High-Dimensional Data Visualization by Interactive Construction of Low-Dimensional Parallel Coordinate Plots
平行坐标图(PCP)是高维数据空间可视化和探索的最有用的技术之一。它们对于表示维度之间的相关性特别有用,这些维度可以识别变量之间的关系和相互依赖性。然而,在这些高维空间内,PCP在显示维度组合之间的相关性方面面临困难,并且随着维度数量的增加,通常需要额外的显示空间。在本文中,我们提出了一种新的技术,高维数据可视化,其中一组低维的PCP交互式构建的采样用户选择的子集的高维数据空间。在我们的技术中,我们首先构建了一个图形可视化的相关维度集。用户观察该图,并且能够通过从其集团中采样来交互地选择维度,从而动态地指定要用于构建聚焦PCP的最相关的低维数据。我们的交互式采样克服了PCP的缺点,使最有意义的维度(即,最相关的信息)。我们通过两个案例研究证明了我们的技术的有效性,在那里我们表明,所提出的交互式低维空间结构是可视化高维数据和发现新模式的关键。
2016-09-17 cs.GR 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
Plotly-Resampler: Effective Visual Analytics for Large Time Series
Ghent University - imec(根特大学-imec)
可视化分析可以说是熟悉数据的最重要的一步。对于时间序列尤其如此,因为这种数据类型很难描述,并且在使用汇总统计时无法完全理解。为了实现有效的时间序列可视化,必须满足四个要求:工具应该是(1)交互式的,(2)可扩展到数百万个数据点,(3)可集成在传统的数据科学环境中,以及(4)高度可配置。我们观察到,开源Python可视化工具包使数据科学家能够完成大多数可视化分析任务,但缺乏可扩展性和交互性的组合,无法实现有效的时间序列可视化。为了满足这些需求,我们创建了Plotly-Resampler,这是一个开源Python库。Plotly-Resampler是Plotly的Python绑定的一个插件,通过根据当前图形视图聚合底层数据,在交互式工具包之上增强了折线图的可伸缩性。Plotly-Resampler的构建非常简洁,因为工具的反应性会定性地影响分析师可视化地探索和分析数据的方式。一个基准测试任务强调了我们的工具包在样本数量和时间序列方面如何比替代品更好地扩展。此外,Plotly-Resampler灵活的数据聚合功能为研究新的聚合技术铺平了道路。Plotly-Resampler的可集成性,以及它的可配置性,方便性和高可扩展性,允许在日常Python环境中有效地分析高频数据。
2022-07-17 cs.HC cs.LG eess.SP
MAIDR: Making Statistical Visualizations Accessible with Multimodal Data Representation
本文提出 MAIDR 系统,通过声音化、文本、盲文和审阅等多模态表示及自主交互,帮助盲人用户准确理解条形图、热力图等统计可视化。
2024-03-01 cs.GR cs.HC
Look into your Heart -- Prototypes for a Speculative Design Exploration of Personal Heart Rate Visualization
Northumbria University(诺森比亚大学)
针对可穿戴设备心率数据复杂时间模式未被充分探索的问题,提出5种基于可视化文献的原型方法,通过合成数据集探索并评估,为个人心率可视化设计空间提供推测性图谱。
2025-11-10 cs.HC
Visual Elements and Cognitive Biases Influence Interpretations of Trends in Scatter Plots
本文研究散点图中异常值、趋势线等视觉元素与认知偏差对相关性趋势感知的影响,发现异常值和趋势线会扭曲趋势感知,并据此提出调整视觉元素以减轻误导的指南。
2023-10-23 cs.CY cs.GR cs.HC
Explainable Iterative Data Visualization Refinement via an LLM Agent
Department of Computer Science, University of Manchester(曼彻斯特大学计算机科学系)
本文提出利用LLM代理的自动化方法,通过结合定量评估与人类洞察,实现高维数据可视化优化,生成高质量可视化结果。
2026-11-11 cs.AI cs.HC
Automated Visualization Makeovers with LLMs
University of Kaiserslautern–Landau (RPTU)(凯撒斯劳滕-兰道大学(RPTU));Department of Data Science and its Applications, German Research Center for Artificial Intelligence (DFKI)(数据科学及其应用系,德国人工智能研究中心(DFKI))
本文提出一种基于多模态 LLM 与提示工程的半自动可视化改造系统,通过结合最佳实践生成建设性批评以教育用户改进现有图表,并经定量评估验证了其对不同图表问题的敏感度。
2025-07-21 cs.AI cs.HC
Data-Induced Groupings and How To Find Them
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Georgia Institute of Technology(佐治亚理工学院);Northwestern University(西北大学);Columbia University(哥伦比亚大学)
本文通过用户研究发现数据诱导分组的普遍性,并提出模型预测用户感知分组,探讨可视化设计优化方法。
2026-01-13 cs.GR cs.HC
Generic Approach to Visualization of Time Series Data
本文针对时间序列数据,提出一种通用的可视化方法,通过分析真实数据集中目标特征与其他特征的关系,助力识别趋势并提升机器学习建模效果。
2024-04-24 cs.HC
Visualizing Uncertainty in Probabilistic Graphs with Network Hypothetical Outcome Plots (NetHOPs)
使用传统的节点链接图来可视化概率图是具有挑战性的。使用宽度或模糊度等视觉变量对边缘概率进行编码,使得静态网络可视化的用户难以估计网络统计数据,如密度,隔离,路径长度或不确定性下的聚类。我们介绍网络假设结果图(NetHOPs),一种可视化技术,动画的网络实现序列从网络分布定义的概率边缘采样。NetHOPs采用一种聚合和锚定算法,用于动态和纵向图形绘制,以参数化布局稳定性,用于不确定性估计。我们提出了一个社区匹配算法,使可视化的不确定性的集群成员和社区发生。我们描述了一项研究的结果,其中51个网络专家使用NetHOPs完成了一组常见的视觉分析任务,并报告了他们如何感知网络结构和属性的不确定性。参与者的估计值平均在地面实况统计数据的11%以内,这表明NetHOPs可以成为一种合理的方法,使网络分析师能够在不确定性下对多个属性进行推理。当参与者可以操纵布局锚定和动画速度时,他们似乎更准确地表达了网络统计数据的分布。基于这些研究结果,我们综合了概率网络的开发和使用动画可视化的设计建议。
2021-08-22 cs.HC cs.SI
Fitting Bell Curves to Data Distributions using Visualization
本研究通过众包实验测试人们在四类可视化图表中拟合正态曲线的能力,发现均值估计偏差小、标准差常被高估(雨伞效应),且带状图拟合准确度最高。
2023-01-11 cs.HC
Cluster-Based Random Forest Visualization and Interpretation
University of Cologne(科隆大学);Maastricht University(马斯特里赫特大学);Leipzig University(莱比锡大学);ScaDS.AI Dresden/Leipzig(德累斯顿/莱比锡ScaDS.AI);Eindhoven University of Technology(埃因霍温理工大学)
针对随机森林可解释性差的问题,提出结合决策规则与预测的新距离度量实现树聚类,并设计两种可视化方法,通过案例与用户研究验证了有效性。
2025-07-30 cs.HC cs.LG
Comparing Overlapping Data Distributions Using Visualization
本文通过众包用户实验比较不同可视化形式对判断两样本是否同分布的影响,发现理想化正态曲线虽更抽象,却比直方图、点图、箱线图等更复杂表示带来更高判断准确性。
2023-09-22 cs.HC
Propagating Visual Designs to Numerous Plots and Dashboards
在为流行病学家和建模科学家开发可视化和可视化分析(VIS)工具的基础设施的过程中,我们遇到了一个技术挑战,即在有限的开发资源下快速可靠地将许多可视化设计应用于众多数据集。在本文中,我们提出了一种技术解决方案来应对这一挑战。在操作上,我们将数据管理、可视化设计、绘图和仪表板部署的任务分开,以简化开发工作流程。从技术上讲,我们利用:一个将数据集、视觉设计、可部署的图和仪表板置于同一管理框架下的本体;用于发现与视觉设计匹配的潜在数据集的多标准搜索和排名算法;以及一个用于将每个视觉设计传播到适当数据集(通常以数十和数百为单位)并在部署之前保证传播质量的可扩展设计用户界面。该技术解决方案已用于RAMPVIS基础设施的开发,以通过可视化支持流行病学家和建模科学家的联盟。
2021-07-19 cs.HC
xPDFsuite: an end-to-end software solution for high throughput pair distribution function transformation, visualization and analysis
描述了xPDFsuite软件程序。用于处理和分析X射线粉末衍射数据的原子对分布函数(PDF)。它为SrXplanr和PDFgetX 3提供了一个方便的GUI,允许用户轻松地从原始2D衍射图像中获得1D衍射图案,然后将其转换为PDF。它还捆绑了PDFgui,允许用户创建结构模型并拟合实验数据。它特别适用于处理大量数据集,例如高吞吐量测量。一些主要功能包括:实时PDF转换和绘图;多个数据集的2D瀑布,假彩色热图和3D轮廓绘图;静态和动态掩膜编辑;粉末衍射图像的几何校准;配置和项目保存和加载;选定数据集的Pearson相关分析;用Python编写并支持多个平台。
2015-02-23 cond-mat.mtrl-sci cs.HC
Seeing Through the Forecast Clutter: Communicating Climate Forecast Distributions with Weighted Multiple Forecast Visualizations
University of California, San Diego(加利福尼亚大学圣迭戈分校);Northeastern University(东北大学);University of Toronto(多伦多大学)
该研究针对气候预测可视化的偏差问题,通过两项实验验证,采用线宽或透明度加权的下采样多预测可视化(MFV),可提升读者对预测分布的认知,减少正态分布误判。
2026-08-04 cs.HC
OrigamiPlot: An R Package and Shiny Web App Enhanced Visualizations for Multivariate Data
本文介绍OrigamiPlot,一个实现折纸图的开源R包与Shiny应用,通过面积不受属性排序影响改进雷达图,并支持辅助轴、加权属性及多对象比较,以简化多变量数据决策。
2024-11-19 cs.HC stat.ME
Uncertainty-Aware Scarf Plots
本文针对眼动追踪数据中注视到AOI映射、3D深度依赖及自动标注的不确定性问题,提出不确定性感知的围巾图可视化方法,并在增强现实场景中与标准围巾图进行对比验证。
2025-05-08 cs.HC
Top-Frequency Parallel Coordinates Plots
平行坐标绘图是多变量可视化中最常用的方法之一。然而,当应用于更大的数据集时,往往会出现“黑屏问题”,屏幕变得如此混乱和充满,以至于模式难以或不可能辨别。Xie和Matloff(2014)提出了解决这个问题的方法,即只绘制最频繁出现的模式,频率由非参数估计的多元密度定义。这种方法显示“典型”模式,这可能揭示数据的重要见解。然而,这种补救措施不包括离散或分类的变量。对于这种情况,这里提出了一种仍然基于频率的替代方法。我们将所有连续变量离散化,保留离散/分类变量,并绘制数据集中计数最高的模式。此外,我们提出了一些新的方法来处理平行坐标设置中的缺失值。
2017-09-03 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
Periphery Plots for Contextualizing Heterogeneous Time-Based Charts
时态数据中的模式通常可以在不同的尺度上找到,例如天、周和月,这使得基于时间的数据的有效可视化具有挑战性。在这里,我们提出了一种新的方法,提供重点和上下文的时间为基础的图表,使跨时间尺度的模式的解释。我们的方法采用了一个具有时间和第二轴的焦点区域,可以表示数量或类别,以及一组相邻的外围图,可以沿着时间,价值或两个维度聚合数据。我们提出了一个框架,外围图,并描述了两个用例,证明我们的方法的效用。
2019-08-12 cs.HC
Accessible Text Descriptions for UpSet Plots
针对盲及低视力用户难以获取UpSet图信息的无障碍研究空白,研究通过分析真实案例模式开发了UpSet图自动文本说明系统,经BLV用户验证实用性良好,且效果优于直接使用LLM生成的内容。
2025-03-21 cs.HC
Numerical Approximation of Andrews Plots with Optimal Spatial-Spectral Smoothing
本文证明基于主成分的 Andrews 图在平均意义上最优平滑,并通过加入谱平滑项消除解流形歧义,得到可高效数值逼近的空间-谱平滑 Andrews 图。
2023-04-26 cs.HC cs.NA math.NA
Dispersion vs Disparity: Hiding Variability Can Encourage Stereotyping When Visualizing Social Outcomes
可视化研究通常侧重于感知准确性或帮助读者解释关键信息。然而,我们对图表设计如何影响读者对数据背后的人的看法知之甚少。具体来说,设计是否会与读者的社会认知偏见相互作用,从而使有害的刻板印象永久化?例如,在分析社会不平等时,条形图是一种流行的选择,用于呈现种族,性别或其他群体之间的结果差异。但条形图可能会鼓励赤字思维,即认为结果差异是由群体的个人优势或缺陷造成的,而不是外部因素。这些错误的个人属性可能会强化人们对被形象化的群体的刻板印象。我们进行了四个实验,研究影响归因偏差(因此是赤字思维)的设计选择。众包工作者查看了描绘社会结果的可视化,这些可视化要么掩盖数据的可变性,如条形图或点图,要么强调数据的可变性,如抖动图或预测区间。他们报告说,他们同意个人和外部的解释可视化的差距。总体而言,当参与者看到隐藏组内差异的可视化时,他们更同意个人解释。当他们看到强调组内差异的可视化时,他们不太同意个人解释。这些结果表明,关于社会不平等的数据可视化可能会以有害的方式被误解,并导致刻板印象。设计选择可以影响这些偏见:隐藏可变性往往会增加刻板印象,而强调可变性会减少它。
2022-09-25 cs.CY cs.HC
Distinct 3D Glyphs with Data Layering for Highly Dense Multivariate Data Plots
一个精心构建的散点图可以揭示大量关于基础数据集的信息。然而,在大多数情况下,可视化地挖掘和理解大型多元数据集需要更多的技巧和更高水平的交互性,以真正掌握所呈现的信息的全部范围。我们提出了一个范例,在创建单一的情节,提出了多个变量的信息的设计和使用。我们的设计围绕两个关键概念。第一个概念是,在视觉上,它更容易区分完全不同的形状,而不是微妙的不同,特别是当部分遮挡。第二个是用户按层次摄取信息,即按视觉相关性的顺序。使用这种模式,我们提出了复杂的数据,装箱成所需的和相关的离散类别。我们展示了高能物理和安全领域的结果,在每个图中显示了超过6个不同的数据变量,产生了清晰,高度可读和有效的可视化。
2016-01-26 cs.HC
Identifying & Interactively Refining Ambiguous User Goals for Data Visualization Code Generation
Northeastern University(东北大学);Carnegie Mellon University(卡内基梅隆大学)
本研究针对数据可视化代码生成中的用户目标模糊问题,提出模糊类型分类法与量化指标,并利用多轮语用对话(基于格莱斯合作原则等模型)减少模糊性,提升代码准确性。
2025-10-10 cs.AI cs.CL cs.CV
VisAhoi: Towards a Library to Generate and Integrate Visualization Onboarding Using High-level Visualization Grammars
本文提出VisAhoi库,利用高级可视化语法(Vega-Lite、Plotly.js、ECharts)生成引导元素,支持多种图表类型,并验证其在HTS分析工具和Flourish模板中的集成适用性。
2023-08-31 cs.HC
Adapting CCDF Plots for Visualizing Ordinal Regression Results
Graz University of Technology(格拉茨工业大学)
针对序数回归模型结果可视化困难的问题,提出使用修正互补累积分布函数(mCCDF)图直观展示关键结论。
2026-07-03 cs.HC
Angular-based Edge Bundled Parallel Coordinates Plot for the Visual Analysis of Large Ensemble Simulation Data
随着现代高性能计算(HPC)系统计算能力和资源的不断提高,大规模集合模拟已广泛应用于科学和工程的各个领域,特别是在气象和气候科学中。众所周知,仿真输出是大型时变、多变量和多值数据集,这对可视化和分析任务构成了特殊的挑战。在这项工作中,我们专注于广泛使用的平行坐标图(PCP),以分析不同的参数,如变量之间的相互关系,成员。然而,PCP可能会遭受视觉混乱和绘图性能的数据大小的增加,要分析的,也就是说,多段线的数量。为了克服这个问题,我们通过添加连接角分布图的贝塞尔曲线来对PCP进行扩展,角分布图表示平行轴之间线段倾斜度的平均值和方差。所提出的基于角度的平行坐标图(APCP)能够呈现整个集合数据集的简化概述,同时保持相邻变量之间的相关信息。为了验证其有效性,我们开发了一个可视化的分析原型系统,并使用气象集合模拟输出的超级计算机Fugaku进行评估。
2022-09-22 cs.HC
Web-Based Multi-View Visualizations for Aggregated Statistics
随着开放数据运动的兴起,政府、统计局和其他组织已公开提供了大量统计数据。可视化的第一步是由数据提供者自己完成的。数据聚合器更进一步:它们从不同的开放数据存储库收集数据,并通过提供来自不同提供商的数据集并在同一图表中显示不同的统计数据来使它们具有可比性。另一种方法是在散点图或地图上可视化两个不同的指标。将多个数据集整合到一个图表中可能有几个缺点:不同的尺度和单位混合在一起,图表在视觉上变得混乱,人们无法轻松区分不同的指标。我们的方法标志着以下几个方面的结合:(1)整合来自不同数据源的实时数据,(2)在协调的可视化中呈现不同的指标,(3)允许添加用户可视化,以丰富个人数据的官方统计数据。每个指标都有自己的可视化,在可视化类型,规模,单位等情况下最适合单个指标。不同的可视化被链接,因此可以通过使用鼠标在数据项上的效果轻松识别相关项。
2011-10-14 cs.HC
scellop: A Scalable Redesign of Cell Population Plots for Single-Cell Data
Department of Biomedical Informatics, Harvard Medical School(哈佛医学院生物医学信息学系)
针对传统堆叠柱状图在单细胞数据细胞群分布展示中可扩展性受限的问题,提出新型交互式查看器scellop,结合优化的视觉编码以支持跨样本或条件的细胞群研究。
2025-10-10 cs.HC q-bio.QM
BIDEAL: A Toolbox for Bicluster Analysis -- Generation, Visualization and Validation
本文介绍了一种新的工具箱命名为BIDEAL的双聚类的生成,他们的分析,可视化和验证。我们的目标是方便研究人员使用嵌入在一个单一的平台上的最前沿的双聚类算法。一个包含各种双聚类算法的工具箱在从数据中提取有意义的模式以检测疾病、生物标志物、基因-药物关联等方面发挥着至关重要的作用。BIDEAL由17个双聚类算法、3个双聚类可视化技术和6个验证指标组成。该工具箱可以分析多种类型的数据,包括通过图形用户界面分析生物数据。它还促进了数据预处理技术,即,二值化、离散化、归一化、消除空值和缺失值。通过对酿酒酵母细胞周期、白血病癌症、乳腺组织特征和B细胞数据集中配体筛选的测试和验证,展示了所开发工具箱的有效性。使用BIDEAL生成这些数据集的双聚类,并在一致性,差分共表达排名和相似性度量方面进行评估。通过热图和基因图也提供了所生成的双聚类的可视化。
2020-07-26 cs.HC cs.OH q-bio.QM
Discriminability Tests for Visualization Effectiveness and Scalability
特定可视化方法的可扩展性受到人们辨别不同数据集绘制的图之间差异的能力的限制。理想情况下,当数据发生变化时,可视化会以可感知的方式发生变化。当编码和正在查看的数据集的字符之间不匹配时,这种关系就会中断。不幸的是,可视化的设计和评估往往没有充分探索它们将如何响应各种各样的数据集。我们探索使用图像相似性度量,多尺度结构相似性指数(MS-SSIM),用于测试跨各种数据集的数据可视化的可辨别性。MS-SSIM能够在多个尺度上捕获两个可视化的相似性,包括低级别的粒度变化和高级别的模式。MS-SSIM未捕获的显著数据变化指示低辨别力和有效性的可视化。该措施的效用证明了两个实证研究。在第一,我们比较人类的相似性判断和MS-SSIM分数的散点图的集合。在第二个,我们计算一组基本的可视化的可辨别性值,并将它们与有效性的经验测量进行比较。在这两种情况下,分析表明,计算措施是能够近似的经验结果。我们的方法可用于对竞争编码的可辨别性进行排名,并帮助为特定类型的数据分布选择可视化。
2019-07-26 cs.HC
Visualization by Example
虽然可视化在从数据中获得洞察力方面发挥着至关重要的作用,但从复杂的数据集生成有用的可视化远非一件容易的事情。除了理解现有可视化库提供的功能外,生成所需的可视化还需要重塑和聚合底层数据,以及组合不同的视觉元素以实现预期的视觉叙事。本文的目的是简化可视化任务,自动合成所需的程序,从简单的视觉草图由用户提供。具体来说,给定一个输入数据集和一个演示如何可视化该数据的一个非常小的子集的可视化草图,我们的技术自动生成一个程序,可以用来可视化整个数据集。自动化可视化带来了几个挑战。首先,由于许多可视化任务除了生成图之外还需要数据处理,因此我们需要将端到端合成任务分解为两个单独的子问题。其次,由于分解产生的中间规范必然是不精确的,这使得数据争论任务在我们的上下文中特别具有挑战性。在本文中,我们解决这些问题,通过开发一种新的组合可视化的例子技术,(a)分解成两个不同的合成问题,在不同的DSL和(b)利用双向程序分析,以处理复杂性,从有一个不精确的中间规范的端到端的任务。我们实现了我们的可视化的例子算法,并评估它的83可视化任务收集在线论坛和教程。Viser可以在600秒的时间限制内解决84%的基准测试,并且,对于可以解决的任务,Viser在70%的情况下生成的期望可视化是前5名之一。
2019-11-21 cs.HC cs.PL
An Empirical Study of Bugs in Data Visualization Libraries
The Hong Kong University of Science and Technology(香港科学与技术大学);University of Waterloo(滑铁卢大学);University of Waterloo Canada(滑铁卢大学加拿大)
本研究首次系统分析五个数据可视化库中的564个Bug,揭示不正确图表普遍存在且主要源于图形计算错误,并探索了视觉语言模型检测此类Bug的可行性,效果因提示而异。
2025-06-18 cs.CV cs.HC cs.SE
DaVE -- A Curated Database of Visualization Examples
本文提出精选可视化示例数据库 DaVE,依据用户描述推荐 HPC 场景中的可视化技术,并提供示例、代码、容器模板与集成资源,支持社区扩展。
2024-12-03 cs.DC cs.GR cs.HC