论文：Revisiting Bertin Matrices: New Interactions for Crafting Tabular Visualizations
作者：Charles Perin, Pierre Dragicevic, and Jean-Daniel Fekete, Member, IEEE
发表会议：InfoVis 2014
表格数据在日常生活中很常见，对表格数据的处理、探索工具也非常多，但作者调查发现已有的系统还是有很大的改进空间，如下为作者对已有系统的调查，行代表系统，列代表特性，其中最后一行为本文系统，可见本文系统在很多特性上都得分很高。
本文是基于Jacques Bertin 提出的操作表格数据的思想：1）对cell进行编码；2）重排或聚类行和列，揭示模式。探索表格数据的很多研究也都是基于该思想的。
Fei Wang, Wei Chen, Feiran Wu, Ye Zhao, Han Hong, Tianyu Gu, Long Wang, Ronghua Liang and Hujun Bao, A Visual Reasoning Approach for Data-driven Transport Assessment on Urban Roads. IEEE VAST 2014. Email: wolflyecn@gmail.com
城市建设过程中道路评估是非常重要的，很多道路由于设置年代久远已经无法满足现代交通需求。传统的评估方法较为费时费力，需要专业的设备采集数据，即使有了数据也需要专业人员试验多种模型检验结果。城市出租车轨迹数据记录了车辆在道路上的行驶过程，由于其数据真实可靠而且覆盖了城市大部分道路，因此在城市规划、交通管理等领域都有广泛应用。例如，根据人类移动模式和POI发现城市不同功能区域，利用历史出租车轨迹预测车辆的行驶路径等。
将出租车数据直接应用于道路评估较为困难。首先，道路评估需要分析特定街道上的数据，分析师可能会任意选择街道和查询时间。其次，道路评估过程应该是交互式的，如何快速从大量的轨迹数据中得到需要的结果具有较大的挑战。针对上述两点，我们实现了一个可视化分析框架帮助分析师评估城市道路中各种现象和可能存在的问题。我们首先提出了一种基于道路的查询模型，该模型以道路和时间段为约束范围，查询该范围内具有特定语义的轨迹。我们将地图划分为均匀网格，相邻的几个网格单元相互连接形成道路的近似表示。如图1所示，直线之间为道路。
图 1 道路网格结构
中文题目：多类散点图的可视简化与探索
作者：陈海东，陈为，梅鸿辉，刘致奇，周昆，陈伟锋，顾文涛，马匡六
发表会议：VAST2014
散点图（scatterplot）是一种使用非常广泛的可视化技术，常用于聚类分析、离群点分析、相关性分析等。多类散点图（multi-class scatterplot）作为散点图的一种扩展，其常用于比较分析应用。然而，随着数据规模的增大，有限的屏幕空间所造成的散点覆叠（overdraw）问题极大地限制了用户对可视化结果的正确感知。此外，不同的散点绘制顺序也会造成可视化结果的不一致性。如图1所示，不同的散点绘制顺序致使同一散点数据呈现出不同的可视化结果。
图1 不同散点绘制顺序对可视化结果的影响
为了克服散点覆叠问题，可视化研究者们提出了一系列方法。改变散点的可视属性（如大小、透明度）是一种非常直观和简单的做法。然而，当散点的可视属性编码了其它信息时，该类方法易造成错误的理解。密度估计（density estimation）是另外一种可用于解决大规模散点数据的可视化方法。该方法易忽略低密度区域中的数据点。当应用到多类散点数据时，该方法还涉及多变量数据场的混合。这本身就是一大可视化难点。另外一类解决散点覆叠的方法称之为空间重分布（spatial redistribution）。其核心思想是将相互覆盖的点移至空白屏幕区域。这类方法本质上改变了数据的内在分布，可视化结果必然存在偏差。交互技术，如缩放（zooming）、焦点上下文（focus+context）亦可用于规避覆叠散点数据的探索。
本文提出了一种基于多类蓝噪声采样的方法实现多类散点数据的可视简化。为了增强简化结果的感知，本文还提出了一个散点颜色优化模型和一些散点形状设计方案。 继续阅读 =>
论文：Neurolines: A subway map metaphor for visualizing nanoscale neuronal connectivity
作者：Ali K.Al‑Awami, Johanna Beyer, Hendrik Strobelt, Narayanan Kasthuri, Jeff W. Lichtman, Hanspeter Pfister, Markus Hadwiger
发表会议：Infovis 2014
一、简介
1. 工作起源——在神经元重建的细节分析过程中，没有有效的可视化方法来辅助分析。这个过程重视：morphology, structure, connectivity
2. 前人工作主要着眼于：
（1） 可视化完全抽象的连接图——弊端：舍弃了morphology和structure信息
（2） 渲染原始EM（电子显微镜）数据——弊端：会产生visual clutter
3. 本文工作：基于解刨学上的树状结构，提出了一个multi-scale（多尺度）可视化方法，用二维的可视化方法去表达三维空间内的数据信息。
文章列表（本section有5篇文章，4, 5两篇暂时没有full paper release出来）：
1. 《A Structure-Based Distance Metric for High-Dimensional Space Exploration with Multi-Dimensional Scaling》
2. 《The Impact of Interactivity on Comprehending 2D and 3D Visualizations of Movement Data》
3. 《GazeVis: Interactive 3D Gaze Visualization for Contiguous Cross-sectional Medical Images》
4. 《An Approach to Supporting Incremental Visual Data Classification》
5. 《Glyph-Based Video Visualization for Semen Analysis》
《A Structure-Based Distance Metric for High-Dimensional Space Exploration with Multi-Dimensional Scaling》
本文主要针对传统MDS方法结果和平行坐标结果不match的问题，基于Structural Similarity Index （SSIM）方法，设计一种新的metric，用于优化MDS结果。
使得MDS结果和平行坐标结果更加一致。
文章列表：
论文：ConTour: Data-Driven Exploration of Multi-Relational Datasets for Drug Discovery
作者：Christian Partl, Alexander Lex, Marc Streit, Hendrik Strobelt, Anne-Mai Wassermann, Hanspeter Pfister and Dieter Schmalstieg
发表会议：VAST 2014
在现有的医药、化学领域探究多种关联性信息的研究中，由于数据尺度、关联性复杂等问题，快速探究多关联性很有难度，本文设计了名为ConTour的针对探索复杂、多关联性数据的交互性可视分析技术。用于探究在药物探索中，对药物潜在有效性和安全性的研究工作。
系统在功能上是对个体项目进行一系列属性关系的重排序；利用列嵌套、筛选等交互在表现具有父子关系的关联信息的交互，通过关系视图表达列与列之间的关联性的强弱、数据丰富的属性；通过细节视图同时表达多个数据集之间的多个个体的关联关系。
本文的相关工作分为三个部分：
1.Graph Exploration：Jigsaw、GraphTail
2.Faceted Browsing：InfoZoom、FOCUS
3.Pharmacology visualization: 相关的医药研究领域的可视化工具
本文的系统设计基于医学上的Biological Fingerprints（基因指纹）的概念，用来记录能够作用在细胞或者有机体上的分子和反应过程。设计的目标需求由相关专业领域的专家们提出：1.系统可以表现药物的反应机制；2.系统可以表现药物机制的生物反应流程；3.系统能够观察到在特定的治疗方案中新药品的潜在效用。
系统的数据是医药公司提供的大规模尺度的Pathways数据，从中我们可以提炼出相关的Gene,Compunds,Fingerprints,Therapeutic Groups数据集，用于探究其中的关联信息。
论文：TenniVis- Visualization for Tennis Match Analysis
作者：Tom Polk, Member, IEEE, Jing Yang, Yueqi Hu, and Ye Zhao.
发表会议：infovis 2014
在现有的对网球比赛的可视化工作中，做的比较多的是对网球轨迹数据和球员跑动轨迹数据。但是这些数据的收集成本都非常高，要求比较高精度的摄影设备和很多其他的人力物力。另外一些可视化工作则是纯粹展示比赛双方的技术统计，用户并不能从这些可视化结果中看到比赛的发展趋势。而本文提出的TenniVis可视化系统只需要用到一些比较容易收集到的数据，用两种简明易懂的视图展示比赛全过程，显著地提高用户观看比赛的效率。系统还提供从盘、局、分这几个级别上的过滤操作，让用户快速筛选出自己感兴趣的比赛片段并从这些时间点切入观看比赛视频。
图1：TenniVis系统界面图
论文: Domino-Extracting,Comparing,and Manipulating Subsets across Multiple Tabular Datasets
作者: Samuel Gratzl, Nils Gehlenborg, Alexander Lex, Hanspeter Pfister and Marc Streit
发表会议:VAST2014 INFOVIS
导引:
介绍一种名为Domino的表数据的多形式可视化技术, 用于表示数据集的子集以及子集间的关系. 该技术给使用者提供了一套对子集进行排列组合和抽出的综合工具, 可以让用户实现常见的普通可视化形式以及针对特殊案例的高级可视化形式.
Domino最核心的两个组成部分是块(blocks)和块关系(block relationship).
详解:
1.块有如下三种分类型, 数值型, 矩阵型. 分类型诸如性别分类:男 女两种. 数值型如 不同歌手唱片数量, 一个小矩形代表一个歌手. 矩阵型中, 两个item type可以一样可以不一样: 如果两个都是同样的城市名称, 那么就可以用此来表示距离矩阵; 不一样可以表示如不同病人的癌症基因表达. 排序: 数值型中是根据数据的值; 分类型中是根据不同group分类被赋予的值,group内部无序的; 是根据两个维度items均值来, 按亮度顺序表示排序的高低.