren

发表会议:TVCG2015

了解人类移动的规律对于政策制定和城市规划有着至关重要的作用。移动数据集纪录了人们在不同时刻出现的位置以及人们在不同地点之间的移动流。分析移动数据的困难点在于比较不同时刻的空间位置(spatial situations)以及了解空间位置随时间的变化。传统的流可视化方法会造成大量的杂乱现象,同时现代的方法不支持长时间段下的分析复杂的移动数据。因此,作者提出了一种结合基于时间和空间的简化和可视分析的方法解决了以上问题。

继续阅读 =>

唯心主义观下的可视化–Monadic Exploration: Seeing the Whole Through Its Parts

人类置身于大量数据之中,这些数据包括社交数据中的照片集、每年读过的图书、写过的博客或微博等。对于这些数据,人们不仅希望能看到自己感兴趣数据的详细内容,而且还希望能了解这部分数据所在数据集合的上下文结构。比如说,在看某人的个人信息的同时,还想知道这个人都有哪些朋友,这样可以更全面地了解这个人的情况。从在线社区当中调查发现,从用户已知的知识出发探索数据其实比我们熟知的原则—overview first–更有效。面对大尺度的数据,绘制数据的整体视图往往非常困难,另外,用户也不需要了解全局数据。
受社会学家Bruno Latour的启发,论文从可视化的角度重新解释monad概念。论文提出了一种在复杂关系数据中探索数据的新思想和可视化方法。在此基础上,论文设计了一种探索关系数据空间的交互工具,此工具不仅包含个体视图而且包含总体结构视图。

继续阅读 =>

Refinery: Visual Exploration of Large, Heterogeneous Networks through Associative Browsing

论文:Refinery: Visual Exploration of Large, Heterogeneous Networks through Associative Browsing

作者:S. Kairam , N. H. Riche , S. Drucker , R. Fernandez2 , and J. Heer

发表会议:EuroVis 2105

这篇文章提出了一种基于关联浏览的大规模异构网络可视探索的技术。浏览策略是电子书合集导航中的常用策略。关联浏览则是指以收集特定主题或是一般性知识为目的,按照环境线索不断迭代,最终完成探索目标的浏览过程。

继续阅读 =>

像素点的逆袭:多元数据的时序MDS图分析

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。

继续阅读 =>

VAiRoma- A Visual Analytics System for Making Sense of Places Times and Events in Roman History

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。

图片1

图1

继续阅读 =>

egoSlider: Visual Analysis of Egocentric Network Evolution

论文: egoSlider: Visual Analysis of Egocentric Network Evolution

作者: Yanhong Wu, Naveen Pitipornvivat, Jian Zhao, Sixiao Yang, Guowei Huang, and Huamin Qu

发表会议: VAST2015

文章围绕ego-network的可视化展开. ego-network是社会网络分析研究中一个重要的研究对象, 它由ego(中心人物)和alters(与ego相连的人)组成. 研究ego-network随着时间演化的模式在不同领域(社会学, 人类学等)都是很重要的课题, 也是具有挑战性的问题, 因其具有复杂的时变的图结构.

简单的带tag的ego-network

继续阅读 =>

生物医学计算成像及可视分析学术报告会

10月28日,由陈为老师主持的生物医学计算成像及可视分析学术报告会于CAD&CG国家重点实验室402会议室召开。本次学术报告邀请了美国IUPUI分校的Shiaofen Fang教授、 浙江大学医学院的赵经纬教授以及浙江大学药学院的候廷军教授。

Shiaofen Fang教授的“Visualization Human Brain Connectome”报告,介绍了脑连接结构方面的可视化进展。脑连接结构的挑战在于:一方面,识别连接模式与认知行为的关系的不确定性;另一方面,这个领域的研究需要计算机方面及生物医学专家的共同合作参与。而目前,摆在研究这一领域的科研人员的主要可视化任务有:关于大脑图片的可视化;通过连接网络的可视化方法辅助探索发现;在大脑中确定患病与否的差异。

继续阅读 =>

Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration

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。

继续阅读 =>

第 10 页,共 32 页« 最新...89101112...2030...最旧 »