论文：VA^2: A Visual Analytics Approach for // Evaluating Visual Analytics Applications
作者：Tanja Blascheck, Markus John, Kuno Kurzhals, Steffen Koch, Thomas Ertl
发表会议：VAST 2015
本文提出一个用于展示和分析“用户如何使用可视化分析系统”的高度交互可视化的环境，途径是分析用户在可视分析过程中产生的thinking aloud, interaction, and eye movement数据。
经过一周紧锣密鼓的预处理及投票，第六届VAG小组全明星阵容正式出炉！（此处应该有掌声）
学术大帝：
第一名：吴斐然；
没什么好说的，按publication积分得到。教父和论文水平和他的PS技术一样高超。
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。
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 =>
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。
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。
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。
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。
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1
