Automatic Y-axis Rescaling in Dynamic Visualizations
动画和交互式数据可视化动态地改变可视化中呈现的数据(例如,条形图)。随着数据的变化,y轴可能需要随着数据域的变化而重新缩放。每个轴重新调整可能会提高当前图表的可读性,但也可能使用户迷失方向。与静态可视化相比,有相当多的文献来帮助选择适当的y轴尺度,缺乏关于如何以及何时在动态可视化中使用重新缩放的指导。现有的可视化系统和库采用固定的全局y轴,或在每次数据更改时重新缩放。然而,专业的可视化,例如数据新闻,并不采用这两种策略。相反,他们会根据分析任务和数据仔细手动选择何时重新缩放。为此,我们进行了一系列的Mechanical Turk实验,以研究动态轴重新缩放的潜力以及影响其有效性的因素。我们发现,适当的重新缩放政策是任务和数据依赖的,我们没有找到一个明确的政策选择,所有情况下。
2021-09-20 cs.HC
Comparison Conundrum and the Chamber of Visualizations: An Exploration of How Language Influences Visual Design
用于表达比较的语言通常是复杂和微妙的,使得支持基于自然语言的视觉比较成为一项重要的任务。为了更好地理解人们如何在自然语言中进行比较,我们探索了用于比较数据实体的话语的设计空间。我们识别了指示正在比较什么的比较话语的不同参数(即,数据变量和属性)以及如何指定这些参数(即,显式地或隐式地)。我们与16位数据可视化专家和非专家进行了一项用户研究,以调查他们如何在我们的设计空间中设计用于比较的可视化。基于观察到的丰富的可视化技术,我们从可视化中提取了关键的设计特征,并将其合成为16个代表性可视化设计的子集。然后,我们进行了后续的研究,以验证用户的偏好,在我们的设计空间中的话语对应的16个代表性的可视化。这些研究结果为设计自然语言界面和推荐工具提供了指导方针和未来方向,以更好地支持可视化分析中的自然语言比较。
2022-08-07 cs.HC
GistVis: Automatic Generation of Word-scale Visualizations from Data-rich Documents
GistVis 提出一种自动流水线,利用大型语言模型和可视化设计知识从数据丰富文档中生成词级可视化,实验证明其能提升理解准确率并降低认知负担。
2025-02-06 cs.HC
VegaFusion: Automatic Server-Side Scaling for Interactive Vega Visualizations
Vega语法已被越来越多的基于浏览器的可视化工具生态系统广泛采用。然而,参考Vega渲染器不能很好地扩展到大型数据集(例如,数百万行或数百兆字节),因为它需要将整个数据集加载到浏览器内存中。我们引入了VegaFusion,它为Vega生态系统带来了自动服务器端扩展。VegaFusion接受通用Vega规范,并在客户端和浏览器外的本地编译的服务器端进程之间划分所需的计算。大型数据集可以在服务器端处理,以避免将它们加载到浏览器中,并利用多线程,更强大的服务器硬件和缓存。我们演示了如何将VegaFusion集成到现有的Vega生态系统中,并表明VegaFusion大大优于参考实现。我们展示了VegaFusion在与客户端相同的机器上以及在远程机器上运行的这些好处。
2022-08-13 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
ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data
University of Maryland(马里兰大学);Adobe Research(奥多比研究院)
可视化推荐旨在自动生成、评分并向用户推荐有用的可视化,对于快速探索和深入了解新的或现有的数据集至关重要。在这项工作中,我们提出了第一个端到端的基于ML的可视化推荐系统,该系统将大型数据集和可视化语料库作为输入,并根据这些数据学习模型。然后,给定来自任意用户的新的未见过的数据集,模型自动生成该新数据集的可视化,导出可视化的分数,并向用户输出按有效性排序的推荐可视化列表。我们还描述了一个评估框架,以定量评估从大型可视化和数据集语料库中学习的可视化推荐模型。通过定量实验,用户研究和定性分析,我们表明,我们的端到端ML为基础的系统相比,现有的最先进的基于规则的系统,建议更有效和有用的可视化。最后,我们观察到人类专家在我们的用户研究中对我们基于ML的系统推荐的可视化的强烈偏好,而不是基于规则的系统(来自7点Likert量表的5.92,相比之下只有3.45)。
2020-09-25 cs.HC cs.IR cs.LG
Insight-centric Visualization Recommendation
Georgia Tech(佐治亚理工学院);Adobe Research(奥多比研究中心)
可视化推荐系统简化了探索性数据分析(EDA),并通过自动生成可视化供用户探索,使所有技能水平的用户更容易理解数据。然而,大多数现有的可视化推荐系统专注于基于特定属性或编码将所有可视化排列到单个列表或组集合中。这种全球排名使得用户很难找到最有趣或最相关的见解。为了解决这些限制,我们引入了一类新的可视化推荐系统,自动排名和推荐两组相关的见解以及每组中最重要的见解。我们提出的方法结合了许多不同的基于学习的方法的结果,以自动发现见解。一个关键的优点是,这种方法推广到各种各样的属性类型,如分类,数值和时间,以及这些不同的属性类型的复杂的非平凡的组合。为了评估我们的方法的有效性,我们实现了一个新的以洞察力为中心的可视化推荐系统Spotlight,它生成并排名带注释的可视化来解释每个洞察力。我们对12名参与者和两个数据集进行了用户研究,结果表明用户能够快速理解并在不熟悉的数据中找到相关见解。
2021-03-21 cs.AI cs.HC cs.IR
LIDA: A Tool for Automatic Generation of Grammar-Agnostic Visualizations and Infographics using Large Language Models
Microsoft Research(微软研究院)
本文提出 LIDA,将可视化生成建模为多阶段流程,结合 LLM 与 IGM,通过摘要、目标探索、代码生成和信息图模块实现语法无关的可视化及数据故事创作。
2023-06-06 cs.AI cs.HC cs.PL
Comparison of Spatial Visualization Techniques for Radiation in Augmented Reality
本研究针对AR环境中辐射威胁可视化的难题,提出基于AR头显空间感知网格的实时辐射编码方案,通过用户研究对比不同可视化效果,发现各方案无统计优劣但用户偏好差异大,并给出评估建议。
2024-03-08 cs.HC
Metrics-Based Evaluation and Comparison of Visualization Notations
针对可视化符号评估依赖临摹示例和专家启发式的问题,提出基于度量的方法,通过NotaScope工具对9种符号的40个统计图形计算度量,经访谈验证,能形式化并扩展符号比较。
2023-08-30 cs.HC
Leveraging Internet of Things Network Metadata for Cost-Effective Automatic Smart Building Visualization
本文提出一种利用智能建筑现有元数据和 Velocity Verlet 物理粒子模拟自动生成建筑可视化点云的方法,并在两栋建筑中验证了其可行性与成本效益。
2024-08-21 cs.HC
Scalar Field Comparison with Topological Descriptors: Properties and Applications for Scientific Visualization
本文综述了基于拓扑描述符的标量场比较方法,按单场、时变场和集合三类数据对可视化任务进行分类,并提出了比较测度的数学与计算性质及任务分类。
2021-06-01 cs.CG cs.HC
Living Dashboards: Automatically Self-Updating Visualization Dashboards
Seoul National University(首尔大学);Sogang University(西江大学);TU Wien(维也纳工业大学);VRVis GmbH(VRVis有限责任公司);Aarhus University(奥胡斯大学)
本文提出Living Dashboards,一种能根据用户交互和自然语言查询自动调整视图的仪表盘,通过四维设计空间和原型系统验证,在用户研究中优于AI支持基线。
2026-10-07 cs.HC
Automatic Scatterplot Design Optimization for Clustering Identification
散点图是最广泛使用的可视化技术之一。引人注目的散点图可视化通过利用视觉感知来提高执行特定视觉分析任务时的意识,从而提高对数据的理解。散点图中的设计选择,如图形编码或数据方面,可以直接影响底层任务(如聚类)的决策质量。因此,构建既考虑视觉编码的感知又考虑正在执行的任务的框架能够优化可视化以最大化功效。在本文中,我们提出了一个自动工具来优化散点图的设计因素,以揭示最显着的集群结构。我们的方法利用合并树数据结构来识别聚类,并优化用于生成散点图图像的子采样算法、采样率、标记大小和标记不透明度的选择。我们验证了我们的方法与用户和案例研究,表明它有效地提供了高质量的散点图设计从一个大的参数空间。
2022-07-07 cs.HC
Visualizing Comparisons of Bills of Materials
本研究提出复杂对象对比可视化设计的通用分类法,将其分为并置、叠加、显式编码三类可组合的基础模块,通过领域综述验证了分类的完整性,为对比可视化工具开发提供了理论支撑。
2023-09-20 cs.HC
ICE: Identify and Compare Event Sequence Sets through Multi-Scale Matrix and Unit Visualizations
事件序列数据的比较分析在许多应用领域中是必不可少的,例如网站设计和医疗保健。然而,分析师通常面临两个挑战:他们可能并不总是知道数据中的哪些事件序列集可用于比较,并且由于数据的数量和复杂性,比较需要在不同的粒度上实现。本文介绍了,ICE,一个交互式的可视化,允许分析师探索的事件序列数据集,并确定有前途的事件序列集进行比较,在模式和序列水平。更具体地说,ICE结合了基于多级矩阵的可视化,用于基于序列的前缀和后缀浏览整个数据集。为了支持多层次的比较,ICE采用了单元可视化技术,我们进一步探索了事件序列比较任务的单元可视化的设计空间。最后,我们证明了ICE的有效性与来自不同领域的三个真实世界的数据集。
2020-06-23 cs.HC
Visual Arrangements of Bar Charts Influence Comparisons in Viewer Takeaways
设计良好的数据可视化可以让查看者进行更强大、更直观的处理。为了帮助查看者直观地比较值以快速生成关键要点,可视化设计人员可以操纵数据值在图表中的排列方式以提供特定的比较。使用简单的条形图作为案例研究,我们经验性地测试了四种常见排列的比较启示:垂直并列,水平并列,重叠和堆叠。我们要求参与者在图表中输入他们感知到的模式,并将他们的外卖编码为比较类型。在第二项研究中,我们要求数据可视化设计专家预测他们将使用哪种安排来提供每种类型的比较,并发现与我们的发现一致和不匹配。这些结果为人类设计师和自动图表推荐系统如何进行可视化提供了具体的指导,帮助观众提取“正确”的外卖。
2021-08-13 cs.HC
What are Data Insights to Professional Visualization Users?
虽然许多可视化研究人员试图定义数据洞察力,但对可视化用户如何感知它们知之甚少。我们采访了23位终端用户可视化平台的专业用户(例如,Tableau和Power BI)分享他们在数据洞察方面的经验。我们根据受访者的描述报告了数据洞察力的七个特征。基于这些特征,我们提出了创建旨在自动向用户传达数据见解的工具的实际意义。
2020-10-04 cs.HC
Which One Changes More? A Novel Radial Visualization for State Change Comparison
针对现有可视化方法在多数据项状态变化比较中效果差、可扩展性不足的问题,提出显式编码变化的径向可视化Intercept Graph,支持交互调整,经多维度评估验证了其有效性。
2024-06-19 cs.HC
Visualization Requirements for Business Intelligence Analytics: A Goal-Based, Iterative Framework
针对非专业用户难以定义商业智能可视化需求的问题,提出基于 i* 语言的迭代式目标导向方法,半自动推导最适合的数据可视化,降低用户门槛。
2024-02-14 cs.HC
Safire: Similarity Framework for Visualization Retrieval
Harvard Medical School(哈佛医学院)
本文提出Safire框架,通过比较标准和表示模态两个维度,系统化分析可视化相似性,揭示不同应用场景中相似性标准与表示模态的关联,并探讨其对多模态学习、AI应用和可视化可重复性的影响。
2025-10-18 cs.AI cs.HC cs.IR
An Evaluation-Focused Framework for Visualization Recommendation Algorithms
虽然我们已经看到了大量用于推荐可视化的算法,但这些算法很少相互比较,因此很难确定哪种算法最适合给定的视觉分析场景。虽然已经提出了几个正式的框架作为回应,我们认为这个问题仍然存在,因为可视化推荐算法从评估的角度来看是不充分的指定。在本文中,我们提出了一个以评估为中心的框架,上下文和比较广泛的可视化推荐算法。我们提出了我们的框架的结构,其中使用三个组件指定算法:(1)表示可能的可视化设计的整个空间的图,(2)用于遍历图的潜在候选人推荐的方法,以及(3)用于对候选设计进行排名的预言。为了证明我们的框架如何指导算法性能的正式比较,我们不仅从理论上比较了五个现有的代表性推荐算法,而且还从经验上比较了四个新的算法,根据我们的研究结果从理论上比较。我们的研究结果表明,这些算法在用户性能方面表现相似,突出了需要更严格的正式比较推荐算法,以进一步阐明其在各种分析场景中的好处。
2021-09-06 cs.HC
Vi(E)va LLM! A Conceptual Stack for Evaluating and Interpreting Generative AI-based Visualizations
Sapienza University of Rome(罗马智慧大学);Link Campus University(林克校园大学)
本文提出EvaLLM评估堆栈,将LLM生成可视化的评估分解为原子组件,并构建平台支持自动与人工评分,通过两个案例验证其有效性。
2024-02-03 cs.AI cs.HC cs.LG
Extending the View Composition Algebra to Hierarchical Data
比较是视觉分析的核心任务。虽然有许多指导方针,以帮助用户设计有效的可视化,以帮助已知的比较任务,有几个形式主义,定义比较操作的语义的方式,可以作为一个语法的基础比较交互。最近的工作提出了一种称为视图组合代数(VCA)的形式主义,它可以在可视化界面中的标记,趋势或图表的任何组合之间进行特别比较。然而,VCA将比较限制为具有相同模式的数据的视觉表示,或者模式形成严格的子集关系(例如,将每个州的价格与价格进行比较,但不与每个县的价格进行比较)。相比之下,大多数真实世界的数据-时间,地理,组织-是分层的。为了弥合这一差距,本文提出了一个扩展VCA(称为VCAH),使特设的层次数据的可视化之间的比较。VCAH利用已知的层次关系来实现不同层次粒度的数据的特别比较。我们举例说明分层和Tableau可视化的应用程序。
2022-05-03 cs.DB 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
Calliope-Net: Automatic Generation of Graph Data Facts via Annotated Node-link Diagrams
本文提出自动图事实生成系统Calliope-Net,通过事实发现、组织与可视化模块及新布局算法,从网络数据自动生成带标注的节点-链接图,帮助用户尤其是数据记者发现和理解图数据事实。
2023-08-12 cs.HC
VizML: A Machine Learning Approach to Visualization Recommendation
MIT Media Lab(麻省理工学院媒体实验室);MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
数据可视化应该让所有拥有数据的分析师都能访问,而不仅仅是少数拥有技术专长的人。可视化推荐系统旨在通过自动生成供分析师搜索和选择的结果,而不是手动指定,来降低探索基本可视化的障碍。在这里,我们展示了一种新颖的基于机器学习的可视化推荐方法,该方法从大型数据集和相关可视化中学习可视化设计选择。首先,我们确定了分析师在创建可视化时所做的五个关键设计选择,例如选择可视化类型和选择沿X轴或Y轴编码列。我们训练模型来预测这些设计选择,使用从流行的在线可视化平台收集的100万个可视化对。与基准模型相比,神经网络以高精度预测这些设计选择。我们报告和解释这些基线模型之一的功能重要性。为了评估我们的方法的通用性和不确定性,我们用众包测试集进行基准测试,并表明我们的模型在预测共识可视化类型时的性能与人类的性能相当,并且超过了其他基于ML的系统。
2018-08-14 cs.AI cs.HC cs.LG
VizLinter: A Linter and Fixer Framework for Data Visualization
尽管自动化可视化工具日益流行,但现有系统倾向于提供不总是适合输入数据或满足可视化要求的直接结果。因此,在实际用例中仍然需要进行额外的规范调整。然而,手动调整是困难的,因为大多数用户不一定拥有足够的技能或可视化知识。即使是有经验的用户也可能创建不完美的可视化,涉及图表构造错误。我们提出了一个框架,VizLinter,以帮助用户检测缺陷和纠正已经建成,但有缺陷的可视化。该框架由两个组件组成,(1)可视化linter,它应用公认的原则来检查渲染的可视化的合法性,以及(2)可视化fixer,它根据linter自动纠正检测到的违规。我们实现的框架到一个在线编辑器原型的基础上Vega-Lite规范。为了进一步评估该系统,我们进行了实验室用户研究。结果证明了它在识别和修复数据可视化错误方面的有效性和效率。
2021-08-23 cs.HC
Intercept Graph: An Interactive Radial Visualization for Comparison of State Changes
在医学、金融工程、社会学、生物科学等多个应用领域中,经常需要对多个数据项进行状态变化比较。斜率图和分组条形图已被广泛用于显示不同数据状态的“前后”故事并指示它们的变化。然而,它们将状态变化可视化为斜率或条的差异,这已被证明对于定量比较不太有效。此外,随着数据项数量的增加,这两种视觉设计都存在视觉混乱问题。在本文中,我们提出了拦截图,一种新颖的视觉设计,以促进有效的互动比较的状态变化。具体而言,提出了一种径向设计,以可视化的开始和结束状态的每个数据项和线段长度明确编码的“状态变化”。Intercept Graph通过交互式调整内圆轴半径,平滑过滤大的状态变化,放大相似状态变化之间的差异,缓解视觉杂波问题,增强状态变化的有效比较。通过在真实数据集上比较截距图与斜率图和分组条形图的有效性,验证了截距图的有效性。
2021-08-19 cs.GR cs.HC
A Comparison of Visualizations for Identifying Correlation over Space and Time
观察两个或多个变量在空间和时间上的关系在许多领域都是必不可少的。例如,观察不同国家出生时预期寿命和生育率的演变情况,就可以了解其人口统计情况。选择这种多变量数据的可视化表示是使分析师能够提取模式和趋势的关键。以前的工作比较了地理时间可视化技术的一个单一的专题变量,演变的空间和时间,或两个变量在一个特定的时间点。但是,可视化技术在传达随时间和空间演变的两个变量之间的相关性方面的有效性仍有待研究。我们报告了一项研究,比较了三种技术,这三种技术代表了不同的策略,以可视化地理时态多变量数据:无论是并列的所有位置为一个给定的时间步长,或并列的所有时间步长为一个给定的位置;和编码的专题属性使用符号覆盖在地图功能的顶部,或使用视觉通道的地图功能本身。参与者执行了一系列任务,要求他们确定两个变量是否随着时间的推移而相关,以及它们的演变是否存在模式。两个维度的任务粒度不同:时间(所有时间步骤、步骤子范围、仅一个步骤)和空间(所有位置、子区域中的位置、仅一个位置)。我们的研究结果表明,可视化的有效性在很大程度上取决于要执行的任务。基于这些研究结果,我们提出了一套设计准则的地理时间可视化技术的沟通相关性。
2019-10-15 cs.HC
A Comparison of Spatiotemporal Visualizations for 3D Urban Analytics
最近的技术创新增加了3D城市数据的可用性,如阴影、噪声、太阳能和地震模拟。这些时空数据集为新的可视化创造了机会,让来自不同领域的专家参与研究城市空间在这个未被探索的维度中的动态行为。然而,设计3D时空城市可视化是具有挑战性的,因为它需要视觉策略来支持时变数据的分析。虽然不同的视觉策略已被用于3D城市视觉分析,这些视觉设计是如何有效地支持建筑物表面的时空分析的问题仍然是开放的。为了调查这一点,在本文中,我们首先贡献了一系列的分析任务后,从三个城市领域的从业者采访。我们还提供了一个定量的用户研究比较四个代表性的视觉设计用于可视化三维时空城市数据的有效性:空间并置,时间并置,链接视图,嵌入式视图。参与者执行了一系列任务,要求他们随着时间的推移识别建筑表面的极值。任务在空间和时间维度上的粒度不同。我们的研究结果表明,参与者使用基于图的可视化(链接视图,嵌入式视图)更准确,但使用颜色编码的可视化(空间并置,时间并置)更快。我们的研究结果还表明,随着任务复杂性的增加,与颜色编码的可视化相比,基于图的可视化在保持效率(时间,准确性)方面表现得更好。根据我们的研究结果,我们提出了一套外卖与设计建议的研究人员和从业人员的三维时空城市可视化。
2022-08-10 cs.CY cs.GR 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
Measuring inter-cluster similarities with Alpha Shape TRIangulation in loCal Subspaces (ASTRICS) facilitates visualization and clustering of high-dimensional data
University of British Columbia(不列颠哥伦比亚大学)
高维数据的聚类和可视化是各个领域的重要任务。例如,在生物信息学中,它们对于单细胞数据的分析至关重要,例如质谱仪(CyTOF)数据。一些用于聚类HD数据的最有效的算法是基于通过图中的节点来表示数据,其中边缘根据相似性或距离的某种度量来连接相邻节点。然而,基于图的算法的用户通常面临着选择输入参数的值的关键但具有挑战性的任务,该输入参数设置图中的邻域的大小,例如连接每个节点的最近邻居的数量或用于连接节点的阈值距离。用户的负担可以通过节点间相似性的度量来减轻,该度量对于不同的节点可以具有值0,而不需要任何用户定义的参数或阈值。这将自动确定邻域,同时仍然产生稀疏图。为此,我提出了一种新的方法,称为ASTRICS来衡量集群的HD数据点之间的相似性的基础上,局部降维和三角形的关键阿尔法形状。我证明了我的ASTRICS相似性度量可以通过在三阶段管道的第二阶段使用它来促进HD数据的聚类和可视化:第一阶段=通过任何方法执行数据的初始聚类;第二阶段=让图形节点表示初始聚类而不是单个数据点,并使用ASTRICS自动定义节点之间的边缘;阶段3 =使用图进行进一步的聚类和可视化。这将选择图邻域大小的关键任务转换为基本上选择查看数据的分辨率的更容易的任务。然后,图形以及随后的下游聚类和可视化自动适应所选择的分辨率。
2021-07-15 cs.HC cs.LG q-bio.QM
View Composition Algebra for Ad Hoc Comparison
比较是视觉分析的核心任务。虽然有许多指导方针可以帮助用户设计有效的可视化来帮助已知的比较任务,但当用户想要在数据探索和可视化分析期间在标记、趋势或图表之间进行特别比较时,几乎没有可用的技术。例如,比较不同年份的投票计数图,折线图中的两个股票趋势,或带有平均GDP文本摘要的国家GDP散点图。理想情况下,用户可以直接选择比较目标并进行比较,但是可视化的哪些元素应该是候选目标,哪些目标组合可以安全比较,以及哪些比较操作有意义?本文提出了一个概念模型,让用户组成的值,标记,图例元素和图表的组合使用一组组合运算符,汇总,计算差异,合并,并模拟其操作数。我们进一步定义了一个视图组合代数(VCA),它与基于数据立方体的可视化兼容,基于此代数导出一个交互设计,支持临时视觉比较,并通过几个用例说明其实用程序。
2022-02-16 cs.DB cs.HC
A Web-Based Tool for Automatic Data Collection, Curation, and Visualization of Complex Healthcare Survey Studies including Social Network Analysis
Universidad de Oviedo(奥维耶多大学)
本研究设计并构建了一个基于Web的平台,整合了医疗调查中问卷创建、数据收集、整理与可视化等流程,通过直观的图形界面隐藏技术复杂性,有效避免了手动数据处理,提升了效率与准确性。
2024-02-14 cs.AI cs.HC
Vis Ex Machina: An Analysis of Trust in Human versus Algorithmically Generated Visualization Recommendations
越来越多的可视化系统通过自动建议相关的可视化来简化数据分析过程。然而,几乎没有工作来了解用户是否信任这些自动推荐。在本文中,我们介绍了一项众包研究的结果,该研究探索了被定位为人工策划或算法生成的推荐的偏好和感知质量。我们观察到,虽然参与者最初更喜欢人类浏览器,他们的行为表明,在评估可视化建议时,对推荐源漠不关心。所提供信息的相关性(例如,某些数据字段的存在)是最关键的因素,其次是相信推荐者创建准确可视化的能力。我们的研究结果表明,一般漠不关心的出处的建议,并指出,可能无法通过简单的措施捕获的可视化质量和可信度的特殊定义。我们建议,推荐系统应该量身定制的特定用户的信息觅食策略。
2021-04-05 cs.HC
Mosaic Selections: Managing and Optimizing User Selections for Scalable Data Visualization Systems
本文提出 Mosaic Selections 选择模型,通过查询与谓词分析及预聚合等自动优化,支撑跨可视化筛选,并将交互延迟较现有方案降低数量级。
2025-07-25 cs.DB cs.HC
Set Visualizations for Comparing and Evaluating Machine Learning Models
针对聚合指标难以支持模型比较的问题,本文提出模型输出的集合可视化方法,并构建交互式系统 SetMLVis 用于目标检测模型比较,评估表明其提升任务完成表现并降低认知负荷。
2025-01-30 cs.HC
Graphical Perception of Icon Arrays versus Bar Charts for Value Comparisons in Health Risk Communication
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文通过系列实验研究条形图与图标阵列及其布局对健康风险沟通中数值比较感知和决策的影响,发现图标阵列结合显式编码与并置可优化差异估计与决策偏差,并强调需针对不同受众定制可视化方法。
2025-09-19 cs.HC
KG4Vis: A Knowledge Graph-Based Approach for Visualization Recommendation
可视化推荐或自动可视化生成可以显著降低一般用户快速创建有效数据可视化的障碍,特别是对于那些没有数据可视化背景的用户。然而,现有的基于规则的方法需要可视化专家繁琐的手动规范的可视化规则。其他基于机器学习的方法通常像黑盒一样工作,并且难以理解为什么推荐特定的可视化,从而限制了这些方法的更广泛采用。本文提出了一种基于知识图谱(KG)的可视化推荐方法KG4Vis,填补了这一空白。它不需要手动规范的可视化规则,也可以保证良好的可解释性。具体来说,我们提出了一个用于构建知识图谱的框架,该框架由三种类型的实体组成(即,数据特征、数据列和可视化设计选择)以及它们之间的关系,以建模数据和有效可视化之间的映射规则。一个基于transE的嵌入技术,学习嵌入的实体和知识图谱的关系,从现有的知识图谱可视化对。这样的嵌入本质上模拟了理想的可视化规则。然后,给定新的数据集,可以从具有语义有意义的规则的知识图谱中推断出有效的可视化。我们进行了广泛的评估,以评估所提出的方法,包括定量比较,案例研究和专家访谈。实验结果证明了该方法的有效性。
2021-12-26 cs.HC
Does This Have a Particular Meaning? Interactive Pattern Explanation for Network Visualizations
本文提出交互式模式解释技术,让用户在网络可视化中任意选择区域并自动挖掘解释视觉与数据模式,用户研究表明其比纯文本和纯视觉解释更能提升对陌生可视化、网络科学模式及术语的学习效果。
2024-08-02 cs.HC
Decoding the Text Encoding
词云和文本可视化是最近最流行和最广泛使用的可视化类型之一。尽管产生词云的吸引力和简单性,但它们并没有为底层数据的分布提供彻底的可视化。因此,重新设计词云以改进其设计选择并能够对数据进行进一步的统计分析是很重要的。本文提出了一种词云可视化的全自动重构算法。我们提出的方法是能够解码的输入词云可视化,并提供了(词,值)对列表的形式的原始数据。据我们所知,我们的工作是第一次尝试从词云可视化中提取原始数据。我们已经测试了我们提出的方法定性和定量。实验结果表明,该算法能够有效地提取词及其权重,具有相当低的出错率。
2014-12-16 cs.HC
VizPilot: Automated Onboarding for SVG-based Composite Visualizations using Multimodal LLMs
Nanyang Technological University(南洋理工大学)
VizPilot是基于多模态大语言模型的SVG复合可视化自动引导工具,通过双模块实现自动生成交互式引导,经评估可降低创作工作量并减轻用户认知负荷,提升复合可视化可用性。
2026-07-31 cs.HC
Data analysis and visualization techniques for project tracking: Experiences with the ITLingo-Cloud Platform
考虑到市场的竞争力以及组织和项目的复杂性,分析数据对于软件开发和项目管理过程的决策支持至关重要。这些做法对于提高绩效、降低成本和失败风险、保证成果质量、保持工作的有序性和可控性至关重要。ITLingo-Cloud是一个多组织和多工作空间的协作平台,用于管理和分析数据,支持将项目绩效知识转化为改进的决策。该平台允许用户快速设置环境、管理数据库和技术文档,以及分析和观察统计数据,以帮助做出技术和业务决策。ITLingo-Cloud支持多种技术和语言,促进与模板和可重用库的数据同步,以及自动化任务,即自动数据提取,自动验证或文档自动化。ITLingo-Cloud的可用性最近通过两个实验进行了评估,并与其他相关方法进行了讨论。
2022-11-23 cs.HC cs.IR cs.SE
Calliope: Automatic Visual Data Story Generation from a Spreadsheet
以叙事可视化形式显示的视觉数据故事,如海报或数据视频,经常用于面向数据的故事讲述,以促进故事内容的理解和记忆。虽然很有用,但技术障碍,如数据分析,可视化和脚本,使可视化数据故事的生成变得困难。现有的创作工具依赖于用户的技能和经验,这通常是低效的,仍然很困难。在本文中,我们介绍了一种新的可视化数据故事生成系统,Calliope,它通过自动化的过程,从输入的电子表格创建可视化数据故事,并方便容易修改的基础上生成的故事在线故事编辑器。特别地,Calliope结合了新的面向逻辑的蒙特卡罗树搜索算法,该算法探索由输入电子表格给出的数据空间以逐步生成故事片段(即,数据事实)并将它们按逻辑顺序组织。数据事实的重要性基于信息论进行衡量,每个数据事实都在图表中可视化,并通过自动生成的描述进行说明。我们评估所提出的技术,通过三个例子的故事,两个对照实验,和一系列的采访10个领域的专家。我们的评估表明,Calliope是有利于高效的可视化数据故事生成。
2020-10-20 cs.HC
What Does the Chart Say? Grouping Cues Guide Viewer Comparisons and Conclusions in Bar Charts
本研究构建视觉比较分类体系,探究条形图中分组线索对观看者比较行为的影响,发现人们倾向先组间比较再个体比较,空间邻近性是比颜色更强的分组线索,且分组后不会再考虑其他分组方式。
2023-10-03 cs.HC
MisVisFix: An Interactive Dashboard for Detecting, Explaining, and Correcting Misleading Visualizations using Large Language Models
MisVisFix利用大语言模型提供交互式工具,用于检测、解释和纠正误导性可视化信息,提升数据解读的准确性和可信度。
2025-08-06 cs.HC
Selection Bias Tracking and Detailed Subset Comparison for High-Dimensional Data
大型复杂数据集的集合在各种领域中已经变得很常见。可视化分析工具在探索和回答有关这些大型数据集的复杂问题方面发挥着越来越重要的作用。然而,许多可视化没有被设计为同时可视化复杂数据集中存在的大量维度(例如,电子健康记录系统中的数万个不同代码)。这一事实,结合许多可视化分析系统的能力,使快速,ad-hoc规范的群体,或队列,个人的基础上一个小子集的可视化尺寸,导致引入选择偏差的可能性-当用户创建一个队列的基础上一组指定的尺寸,也可能会引入许多其他看不见的尺寸的差异。这些非预期副作用可能导致队列不再代表预期研究的较大人群,这可能对后续分析的有效性产生负面影响。我们提出了选择偏差跟踪和可视化技术,可以纳入高维探索性视觉分析系统,重点是医疗数据与现有的数据层次结构。这些技术包括:(1)基于树的群组起源和可视化,具有用户指定的基线群组,所有其他群组都与之进行比较,以及每个群组的漂移的视觉编码,其指示可能发生选择偏差的位置,以及(2)一组可视化,包括基于新冰柱图的可视化,以详细比较基线和用户指定的焦点群组之间的每维差异。这些技术被集成到一个医疗时间事件序列可视化分析工具。我们提供了示例用例,并报告了来自领域专家用户访谈的结果。
2020-06-17 cs.HC
Data Player: Automatic Generation of Data Videos with Narration-Animation Interplay
本文提出 Data Player 方法,通过提取可视化数据、利用大语言模型建立文本与视觉的语义关联,并将动画设计知识编码为低层约束,自动生成旁白与动画协调的高质量数据视频,降低制作门槛。
2023-08-09 cs.HC
Visual Data Analysis with Task-based Recommendations
一般的可视化推荐系统通常会自动为数据集做出设计决策。然而,他们中的大多数只能修剪无意义的可视化,但不能推荐有针对性的结果。本文贡献TaskVis,一个面向任务的可视化推荐系统,允许用户选择他们的任务,精确的界面上。我们首先通过对学术界和工业界的调查,总结出一个包含18个经典分析任务的任务库。在此基础上,我们维护了一个规则库,它通过我们对分析任务的有针对性的建模扩展了经验智慧。然后,我们基于规则的方法通过答案集编程枚举所有候选可视化。之后,生成的图表可以通过四种排名方案进行排名。此外,我们还引入了一个基于任务的组合推荐策略,利用一组可视化来协作地提供数据集的简要视图。最后,我们通过一系列的用例和用户研究来评估TaskVis。
2022-09-14 cs.HC
Mr. Plotter: Unifying Data Reduction Techniques in Storage and Visualization Systems
随着数据汇集的速度持续快速增长,开发可扩展到巨大数据集的可视化工具是一个严峻且不断增长的挑战。现有的方法通常寻求解耦存储和可视化系统,执行即时数据减少以透明地避免可视化器过载。我们提出了一种新的体系结构,其中可视化和数据存储是紧密耦合的。与从存储中读取原始数据的系统不同,我们的系统的性能与最终可视化的大小呈线性关系,基本上与数据的大小无关。因此,它可以扩展到大量数据集,同时支持交互性能(低于100 ms的查询延迟)。这使得一类新的可视化客户端能够自动管理数据,快速透明地从底层数据库请求数据,而无需用户显式地发起查询。它为支持大数据的真正交互式探索奠定了基础,并为可扩展信息可视化系统的研究开辟了新的方向。
2021-06-23 cs.DB cs.HC
LLM-Assisted Workflow for Structural Difference Visualization in Evolving Software Requirements
Charleston Southern University(查尔斯顿南方大学)
提出LLM辅助工作流,在OntologyWeb中构建语义图并并排比较,以可视化演化软件需求的结构差异。
2026-09-24 cs.HC cs.IR cs.SE
Proteus: Shapeshifting Desktop Visualizations for Mobile via Multi-level Intelligent Adaptation
Nanyang Technological University(南洋理工大学);Providence Health & Services(普罗维登斯健康与服务);The Hong Kong Polytechnic University(香港理工大学)
Proteus通过多级智能适应技术,自动将桌面可视化转换为移动端可读的可视化,解决移动端屏幕尺寸和交互方式差异导致的显示问题。
2026-04-25 cs.HC cs.MA
Design Support for Multitape Turing Machines
本文针对多带图灵机教学难点,开发了三个可视化工具(动态模拟、转移图渲染、计算图渲染),帮助学生理解操作语义并设计实现,经验数据表明工具受学生欢迎且有用。
2025-08-05 cs.FL cs.HC cs.PL