Domain-Centered Support for Layout, Tasks, and Specification for Control Flow Graph Visualization
编译器、性能分析和安全等领域的计算专业人员经常在工作中分析和操作控制流图（CFG）。CFG是描述程序执行中指令的可能排序的有向网络。可视化CFG是开发或调试使用它们的计算方法的常见活动。然而，一般的图形绘制布局，包括经常应用于CFG的分层布局，并不捕获特定于CFG的结构或任务，因此所得到的绘图可能不匹配其受众的需求，特别是对于更复杂的程序。虽然一些算法在指定布局方面提供了灵活性，但它们通常需要这些潜在用户不具备的图形绘制布局和图元的专业知识。为了将特定于领域的CFG绘图带给这些受众，我们开发了CFGConf，这是一个旨在匹配CFG专家抽象级别的库。CFGConf提供了一个JSON接口，可以生成独立的图形，也可以集成到多视图可视化系统中。我们开发了CFGConf通过与专家的交互式设计过程，同时结合从以前的CFG可视化系统，在计算系统会议的CFG绘图惯例的调查，和现有的设计原则符号的经验教训。我们评估CFGConf的表现力，可用性和记谱效率，通过用户研究和说明性的例子。CFG专家能够使用该库来生成领域感知布局，并赞赏该规范的任务感知性质。
2022-09-26 cs.HC
Composition and Configuration Patterns in Multiple-View Visualizations
多视图可视化（MV）是一种布局设计技术，通常用于帮助用户在单个内聚表示中查看大量数据属性和值。由于其通用性，MV设计已被可视化社区广泛采用，以帮助用户检查大型，复杂和高维数据并与之交互。然而，虽然无处不在，但很少有工作对MV进行分类和分析，以便更好地了解其设计空间。因此，在如何有效使用MV设计方面几乎没有指导方针。在本文中，我们提出了一个深入的研究如何在实践中设计MV。我们专注于多视图模式的两个基本措施：组成，量化什么视图类型，有多少;和配置，其特点是在显示空间中的视图布局的空间安排。我们构建了一个新的数据集，包含从IEEE VIS，EuroVis和PacificVis出版物2011年至2019年收集的360幅MV图像，并为这些可视化图像的视图类型和布局进行细粒度注释。从这些数据中，我们使用术语频率和布局拓扑的定量指标进行组成和配置分析。我们确定围绕MV的常见实践，包括视图类型的关系，流行的视图布局，以及视图类型和布局之间的相关性。我们将研究结果结合到MV推荐系统中，提供交互式工具来探索设计空间，并支持基于实例的设计。
2020-08-04 cs.HC
Understanding the Impact of Referent Design on Scale Perception in Immersive Data Visualization
本文通过受控用户研究评估了沉浸式可视化中参照物布局和尺寸对尺度感知的影响，发现in-situ布局显著提升准确性与置信度，中等尺寸参照物在效率任务中表现最佳，并据此提出了设计指南。
2024-03-24 cs.HC
Visualization and Comparison of AOI Transitions with Force-Directed Graph Layout
本文提出一种基于分层AOI结构和N-grams的注视轨迹可视化方法，通过力导向图布局展示多AOI间的转换模式及多轨迹差异，帮助分析人员高效发现注视趋势和参与者差异。
2025-05-24 cs.HC
The Architect: Interactive Visualization of Deep Learning Mathematics Directly in Microsoft Excel
University of Colorado Boulder（科罗拉多大学博尔德分校）
该研究提出名为 The Architect 的系统，可将微软 Excel 变为深度学习数学交互式视图，支持可视化神经网络计算、生成 PyTorch 代码片段，助力理解小型神经网络。
2026-08-17 cs.AI cs.HC
Falx: Synthesis-Powered Visualization Authoring
现代可视化工具旨在让数据分析师轻松创建探索性可视化。当输入数据布局符合可视化设计时，用户可以通过将数据列映射到设计的视觉通道来容易地指定可视化。然而，当数据布局和设计之间存在不匹配时，用户需要在数据转换上花费大量精力。我们提出了Falx，一个合成动力的可视化工具，允许用户以类似简单的方式指定可视化，但无需担心数据布局。在Falx中，用户使用输入中的具体值如何映射到视觉通道的示例来指定可视化，Falx自动推断可视化规范并转换数据以匹配设计。在一项由33名数据分析师参与的关于四个涉及数据转换的可视化任务的研究中，我们发现用户可以有效地采用Falx来创建他们无法实现的可视化。
2021-02-01 cs.HC cs.PL
Evaluation of two interaction techniques for visualization of dynamic graphs
动态图的可视化的几种技术是基于不同的空间安排的时间序列的节点链接图。文献中的许多研究已经调查了在这个时间序列上维护用户的心理地图的重要性，但通常每个布局被认为是一个静态的图形绘制和用户交互的影响被忽视。我们进行了一个基于任务的控制实验，以评估两个基本的互动技术的有效性：调整布局的稳定性和突出显示相邻的节点和边缘。我们发现，一般来说，这两种交互技术提高了准确性，有时以较长的完成时间为代价，突出显示超过了许多任务的稳定性调整，除了最复杂的。
2016-08-31 cs.HC
Comparative Layouts Revisited: Design Space, Guidelines, and Future Directions
我们对三种比较布局（即，并置、叠加和显式编码），它们是设计用于支持比较任务的信息可视化（InfoVis）布局。在过去的十年中，这些布局已经成为设计许多可视化系统的基本习惯用法。然而，我们发现，布局已使用不一致的术语和混乱，从以前的研究是支离破碎的教训。我们的研究目标是从以前的研究中提炼出一个一致的和可重用的框架。我们回顾了127篇研究论文，其中包括15篇采用比较布局的定量用户研究论文。我们首先通过建议清晰的术语（例如，图表式和项目式并置）。然后，我们确定了比较布局的各个方面，如在现实世界中使用每种布局的优势和问题，以及研究人员克服这些问题的方法。在Gleicher等人的初步见解的基础上建立我们的知识。的调查，我们详细阐述了相关的经验证据，我们从我们的调查（例如，布局在不同研究设置中的实际有效性）并识别原始工作没有覆盖的新颖方面（例如，人们对布局的熟悉度）。最后，我们展示了比较布局的性能上的一致和矛盾的结果，并通过提出权衡和七个可操作的指导方针，为使用布局提供了实际意义。
2020-09-01 cs.HC
Fields, Bridges, and Foundations: How Researchers Browse Citation Network Visualizations
本研究通过分析18名研究人员使用网络简化界面浏览引文网络的行为，揭示了识别论文的六种模式（分为领域、桥梁和基础及两种视角），发现面向连接的方法更可靠但面向布局更常用，强调需平衡二者以提升系统有效性。
2024-09-11 cs.HC
A parent-centered radial layout algorithm for interactive graph visualization and animation
我们已经开发了（1）一个图形可视化系统，允许用户通过查看它们作为一系列交互选择的生成树来探索图形，（2）一个径向图布局算法，以及（3）一个动画算法，该算法生成有意义的可视化和图形之间的平滑过渡，同时最大限度地减少过渡期间和静态布局中的边缘交叉。我们的系统类似于Yee et al.（2001）的径向布局系统，但主要区别在于每个节点都位于以其自己的父节点为中心的坐标系上，而不是所有节点都位于单个坐标系上。因此，我们的系统很容易定义递归和本身的并行化。它还保证布局具有许多很好的属性，例如：它保证某些边缘在动画期间不会交叉。我们比较了我们的算法所产生的布局和过渡Yee等人。从几个实验的结果表明，我们的系统产生更少的边缘交叉之间的图形绘制的过渡过程中，和过渡更经常涉及局部缩放的变化，而不是结构。这些发现表明，该系统有希望作为一个互动的图形探索工具，在各种设置。
2006-06-01 cs.CG cs.GR cs.HC
How Aligned are Human Chart Takeaways and LLM Predictions? A Case Study on Bar Charts with Varying Layouts
本研究以不同布局柱状图为案例，通过三项实验评估LLM生成图表结论与人类结论的对齐程度，发现LLM难以生成准确结论且比较类型与人类不匹配，揭示了其在模拟人类数据解释时的挑战与机遇。
2024-09-23 cs.HC
CerebroVis: Designing an Abstract yet Spatially Contextualized Cerebral Arteries Network Visualization
人脑中的血液循环是通过脑动脉网络供应的。如果临床医生怀疑病人有中风或其他脑血管疾病，他们会安排成像检查。神经放射科医生在视觉上搜索扫描结果中的异常。他们的视觉搜索任务对应于浏览和路径跟踪的抽象网络分析任务。为了帮助神经放射科医生识别脑动脉异常，我们设计了CerebroVis，一种新颖的抽象-但空间背景化-脑动脉网络可视化。在这项设计研究中，我们贡献了一个新的框架和定义的脑动脉系统的网络理论和神经放射学领域的目标，抽象的可视化和网络分析任务的特点。通过一个迭代的，以用户为中心的设计过程中，我们开发了一个抽象的网络布局技术，结合脑动脉的空间背景。抽象的可视化能够在3D几何表示上提高域任务性能，同时包括空间上下文有助于保留用户对底层几何的心理地图。我们提供了我们的网络布局技术和原型脑动脉可视化工具的开源实现。我们通过成功布局61个开源大脑扫描来展示我们技术的鲁棒性。我们通过与三位神经放射科医生的混合方法研究来评估我们的布局的有效性。在一项形成性对照实验中，我们的研究参与者使用CerebroVis和传统的3D可视化来检查真实的脑动脉成像数据并识别模拟的颅内动脉狭窄。参与者在使用CerebroVis识别狭窄方面更准确（绝对风险差异13%）。这篇论文的免费副本、评估激励和数据以及源代码可在https://osf.io/e5sxt/上获得。
2019-10-15 cs.HC
MetaGlyph: Automatic Generation of Metaphoric Glyph-based Visualization
基于Glyph-based可视化实现了一个令人印象深刻的图形设计时，与全面的视觉隐喻，帮助观众有效地把握传达的信息，通过揭示数据语义。然而，创建这种基于隐喻字形的可视化（MGV）并不是一件容易的事情，因为它不仅需要对数据的深刻理解，还需要专业的设计技能。本文提出了MetaGlass，一个自动生成MGV从电子表格的系统。为了开发MetaGlass，我们首先进行了定性分析，以了解当前的MGV设计的隐喻体现和设计的角度。在此基础上，我们提出了一个新的框架，通过隐喻图像选择和MGV结构生成MGV。具体地说，MetaGlass基于输入数据语义从在线资源中自动选择具有对应图像的隐喻。然后，我们集成了一个蒙特卡罗树搜索算法，探索设计的MGV相关联的视觉元素与数据维度的数据的重要性，语义相关性，和非重叠。该系统还提供编辑反馈，允许用户根据他们的设计偏好定制MGV。我们通过一组示例，一个使用场景演示了MetaGlastion的使用，并通过一系列专家访谈验证了其有效性。
2022-09-13 cs.HC
LookAtChat: Visualizing Gaze Awareness for Remote Small-Group Conversations
视频会议在我们的日常生活中起着至关重要的作用。然而，许多非语言线索缺失，包括凝视和空间信息。我们介绍LookAtChat，一个基于Web的视频会议系统，它使远程用户能够在小组对话中识别凝视意识和空间关系。利用普通网络摄像头提供的实时眼球跟踪技术，LookAtChat跟踪每个用户的视线方向，识别谁在看谁，并提供相应的空间线索。通过对5名经常使用视频会议软件的参与者进行形成性访谈，我们探索了2D和3D布局中凝视可视化的设计空间。我们进一步进行了一项探索性用户研究（N=20），以评估LookAtChat在三种情况下的表现：基线布局，2D方向布局和3D透视布局。我们的研究结果展示了LookAtChat如何让参与者参与小组对话，凝视和空间信息如何提高对话质量，以及将凝视感知可视化纳入现有视频会议系统的潜在好处和挑战。
2021-08-05 cs.HC
GuidelineExplorer -- Navigating through the Forrest of Actionable Guidelines on Node-Link Graph Visualization
本工作收集并构建节点-链接图可视化的可操作指南，并提出可视化交互系统GuidelineExplorer，将指南直接应用于图，以简化设计过程并促进研究社区合作。
2024-06-08 cs.HC
Context-KG: Context-Aware Knowledge Graph Visualization with User Preferences and Ontological Guidance
The Ohio State University（俄亥俄州立大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出Context-KG框架，通过大语言模型提取用户偏好，结合本体引导布局，提升知识图谱可视化的可解释性和任务性能。
2026-04-11 cs.HC
Literal Encoding: Text is a first-class data encoding
数字人文学植根于文本分析。然而，大多数可视化范式只使用分类，有序或定量数据。必须将文字文本视为要编码到可视化中的基本数据类型。文字文本提供功能，感知，认知，语义和操作的好处。这些都简要说明了一个子集的样本可视化集中在语义单词序列，表明优于标准的图形，地图，树形图，条形图和叙事布局。
2020-09-04 cs.HC
Exploring MLLMs Perception of Network Visualization Principles
Technical University of Munich（慕尼黑工业大学）
研究测试多模态大语言模型是否能在网络布局属性感知任务中匹配人类表现，发现MLLMs在同等条件下表现优于非专家，且提示工程可提升性能，表明其可能依赖视觉代理而非计算实际值。
2026-04-09 cs.HC
Do Boxes Affect Exploration Behavior and Performance in Group-in-a-box Layouts?
Ira A. Fulton Schools of Engineering, Arizona State University（亚利桑那州立大学富尔顿工程学院）；Faculty of Data Science, Osaka Seikei University（大阪成蹊大学数据科学学部）
本文研究了GIB布局中盒子大小对任务性能和眼动数据的影响，发现盒子大小影响任务准确性，但参与者更关注内部边而非盒子大小。
2026-01-16 cs.HC
A Deep Generative Model for Graph Layout
University of California, Davis（加州大学戴维斯分校）
不同的布局可以表征同一图形的不同方面。因此，找到一个“好”的图形布局是图形可视化的一个重要任务。在实践中，用户经常通过使用不同的方法和不同的参数设置在多个布局中可视化图形，直到他们找到最适合可视化目的的布局。然而，这种试错过程往往是偶然的和耗时的。为了向用户提供一种直观的方式来导航布局设计空间，我们提出了一种技术，使用深度生成模型系统地可视化各种布局中的图形。我们设计了一个编码器-解码器架构，从一组示例布局中学习模型，其中编码器表示潜在空间中的训练样本，解码器从潜在空间中生成布局。特别是，我们训练模型，以构建一个二维的潜在空间，用户可以轻松地探索和生成各种布局。我们通过对生成的布局进行定量和定性评估来展示我们的方法。我们的评估结果表明，我们的模型是能够学习和概括抽象概念的图形布局，而不仅仅是记忆的训练样本。总之，本文提出了一种全新的图形可视化方法，其中机器学习模型可以学习从示例中可视化图形，而无需手动定义语法。
2019-10-15 cs.GR cs.HC cs.LG
Using a negative spatial auto-correlation index to evaluate and improve intrinsic TagMap's multi-scale visualization capabilities
本文将负空间自相关指数引入基于TIN的内在标签地图布局方法，通过迭代过滤候选标签优化多尺度可视化能力，实验证明其在紧凑度与时间效率间存在权衡。
2024-08-08 cs.HC cs.IR
Does the Layout Really Matter? A Study on Visual Model Accuracy Estimation
在可视化交互式标签中，用户迭代地为数据项分配标签，直到机器模型达到可接受的精度。此过程的关键步骤是检查模型的准确性，并决定是否需要标记其他元素。在没有标记数据或标记数据很少的情况下，需要对预测进行目视检查。通过降维算法创建的保持相似性的散点图是在这些情况下使用的常见可视化。以前的研究调查了布局和图像复杂性对标签等任务的影响。然而，模型评价还没有得到系统的研究。我们提出了一个实验的结果，研究图像的复杂性和视觉分组的图像模型精度估计的影响。我们发现，在估计模型的准确性时，用户的表现优于传统的自动化方法。此外，虽然图像的复杂性会影响整体性能，但图中项目的布局对估计几乎没有影响。
2021-10-14 cs.HC
Exploring Multiview UI Layouts and Placement Strategies for Collaborative Sensemaking in Virtual Reality
Shahjalal University of Science and Technology（贾拉勒巴德科技大学）；BRAC University（布拉格大学）
研究探讨了虚拟现实中多视图界面布局与放置策略，通过用户研究发现半圆形布局在协作中常见，图像+文本文档降低比较任务负荷，图表降低分类任务负荷，并提出设计指南支持VR协作。
2025-11-22 cs.HC
Interactive Mascot: A Scene-Centric Interaction Grammar for Data Visualizations
University of Maryland College Park（马里兰大学帕克分校）
研究针对以场景为中心的可视化系统交互抽象与语义组件不匹配问题，提出交互式吉祥物语法。通过建模交互行为为组件间信息流及引入依赖图执行模型来实现。实现与Vega-Lite相当性能，涵盖其交互空间且支持多种交互，经用户研究语法可学习可用。
2026-07-21 cs.HC
DataSway: Vivifying Metaphoric Visualization with Animation Clip Generation and Coordination
The Hong Kong University of Science and Technology（香港科技大学）；Newcastle University（纽卡斯尔大学）
本文提出DataSway系统，通过动画片段生成与协调技术，帮助用户创建基于SVG的隐喻可视化动画，提升数据抽象编码的理解与交互体验。
2026-04-25 cs.HC
Advanced Proof Viewing in ProofTool
序列演算广泛用于形式化证明。然而，由于数据的激增，即使是简单的数学论证的证明很快也变得不可能。图形用户界面在这方面有所帮助，但由于它们通常使用Gentzen的原始符号，因此一些问题仍然存在。在本文中，我们介绍了一些证据可视化的标准，我们发现这些标准对于分析证据至关重要。然后，我们评估最近的事态发展，在树的可视化方面的这些标准，并提出了朝阳树布局作为传统的树结构的补充。这种布局将推理构造为围绕根推理的同心圆弧，允许用户专注于证明的结构内容。最后，我们描述了它集成到ProofTool，并解释它如何与Gentzen布局交互。
2014-10-30 cs.HC cs.LO
Ask and You Shall Receive (a Graph Drawing): Testing ChatGPT's Potential to Apply Graph Layout Algorithms
Northeastern University（东北大学）；TU Wien（维也纳工业大学）
大语言模型（LLM）最近风靡全球。他们可以生成连贯的文本，进行有意义的对话，并学习概念和基本指令集-例如算法的步骤。在这种情况下，我们有兴趣通过在ChatGPT上进行实验来探索LLM在图形绘制算法中的应用。这些算法用于提高图形可视化的可读性。LLM的概率性质对正确实现算法提出了挑战，但我们相信LLM从大量数据中学习并应用复杂操作的能力可能会导致有趣的图形绘制结果。例如，我们可以让编码背景有限的用户使用简单的自然语言来创建有效的图形可视化。自然语言规范将使数据可视化对更广泛的用户更容易访问和用户友好。探索LLM的绘图能力还可以帮助我们更好地理解如何为LLM制定复杂的算法;这是一种可以转移到计算机科学其他领域的知识。总的来说，我们的目标是阐明使用LLM进行图形绘制的令人兴奋的可能性，同时对它们所带来的挑战和机遇进行平衡的评估。本文的免费副本以及复制我们的结果所需的所有补充材料可在https://osf.io/n5rxd/?上获得View_only=f09cbc2621f44074810b7d843f1e12f9
2023-03-03 cs.AI cs.HC
PlotThread: Creating Expressive Storyline Visualizations using Reinforcement Learning
Zhejiang Lab（之江实验室）；State Key Lab of CAD&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室）；VIS/VISUS, University of Stuttgart（斯图加特大学可视化与交互系统研究所）；Alibaba Group（阿里巴巴集团）
故事情节可视化是呈现情节演变和揭示人物之间场景互动的有效手段。然而，故事情节可视化的设计是一项艰巨的任务，因为用户需要在美学目标和叙事约束之间取得平衡。尽管基于优化的方法在产生美观和清晰的布局方面已经得到了显著的改进，但是现有的（半）自动方法在1）故事情节设计空间的有效探索和2）故事情节布局的灵活定制方面仍然受到限制。在这项工作中，我们提出了一个强化学习框架，训练一个人工智能智能体，帮助用户有效地探索设计空间，并生成优化的故事情节。基于该框架，我们介绍了PlotThread，一个创作工具，它集成了一组灵活的交互，以支持轻松定制的故事情节可视化。为了将人工智能智能体无缝集成到创作过程中，我们采用了一种混合主动方法，即智能体和设计师在同一画布上工作，以促进故事情节的协同设计。我们通过定性和定量实验评估了强化学习模型，并使用一系列用例演示了PlotThread的用法。
2020-09-01 cs.AI cs.HC
Evaluating Effectiveness of Interactivity in Contour-based Geospatial Visualizations
本文提出一种用于分析任务的基于等高线的交互式地理空间可视化，通过众包用户研究（N=62）验证了交互特征在空间数据范围、地图布局、任务复杂性和用户专业知识方面对数据分析与理解的积极作用，为未来交互设计提供了指南。
2024-10-13 cs.HC
VisCode: Embedding Information in Visualization Images using Encoder-Decoder Network
East China Normal University（华东师范大学）
我们提出了一种称为VisCode的方法，用于将信息嵌入到可视化图像中。该技术可以隐式地将用户指定的数据信息嵌入到可视化中，同时确保编码的可视化图像不失真。VisCode框架基于深度神经网络。我们建议使用可视化图像和QR码数据作为训练数据，并设计一个鲁棒的深度编码器-解码器网络。所设计的模型考虑了可视化图像的显著特征，以减少编码造成的显式视觉损失。为了进一步支持大规模的编码和解码，我们考虑到信息可视化的特点，提出了一种基于显著性的QR码布局算法。本文给出了VisCode在信息可视化背景下的各种实际应用，并从编码感知质量、解码成功率、抗攻击能力、时间性能等方面进行了综合评估，评估结果证明了VisCode的有效性。
2020-09-07 cs.CV cs.HC
An Algorithmic Perspective on Information Visualization
TU Eindhoven（埃因霍温理工大学）
该研究针对Munzner可视化设计模型未充分关注算法视角的问题，提出用清晰算法视角模型补充设计视角，以分离设计与算法关注点，提升可视化研究的可信度与理解深度。
2026-08-03 cs.HC
Toward Systematic Design Considerations of Organizing Multiple Views
多视图可视化（MV）已经用于各种领域中的视觉分析（例如，生物信息学、网络安全和情报分析）。由于每个视图都从特定的角度对数据进行编码，因此分析人员通常使用一组在2D空间中布局的视图来链接和合成信息。这个过程的难度受到这些视图的空间组织的影响。例如，连接来自彼此远离的视图的信息可能比相邻视图更具挑战性。然而，目前大多数可视化分析工具要么固定视图的位置，要么将视图的这种组织完全委托给用户（用户必须手动拖动和移动视图）。这要么限制了用户参与管理MV的布局，要么过于灵活而没有太多指导。然后，MV布局中的一个关键设计挑战是确定影响理解的空间组织中的因素。为了解决这个问题，我们回顾了一组基于MV的系统，并确定了MV布局的考虑因素，根源于两个关键问题：感知，它考虑用户如何感知视图关系，和内容，它考虑数据中的关系。我们展示了如何使我们能够系统地研究和分析MV布局的设计。
2022-07-15 cs.HC
VMap: An Interactive Rectangular Space-filling Visualization for Map-like Vertex-centric Graph Exploration
VMap 提出一种地图式矩形空间填充可视化方法，通过期望纵横比划分、两阶段矩形调整和模拟退火优化，在保证纵横比质量与编码精度的同时支持以顶点为中心的图探索，并在合成与真实数据上验证了其有效性和效率。
2023-05-31 cs.DM cs.GR cs.HC
Visualizing Placement Proposals for Window Arrangement in Mixed Reality: A Comparative User Study
University of Konstanz（康斯坦茨大学）
该研究针对混合现实窗口排列的提案可视化，对比三种可视化技术与手动定位，开展用户研究后发现情境窗口预览布局更快，但参与者更偏好手动控制，为混合方法提供启示。
2026-08-04 cs.HC
A User Study on Hybrid Graph Visualizations
混合可视化在网络的单个布局中混合了不同的隐喻。特别是，由Henry，Fekete和McGuffin在2007年引入的流行的NodeTrix模型，结合了节点链接图和基于矩阵的表示，以支持对全局稀疏但局部密集的真实世界网络的分析。这个想法激发了一系列的作品，提出了NodeTrix的变体或替代品。我们提出了一个用户的研究，比较经典的节点链接模型和三个混合可视化模型，旨在工作在相同类型的网络。我们的研究结果提供了有趣的迹象所考虑的模型在执行经典的分析任务的优点/缺点。同时，我们的实验也有一定的局限性，并为进一步的研究开辟了道路。
2021-08-23 cs.HC cs.SI
Visualizing Extensions of Argumentation Frameworks as Layered Graphs
TU Wien（维也纳工业大学）；Imperial College London（伦敦帝国学院）；TU Eindhoven（埃因霍温理工大学）
针对论证框架及其扩展的可视化需求，本文提出三层图布局，并通过基于 ILP 的精确方法和快速启发式流程最小化边交叉，验证了其在大型实例上的可行性与接近最优的效果。
2024-09-09 cs.AI cs.HC
Semantic Snapping for Guided Multi-View Visualization Design
University of Bergen（卑尔根大学）
视觉信息显示通常由用于促进对底层数据的理解的多个可视化组成。一个常见的例子是仪表板，它经常用于财务、流程监控和商业智能等领域。然而，用户可能不知道现有的指导方针，并缺乏专业的设计知识时，组成这样的多视图可视化。在本文中，我们提出了语义捕捉，一种方法来帮助非专家用户设计有效的多视图可视化从预先存在的意见。当一个特定的视图被放置在画布上时，它与其余的视图“对齐”--不是相对于它的几何布局，而是基于视觉编码本身的方面，比如数据维度如何映射到通道。我们的方法使用了一个在飞行过程中检测和建议的冲突，误导，或模糊的设计决议，以及提供建议的替代演示文稿。通过这种方法，可以指导用户避免在编写可视化时遇到的常见陷阱。我们提供的示例和案例研究证明了我们方法的有用性和有效性。
2021-09-17 cs.CV cs.HC
MySemCloud: Semantic-aware Word Cloud Editing
MySemCloud是一种人机协同的语义词云编辑工具，通过力导向布局和局部移动操作，在保留用户心理地图的同时提升语义质量，并优于现有工具。
2023-06-22 cs.GR cs.HC
Tables or Sankey Diagrams? Investigating User Interaction with Different Representations of Simulation Parameters
Siemens AG（西门子股份公司）；Chalmers University of Technology（查尔姆斯理工大学）；Eindhoven University of Technology（埃因霍温理工大学）；Malmö University（马尔默大学）
本研究通过比较桑基图与传统表格界面，发现基于流程的参数可视化能显著降低认知负荷和交互复杂性，提升对复杂系统配置的理解。
2026-01-15 cs.HC cs.SE
Visualization of gene expression information within the context of the mouse anatomy
背景资料：eMouse Atlas of Gene Expression（EMAGE）是一个在线资源，发布了发育小鼠原位基因表达实验的结果。该资源提供了全面的搜索工具，但很少有分析工具或可视化机制来导航数据集。为了解决缺少视觉导航的问题，本文探讨了EMAGE中朝阳和冰柱可视化的应用。结果：原型解决方案提供了一个简单的用户界面，帮助用户查询EMAGE并生成朝阳/冰柱图。EMAGE工作人员对测试对象进行了评估，研究了可视化效果，并提出了一系列改进建议。此外，评估发现，除了提供一种浏览数据的视觉手段外，当分组时，朝阳还提供了一种交互式概览，有助于分析相关基因集。结论：朝阳和冰柱可视化已被证明是总结基因表达数据的有效工具。发现具有节省空间的放射状布局的朝阳对于提供基因家族或途径的概述特别有用。目前正在努力将这些可视化纳入EMAGE。
2014-07-08 cs.GR cs.HC q-bio.QM
graphVizdb: A Scalable Platform for Interactive Large Graph Visualization
我们提出了一个新的平台非常大的图形的交互式可视化。该平台使用户能够以与在多个级别上探索地图非常相似的方式与可视化图形进行交互。我们的方法涉及到一个离线预处理阶段，通过分配坐标到它的节点相对于欧几里德平面的图形的布局。各个点用空间数据结构索引，即，R树，并存储在数据库中。基于各种标准的图的多个抽象层也是离线创建的，并且它们被类似地索引，以便用户可以根据其特定需求以不同的粒度级别探索数据集。然后，我们的系统将用户操作转换为简单且非常有效的空间操作（即，窗口查询）。这种技术允许以极低的延迟和内存要求对非常大的图形进行细粒度访问，并且不会影响工具的功能。我们的基于Web的原型支持三个主要操作：（1）交互式导航，（2）多层次的探索，（3）关键字搜索的图元数据。
2016-02-20 cs.DB cs.DS cs.HC
