AdViCE: Aggregated Visual Counterfactual Explanations for Machine Learning Model Validation
机器学习模型性能的快速改进将它们推向了数据驱动决策的前沿。与此同时，这些模型越来越多地集成到各种应用领域，进一步突出了提高可解释性和透明度的必要性。为了识别偏差、过度拟合和不正确的相关性等问题，数据科学家需要工具来解释这些模型决策的机制。在本文中，我们介绍了AdViCE，一个可视化的分析工具，旨在指导用户在黑盒模型调试和验证。该解决方案依赖于两个主要的视觉用户界面创新：（1）交互式可视化设计，可以对用户定义的数据子集进行决策比较;（2）算法和视觉设计，可以计算和可视化反事实解释-当数据特征从其原始值扰动时，描述模型结果的解释。我们提供了一个演示的工具，通过一个用例，展示了所提出的方法的能力和潜在的局限性。
2021-09-12 cs.AI cs.HC cs.LG
YAC: Bridging Natural Language and Interactive Visual Exploration with Generative AI for Biomedical Data Discovery
Harvard Medical School（哈佛医学院）
本文提出YAC系统，结合自然语言输入和交互式可视化，通过生成式AI提升生物医学数据发现接口的能力，通过用户研究和系统分析改进系统设计和功能。
2026-05-19 cs.AI cs.HC
Context-Aware Visual Prompting: Automating Geospatial Web Dashboards with Large Language Models and Agent Self-Validation for Decision Support
Computational Urban Sciences Group, Oak Ridge National Laboratory（计算城市科学组，橡树岭国家实验室）；Materials Science and Technology Division, Oak Ridge National Laboratory（材料科学与技术 division，橡树岭国家实验室）；Industrial and Systems Engineering, The University of Tennessee, Knoxville（工业与系统工程，田纳西大学， Knoxville）
本文提出基于大语言模型和代理自我验证的地理空间看板自动化框架，通过上下文感知视觉提示提升风险分析和决策支持的可视化能力。
2025-10-10 cs.AI cs.HC
Beware of Validation by Eye: Visual Validation of Linear Trends in Scatterplots
University of Cologne（科隆大学）；Tufts University（塔夫茨大学）；University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
本文通过两项实证实验研究散点图中线性回归的视觉验证能力，发现视觉估计优于视觉验证且存在斜率过陡偏差，并评估误差线、边界框和置信区间的作用。
2024-09-06 cs.CV cs.GR cs.HC
Defogger: A Visual Analysis Approach for Data Exploration of Sensitive Data Protected by Differential Privacy
本文提出一种针对差分隐私保护下敏感数据探索的可视分析方法Defogger，利用强化学习模型根据用户意图提供多样化探索策略建议，并结合新颖的不确定性可视化设计，经用户与案例研究验证能有效满足用户探索意图。
2024-07-28 cs.CR cs.HC
Data@Hand: Fostering Visual Exploration of Personal Data on Smartphones Leveraging Speech and Touch Interaction
大多数移动健康应用程序使用数据可视化来帮助人们查看他们的健康和活动数据，但这些应用程序对可视化数据探索的支持有限。此外，尽管有巨大的潜在好处，但在个人数据环境中的移动可视化研究很少。这项工作旨在通过语音实现灵活的时间操作，使人们能够在智能手机上轻松导航和比较他们的个人健康数据。我们设计并开发了Data@Hand，这是一款移动应用程序，利用了两种互补模式的协同作用：语音和触摸。通过对13名Fitbit长期用户的探索性研究，我们研究了多模态交互如何帮助参与者探索自己的健康数据。参与者成功地采用了多模式互动（即，语音和触摸），以方便和流畅的数据探索。基于定量和定性的研究结果，我们讨论了多模态交互的设计意义和机会，以更好地支持移动设备上的视觉数据探索。
2021-01-15 cs.HC
Interactive Discovery and Exploration of Visual Bias in Generative Text-to-Image Models
TU Wien（维也纳工业大学）；St. Pölten University of Applied Sciences（圣珀尔滕应用科学大学）
本文提出ViBEx工具，通过交互式界面和零样本偏见探测，帮助发现生成文本到图像模型中的视觉偏见，通过案例研究验证其有效性。
2025-04-28 cs.HC
NetworkNarratives: Data Tours for Visual Network Exploration and Analysis
本文介绍了半自动数据巡回赛，以帮助探索复杂的网络。探索网络需要大量的努力和专业知识，可能是耗时和具有挑战性的。与用于视觉分析的指导和推荐系统不同，我们提供了一组面向目标的网络概览，自我网络分析，社区探索和其他任务。基于对五位网络分析师的访谈，我们开发了一个用户界面（NetworkNarratives）和10个示例旅游。该界面允许分析师使用可视化和文本注释导航交互式幻灯片，其中包含有关网络的事实。在每张幻灯片上，分析师可以自由地探索网络，并指定节点、链接或子图作为后续浏览的种子元素。由8名专家和14名新手分析师组成的两项研究表明，数据之旅减少了探索工作，支持对网络探索的学习，并有助于传播分析结果。NetworkNarratives可在网上找到，并附有每个旅游的详细插图。
2023-03-11 cs.HC
ReVision: Supporting Designers' Interpretation and Exploration of Visuals in Concepts and Forms
Carnegie Mellon University（卡内基梅隆大学）
ReVision是一款AI工具，通过将视觉与文本参考分解为可编辑的概念解读和视觉母题，并支持跨空间重组与发散变体生成，帮助设计师（尤其是新手）拓展设计空间，避免固着于参考。
2026-09-29 cs.HC
Confides: A Visual Analytics Solution for Automated Speech Recognition Analysis and Exploration
本文提出ConFides可视化分析系统，通过可视化呈现置信度辅助ASR转录后编辑，帮助情报分析师减少关键信息误解，并探讨人机协作中数据清理与模型透明度的改进机会。
2024-07-24 cs.HC
Developing a Visual Interactive Search History Exploration System
当用户在系统内搜索时，他们进行不同的查询并检查各种结果。这些对象形成了一个隐式的个人图书馆，代表所获得的知识。在我们的研究中，我们的目标是为用户提供可视化的搜索历史和交互方法来组织历史。最根本的问题是搜索历史探索在用户搜索过程中可以发挥什么作用。在本文中，我们想介绍一个原型系统的搜索历史探索的思想和讨论的方法来解决上述问题。
2013-11-04 cs.HC cs.IR
MultiCaM-Vis: Visual Exploration of Multi-Classification Model with High Number of Classes
University of Kaiserslautern（凯泽斯劳滕大学）；San Francisco State University（旧金山州立大学）
本文提出交互式可视化分析工具MultiCaM-Vis，通过平行坐标视图和Chord图探索多分类模型的类级误分类，初步用户研究验证了其有效性。
2023-09-09 cs.HC cs.LG
Towards Scalable Visual Exploration of Very Large RDF Graphs
在本文中，我们概述了我们的工作，开发一个基于磁盘的基础设施，有效的可视化和图形探索操作非常大的图形。该平台名为graphVizdb，基于一种用于索引和存储图形的新技术。特别地，利用空间数据结构来索引图形布局，即，R树，并存储在数据库中。在运行时，用户操作被转换为有效的空间操作（即，窗口查询）。
2015-06-16 cs.DB cs.HC
User-Centered AI for Data Exploration: Rethinking GenAI's Role in Visualization
本文倡导从以自动化为中心转向以用户为中心的自适应GenAI可视化工具，通过评估用户专业水平并动态调整交互与推理，使GenAI成为增强认知的智能协作者。
2025-04-08 cs.HC
Touch? Speech? or Touch and Speech? Investigating Multimodal Interaction for Visual Network Exploration and Analysis
交互在视觉网络探索期间起着至关重要的作用，因为用户需要参与视图中的两个元素（例如，节点，链路）和接口控制（例如，滑块、菜单）。特别是随着网络的大小和复杂性的增长，支持多模态输入的交互式显示器（例如，触摸、语音、笔、凝视）表现出在视觉网络探索和分析期间促进流体交互的潜力。虽然多模态交互与网络可视化似乎是一个很有前途的想法，但仍然存在许多悬而未决的问题。例如，用户是否真的更喜欢多模态输入而不是单峰输入，如果是，为什么？它是否使他们能够更自然地交互，或者多种输入模式是否使用户感到困惑？为了回答这些问题，我们进行了一个定性的用户研究的背景下，网络可视化工具，比较语音和触摸为基础的单峰界面，多模式界面相结合的两个。我们的研究结果证实，参与者强烈喜欢多模态输入超过单峰输入归因于他们的偏好：1）的表达自由，2）语音和触摸的互补性，和3）集成的互动提供的两种模式的组合。我们还描述了互动模式的参与者进行常见的网络可视化操作，并强调未来的多模态网络可视化系统考虑的主题。
2020-04-29 cs.HC
Kyrix: Interactive Visual Data Exploration at Scale
可扩展的交互式可视化数据探索是至关重要的，在许多领域，由于越来越大的数据集产生的速度快。按需细节为探索大型数据集提供了一个有用的交互范例，用户可以从概览开始，找到感兴趣的区域，放大以查看详细视图，缩小然后重复。这种模式是广泛使用的系统的主要用户交互模式，例如Google Maps，Aperture Tiles和ForeCache。然而，这些早期的系统是高度定制的，具有硬编码的视觉表示和优化。需要一个更通用的框架来促进可视化数据探索系统的大规模开发。在本文中，我们提出了Kyrix，一个端到端的系统，用于开发可扩展的细节按需数据勘探应用程序。Kyrix为开发人员提供了一个声明式模型，用于轻松规范通用可视化。在幕后，Kyrix利用一套性能优化技术，实现各种用户交互的响应时间在500毫秒以内。我们还报告的性能研究结果表明，Kyrix采用的一种新的动态抓取方案优于早期系统中使用的基于瓦片的抓取。
2019-05-12 cs.DB cs.HC
NBSearch: Semantic Search and Visual Exploration of Computational Notebooks
代码搜索对于使用计算笔记本（例如，yter）。笔记本的灵活性为有效的代码搜索带来了挑战，传统软件代码的经典搜索界面可能受到限制。在本文中，我们提出，NBSearch，一个新的系统，支持语义代码搜索笔记本收藏和交互式视觉探索的搜索结果。NBSearch利用先进的机器学习模型来支持自然语言搜索查询和直观的可视化，以在返回的结果中呈现复杂的笔记本内部和笔记本之间的关系。我们通过一个迭代的参与式设计过程与来自一家大型软件公司的两位专家一起开发了NBSearch。我们通过一系列实验对模型进行了评估，并通过受控用户研究对整个系统进行了评估。结果表明，我们的分析管道的可行性和NBSearch的有效性，以支持大型笔记本电脑集合中的代码搜索。
2021-02-02 cs.HC
CohortVA: A Visual Analytic System for Interactive Exploration of Cohorts based on Historical Data
在历史研究中，队列分析试图通过研究历史人物的群体行为来识别社会结构和人物流动性。以往的工作主要采用自动数据采掘方法，缺乏有效的可视化解释。在本文中，我们提出了CohortVA，一个互动的视觉分析方法，使历史学家将专业知识和洞察力的迭代探索过程。CohortVA的核心是一种新的识别模型，它通过从大规模历史数据库中构建的预构建知识图谱来生成候选队列并构建队列特征。我们提出了一套协调的意见，以说明确定的队列和功能，再加上历史事件和数字配置文件。两个案例研究和对历史学家的采访表明，CohortVA可以大大提高队列识别，数字认证和假设生成的能力。
2022-08-19 cs.HC
Facilitating Visual Media Exploration for Blind and Low Vision Users through AI-Powered Interactive Storytelling
本研究提出AI驱动的交互式叙事范式，通过层级、并行和分支三种叙事技术，帮助盲人和低视力用户在连贯体验中探索视觉媒体，平衡用户自主性与叙事连贯性。
2025-08-07 cs.HC
Collascope: Supporting Serendipitous Asset Exploration for Collage-Based Storytelling
HKUST（香港科技大学）；HKUST (GZ)（香港科技大学（广州））；Stanford University（斯坦福大学）；Microsoft Research（微软研究院）
Collascope是支持拼贴式叙事的交互式系统，通过属性感知视觉检索等方法，在用户研究中助力创作者调整叙事、丰富创作，优化了素材探索体验。
2026-08-04 cs.HC
A Graphical Workflow Exploration Environment For Visual Analytics
图形历史机制已经广泛应用于许多领域，以支持人类有限的工作记忆，错误恢复，协作和可视化分析中的呈现。然而，在为可视化分析系统设计图形历史系统以帮助具有复杂工作流程的分析师方面，仍有一些方面未得到充分探索。在本文中，我们报告我们的设计研究领域的专家，在那里我们表征域任务，并设计了一个可视化的图形化工作流管理环境。我们的环境允许分析师与同事一起高效地查看、编辑、导航和探索复杂的工作流程。为了评估环境，我们提出了一个案例研究和用户研究。在案例研究中，我们探讨了两个领域的专家如何进行合作审查，沟通，并与我们的环境培训;而在用户研究与汽车数据，我们揭示了我们的环境如何帮助用户和历史机制如何影响用户的视觉问题解决行为。
2022-04-21 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
Understanding Expert Exploration in EHR Visualization Tools: The ParcoursVis Use Case
本研究基于ParcoursVis系统，提出一种理解从业者在探索医疗数据时心智模型的评估方法，旨在揭示专家用户的探索策略及探索性工具在健康数据分析中的效用。
2025-09-12 cs.HC
GeoDEN: A Visual Exploration Tool for Analysing the Geographic Spread of Dengue Serotypes
本文提出 GeoDEN 可视化探索工具，通过用户中心设计帮助流行病学家分析全球登革热血清型时空传播模式，经验证能验证假设并发现新见解。
2025-04-12 cs.HC
FOX: Visual Exploration of Data Fact Outliers
Nanyang Technological University（南洋理工大学）
针对现有EDA系统在数据事实异常值分析上的不足，提出可视化分析系统FOX，通过分组数据事实、计算统一异常值分数及多面板关联视图，经评估可有效检测分析数据事实异常值。
2026-08-18 cs.HC
Guided By AI: Navigating Trust, Bias, and Data Exploration in AI-Guided Visual Analytics
本研究通过实验探究了AI引导的可视化分析中透明度和任务难度对用户信任、建议接受及数据探索的影响，发现任务越难用户越易接受低准确率建议，且透明度对信任无显著影响，为AI引导工具设计提供了启示。
2024-04-22 cs.HC
FlowSense: A Natural Language Interface for Visual Data Exploration within a Dataflow System
New York University（纽约大学）
数据流可视化系统通过允许用户构建一个包含查询和可视化模块的图来指定系统功能，从而实现灵活的可视化数据探索。然而，学习流程图的使用会带来额外的开销，这通常会使用户感到沮丧。在这项工作中，我们设计的FlowSense，一个自然语言接口的可视化系统，利用国家的最先进的自然语言处理技术，以协助可视化图建设。FlowSense使用具有特殊话语标记和特殊话语占位符的语义解析器来概括不同的数据集和图。它显式地将识别的数据集和图表特殊话语呈现给用户，以实现低上下文感知。使用FlowSense，用户可以通过简单的英语更方便地扩展和调整流程图。我们将FlowSense应用到VisFlow子流可视化系统中，以增强其可用性。我们评估FlowSense的一个案例研究领域的专家在现实世界中的数据分析问题和正式的用户研究。
2019-10-06 cs.HC cs.LG
DataSite: Proactive Visual Data Exploration with Computation of Insight-based Recommendations
理想情况下，有效的数据分析需要分析师具有高度的专业知识和数据知识。即使如此熟悉，手动追求所有潜在的假设和探索所有可能的观点也是不切实际的。我们提出了DataSite，一个主动的可视化分析系统，选择和执行适当的计算的负担是由一个自动服务器端计算引擎共享。由这些自动后台过程识别的显著特征作为馈送时间轴中的通知而显现。DataSite有效地将数据分析转化为分析师和计算机之间的对话，从而减少认知负荷和领域知识需求。我们通过用户研究验证了该系统，并将其与最近的可视化推荐系统进行了比较，取得了显着的改进，特别是对于现有分析系统不支持的复杂分析。
2018-09-22 cs.HC
LatentGandr: Visual Exploration of Generative AI Latent Space via Local Embeddings
Tufts University（塔夫茨大学）；Fujitsu（富士通）；University of Utah（犹他大学）
本文提出LatentGandr，通过提取高维潜在空间中的局部线性维度，实现生成AI潜在空间的可视化探索，提升用户交互体验。
2026-09-01 cs.HC
Tensions between Preference and Performance: Designing for Visual Exploration of Multi-frequency Medical Network Data
本文通过两类高保真 EEG 脑网络可视化原型及专家/非专家对照评估，揭示新颖美观设计、可视化理论最优性与实际任务性能和偏好之间的权衡。
2024-04-05 cs.HC
An Exploratory Study on Visual Exploration of Model Simulations by Multiple Types of Experts
不同领域的专家越来越多地依赖于复杂流程的仿真模型来获得见解，做出决策和规划未来的项目。这些模型通常用于研究可能的权衡，因为专家们试图在一次调查中优化多个相互冲突的目标。然而，理解所有复杂的模型对于一个领域专家来说是一个挑战。我们提出了一个简单的方法来支持多个专家在探索复杂的模型结果。首先，我们减少了模型的探索空间，然后在一个共享的交互式表面上，在散点图矩阵和链接视图的形式呈现的结果。为了探索多个专家如何使用这种设置来分析权衡，我们进行了一项观察性研究，重点关注分析过程中专业知识和洞察力生成之间的联系。我们的研究结果揭示了不同的探索策略和多故事情节的方法，领域专家在权衡分析，并告知我们的建议，协作模型探索系统。
2019-02-05 cs.HC
Paint by Odor: An Exploration of Odor Visualization through Large Language Model and Generative AI
Academy of Arts and Design, Tsinghua Unviersity（清华大学美术学院）；The Future Laboratory, Tsinghua University（清华大学未来实验室）；School of Digital Media and Design Arts, Beijing University of Posts and Telecommunications（北京邮电大学数字媒体与设计艺术学院）；School of Architecture, Tsinghua University（清华大学建筑学院）
本文提出通过大语言模型和生成式人工智能实现自动气味可视化的方法，探索了气味感知与生成工具的结合，揭示了语言描述和抽象风格对气味图像生成的影响。
2026-02-04 cs.HC
Opening Access to Visual Exploration of Audiovisual Digital Biomarkers: an OpenDBM Analytics Tool
数字生物标志物（DBM）是一个不断发展的领域，越来越多地在精神病和神经退行性疾病的治疗领域进行测试。与此同时，在工业、学术界和诊所中使用的视听DBM知识的孤立孤岛阻碍了它们在临床研究中的广泛采用。我们如何帮助这些非技术领域专家探索视听数字生物标志物？在生物医学研究中使用开源软件来提取患者的行为变化正在增长，并激发了向可访问性的转变，以解决这一问题。OpenDBM集成了几个流行的音频和视频开源行为提取工具包。我们提出了一个可视化的分析工具，作为不断增长的开源软件，OpenDBM的扩展，以促进基础和应用研究中的视听DBMs的采用。我们的工具说明了行为数据中的模式，同时支持通过OpenDBM提取的派生或原始DBM变量的任何子集的交互式可视化分析。
2022-10-04 cs.HC
"I Want to Figure Things Out": Supporting Exploration in Navigation for People with Visual Impairments
导航辅助系统（NAS）旨在帮助视障人士（VIP）在不熟悉的环境中导航。今天的大多数NAS通过逐向导航支持VIP，但越来越多的工作也强调了探索的重要性。然而，目前还不清楚如何设计NAS来帮助VIP探索不熟悉的环境。在本文中，我们进行了定性研究，以了解贵宾的信息需求和挑战，探索不熟悉的环境，目的是通知设计的NAS，支持探索。研究结果揭示了VIP需要的空间信息类型以及影响VIP信息偏好的因素。我们还发现了VIP面临的具体挑战，未来的NAS可以解决这些挑战，例如定向和移动教育以及与他人有效合作。我们提出了设计的影响，支持探索的NAS，我们确定了具体的研究机会，并讨论了开放的社会技术挑战，使这种NAS成为可能。最后，我们反思我们的研究程序，告知未来的方法，在研究中可能会采取的伦理考虑，同时与更广泛的VIP社区互动。
2022-11-29 cs.HC
LargeNetVis: Visual Exploration of Large Temporal Networks Based on Community Taxonomies
时间（或时间演化）网络通常用于模拟复杂系统及其组件随时间的演化。虽然这些网络可以通过不同的方式进行分析，但可视化分析是在进行定量/统计分析之前进行预分析的有效方法，以识别数据中的模式，异常和其他行为，从而获得新的见解和更好的决策。然而，在许多现实世界的网络中，大量的节点、边和/或时间戳可能导致污染的布局，使得分析效率低下甚至不可行。在本文中，我们提出了LargeNetVis，一个基于Web的可视化分析系统，旨在帮助分析小型和大型的时间网络。它成功地实现了这一目标，利用三个分类集中在网络社区，以指导视觉探索过程。该系统是由四个交互式的视觉组件：第一（分类矩阵）提出了一个总结的网络特征，第二（全球视图）给出了一个概述的网络演变，第三（一个节点链接图），使社区和节点级的结构分析，和第四（一个时间活动图- TAM）显示社区和节点级的活动下的时间的角度来看。
2022-08-08 cs.HC
A Visual Analytics System for Interactive Exploration of Historical Painter Cohorts
College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）；School of Computer and Computing Science, Hangzhou City University（杭州城市学院计算机与计算科学学院）；State Key Lab of CAD&CG and the Laboratory of Art and Archaeology Image, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室及艺术与考古图像实验室）
针对历史画家群体分析中特征非结构化、继承关系复杂和群体定义验证困难等问题，提出HPC-Vis系统，通过多尺度特征构建、继承关系重构和推荐模型，结合创新可视化设计，支持交互式探索。
2026-06-02 cs.HC
A Knowledge-Assisted Visual Malware Analysis System: Design, Validation, and Reflection of KAMAS
IT安全专家从事基于行为的恶意软件分析，以了解以前未知的恶意软件（恶意软件）或恶意软件家族样本。为此，他们需要从大量的执行跟踪中找到可疑模式并对其进行分类。目前可用的系统不满足分析师的需求描述为：视觉访问适合于复杂的数据结构，适合IT安全专家的视觉表示，提供工作流特定的交互技术，并能够外部化的规则的形式，以便于分析和与同事共享的知识。为了缩小这一差距，我们设计并开发了KAMAS，这是一个用于基于行为的恶意软件分析的知识辅助可视化系统。KAMAS支持恶意软件分析师使用可视化分析和分析过程的知识外部化方法。手头的文件是一个设计研究，描述了原型的设计，实施和评估。我们报告的验证KAMAS的专家评论，用户研究领域的专家，和焦点小组会议与行业分析师。此外，我们反映了设计研究所获得的见解，并讨论了应用可视化方法的优点和缺点。
2017-02-24 cs.CR cs.HC
How Does User Behavior Evolve During Exploratory Visual Analysis?
针对现有计算模型静态视角与探索性视觉分析（EVA）动态特性不符的问题，本文通过实证分析探究用户EVA交互行为演化与在线学习技术假设的关联，为用户建模与系统设计提供参考。
2023-12-15 cs.HC
EntityWeaver: Visual Exploration and Curation of Named-Entity Relationships in Document Collections
University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅那大学计算机与信息科学学院）
EntityWeaver是一个交互式可视化系统，通过不确定性感知的图与源文本直接交互，支持文档集合中命名实体关系的大规模模式发现与策管。
2026-09-30 cs.HC
A Hierarchical Aggregation Framework for Efficient Multilevel Visual Exploration and Analysis
数据探索和可视化系统在大数据时代非常重要，在大数据时代，可用信息的数量和异构性使得人类难以手动探索和分析数据。大多数传统系统以离线方式运行，仅限于访问预处理（静态）数据集。它们还限制自己处理小数据集大小，这可以很容易地用传统技术处理。然而，大数据时代已经实现了大量和各种各样的动态大数据集的可用性;它们中的大多数提供API或查询端点用于在线访问，或者以流的方式接收数据。因此，现代系统必须解决在大型动态数据集上的动态可扩展可视化的挑战，提供有效的探索技术以及信息抽象和汇总的机制。在这项工作中，我们提出了一个通用的模型，个性化的多层次的探索和分析大型动态集的数值和时间数据。我们的模型是建立在一个轻量级的基于树的结构，可以有效地构建在一个给定的数据集的飞行。这种树结构将输入对象聚合到分层多尺度模型中。考虑到大数据集上的不同探索场景，该模型实现了高效的多级探索，通过用户交互提供增量构建和预取，并根据用户偏好动态适应层次结构。一个彻底的理论分析，说明所提出的模型的效率。所提出的模型是在一个基于Web的原型工具中实现的，称为SynopsViz，它提供了对关联数据集的多级可视化探索和分析。
2016-02-19 cs.DB cs.DS cs.HC
JobViz: Skill-driven Visual Exploration of Job Advertisements
针对招聘网站基础筛选难以匹配求职者技能的问题，本文提出 JobViz 三层交互式可视化，并基于 51Job 真实数据通过案例研究和访谈验证其有效性。
2024-08-04 cs.HC
Visual Analytics for Temporal Hypergraph Model Exploration
从生物学中的基因相互作用到计算机网络再到社交媒体，许多过程都可以更精确地建模为时间超图，而不是常规图。这是因为超图通过扩展边来连接任意数量的顶点，从而使复杂的关系能够更准确地描述并预测它们随时间的行为。然而，这种基于超图的预测模型的交互式探索和无缝改进仍然是一个重大挑战。我们贡献了Hyper-Matrix，这是一种新颖的视觉分析技术，通过机器学习和交互式可视化之间的紧密耦合来解决这一挑战。特别是，该技术将几何深度学习模型作为问题特定模型的蓝图，同时将基于图形和基于类别的数据的可视化与交互的新颖组合相集成，以实现对超图模型的有效用户驱动探索。为了消除苛刻的上下文切换并确保可扩展性，我们基于矩阵的可视化提供了跨多个语义缩放级别的下钻功能，从模型预测的概述到内容。我们促进了重点分析相关的连接和群体的基础上，交互式用户导向过滤和搜索任务，一个动态可修改的分区层次结构，各种矩阵重新排序技术，和交互式模型反馈。我们在案例研究中评估我们的技术，并通过与执法专家使用现实世界的互联网论坛通信数据进行形成性评估。结果表明，我们的方法超越现有的解决方案的可扩展性和适用性，使领域知识的纳入，并允许快速搜索空间遍历。有了这项技术，我们铺平了道路，在各种各样的领域的时间超图的视觉分析。
2020-10-12 cs.HC
EVM: Incorporating Model Checking into Exploratory Visual Analysis
本研究提出EVM数据探索工具，将基于可视化的统计模型检测融入视觉分析，在用户数据视图旁展示模型预测分布，经用户研究明确其对分析思考的作用及未来优化方向。
2023-08-24 cs.HC
VAIR: Visual Analytics for Injury Risk Exploration in Sports
Harvard University（哈佛大学）；Dolby Laboratories（杜比实验室）；Aarhus University（奥胡斯大学）；Gotham FC（哥谭足球俱乐部）；University of Louisville（路易斯维尔大学）
VAIR通过结合姿态估计、生物力学模拟和可视化分析，帮助体育领域专家更高效地识别和解释危险运动，支持伤害风险分析与预防。
2025-12-19 cs.HC
InkIdeator: Supporting Chinese-Style Visual Design Ideation via AI-Infused Exploration of Chinese Paintings
Sun Yat-sen University（中山大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
InkIdeator通过融合AI技术，利用多模态大模型分析中国绘画中的文化维度，为中文风格视觉设计提供构思支持，帮助用户高效探索文化符号和可视化想法。
2026-01-26 cs.HC
Fuzzy Ontology Embeddings and Visual Query Building for Ontology Exploration
本文提出 FuzzyVis 系统，将模糊本体嵌入与可视化查询构建相结合，使用户无需掌握形式化查询语言即可通过逻辑组合概念进行灵活、近似且可解释的复杂本体探索。
2025-08-16 cs.HC
ASEVis: Visual Exploration of Active System Ensembles to Define Characteristic Measures
模拟集成是物理学中用于理解模型结果如何取决于输入参数的常用工具。我们分析了一个活跃的粒子系统，其中每个粒子都可以利用周围环境的能量来推动自己。一个包含所有粒子运动信息的多维特征向量可以描述整个系统在每一个时间步。系统的行为强烈依赖于输入参数，如粒子的推进机制。为了理解时变行为如何依赖于输入参数，有必要引入新的措施来量化系综成员的动力学差异。我们提出了一种支持时变特征向量集合交互式视觉分析的工具。我们的工具的核心组件允许交互式定义和改进的新措施，然后可以用来了解系统的行为和比较合奏成员。不同的可视化支持用户找到系统的特征度量。通过可视化用户定义的度量，用户可以研究参数依赖性，并深入了解输入参数和仿真输出之间的关系。
2022-07-13 cs.HC
HyperNP: Interactive Visual Exploration of Multidimensional Projection Hyperparameters
Tufts University（塔夫茨大学）；University of Sao Paulo（圣保罗大学）；University of Utrecht（乌得勒支大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）；Novartis（诺华公司）
投影算法，如t-SNE或UMAP是有用的高维数据的可视化，但依赖于超参数，必须仔细调整。不幸的是，迭代地重新计算投影以找到最佳超参数值是计算密集型的，并且由于这些方法的随机性而不直观。在本文中，我们提出了HyperNP，一个可扩展的方法，允许实时交互式超参数探索的投影方法，通过训练神经网络近似。HyperNP可以在总数据实例和超参数配置的一小部分上进行训练，并且可以以交互式速度计算新数据和超参数的投影。HyperNP尺寸紧凑，计算速度快，因此可以嵌入到轻量级可视化系统中，如Web浏览器。我们在性能和速度方面评估了HyperNP在三个数据集上的性能。结果表明，HyperNP是准确的，可扩展的，交互式的，适合在现实世界中使用。
2021-06-25 cs.HC cs.LG
GeoTEAM: A Geospatial Tangible User Interface for Exploration and Visual Analysis of Migration Data
Toronto Metropolitan University（多伦多都会大学）；Wilfrid Laurier University（韦仕敦大学）；University of Technology Sydney（悉尼科技大学）；Ontario Tech University（安大略理工大学）；Edinburgh Napier University（爱丁堡纳皮尔大学）
研究针对移民研究跨学科协作需求及地理空间有形用户界面缺乏数据值实时视觉反馈的问题，提出GeoTEAM系统，经多专长研究人员评估，该系统借物理交互和实时反馈促进协作等，提升用户信心。
2026-07-28 cs.HC
Visual Exploration System for Analyzing Trends in Annual Recruitment Using Time-varying Graphs
应届毕业生的年度招聘数据是由行业人力资源专家（HR）手动分析的，这意味着需要评估HR专家的招聘策略。每年都有不同的求职者向公司递交求职申请。申请人属性之间的关系（例如，英语技能或学历）可用于分析多年数据中招聘趋势的变化。但是，大多数属性都是未规范化的，因此需要彻底的预处理。这种未规范化的数据阻碍了在数据分析的早期阶段对申请人之间关系的有效比较。因此，非常需要一个视觉探索系统，以便从多年来申请人之间的关系概述中获得洞察力。在这项研究中，我们提出了实体关联相关性网络分析的极化属性（Panacea）可视化系统。该系统集成了时变图模型和异构表格数据的动态图可视化。使用这个系统，人力资源专家可以交互式地检查未来员工的两个属性之间的关系。此外，我们展示了Panacea的可用性与代表性的例子，发现隐藏的趋势，在现实世界的数据集，然后描述人力资源专家的反馈，在整个Panacea的发展。拟议的Panacea系统使人力资源专家能够直观地探索新毕业生的年度招聘。
2020-08-23 cs.HC cs.SI
$E^3$: Visual Exploration of Spatiotemporal Energy Demand
了解需求方的能源行为对于能源需求管理的效率反应至关重要。我们与能源专家密切合作，确定了能源需求问题的关键要素，包括时间和空间需求以及时空需求的变化。据我们所知，没有以前的研究调查的时空需求的变化。为了填补这一研究空白，我们提出了一个统一的可视化分析方法，以支持探索性的需求分析，我们开发了E3，一个高度互动的工具，支持用户通过人-客户端-服务器交互，使和验证假设。一种新的基于势流的方法被形式化，以模拟能源需求的变化，并集成到服务器端引擎。然后，专家们通过对真实世界电力数据的案例研究，评价并肯定了这一方法的实用性。未来，我们将改进建模算法，增强可视化，并扩展流程以支持更多形式的能源数据。
2020-06-16 cs.CY cs.HC
Mapper Interactive: A Scalable, Extendable, and Interactive Toolbox for the Visual Exploration of High-Dimensional Data
映射器算法是拓扑数据分析中一种常用的工具，用于提取高维数据集的拓扑摘要。在本文中，我们提出了映射交互式，一个基于Web的框架的交互式分析和可视化的高维点云数据。它以交互式、可伸缩和易于扩展的方式实现了映射器算法，从而支持实际的数据分析。特别是，它的命令行API可以在大约3分钟内计算256维的100万个点的映射器图（比vanilla实现快4倍）。它的可视化界面允许基于用户指定的参数对映射图进行实时计算和操作，并支持通过几行代码添加新的分析模块。Mapper Interactive使非专业人员也能使用映射器算法，并加快拓扑分析工作流程。
2021-04-27 cs.CG cs.GR cs.HC
A Unified Comparison of User Modeling Techniques for Predicting Data Interaction and Detecting Exploration Bias
Washington University（华盛顿大学）
可视化分析社区已经提出了几种用户建模算法来捕获和分析用户的交互行为，以帮助用户进行数据探索和洞察生成。例如，一些可以检测探索偏差，而另一些可以预测用户将在交互发生之前与之交互的数据点。研究人员认为，这些算法可以帮助创建更智能的可视化分析工具。然而，社区缺乏对这些现有技术的严格评估和比较。因此，关于何时使用何种方法的指导有限。我们的论文试图通过比较和排名八个用户建模算法，根据他们的性能在一组不同的四个用户研究数据集，以填补这一空白。我们分析了探索偏差检测，数据交互预测和算法复杂性等措施。基于我们的研究结果，我们强调了分析用户交互和可视化起源的开放挑战和新方向。
2022-08-09 cs.HC cs.LG
Urban Mosaic: Visual Exploration of Streetscapes Using Large-Scale Image Data
城市规划越来越受数据驱动，但在城市规模上使用数据进行设计，并对人类规模的影响保持敏感，这一挑战在今天与Jane Jacobs一样重要。我们通过Urban Mosaic来应对这一挑战，Urban Mosaic是一种通过纽约市770万张街道级图像的空间和时间密集数据集来探索城市结构的工具，这些图像是在一年内捕获的。与专业从业者合作，我们使用Urban Mosaic来调查可达性和流动性，以及保护和改造的问题。在这样做的过程中，我们展示了如何这样的工具可能会提供城市和街道之间的桥梁，通过支持活动，如地理上遥远的街区的视觉比较，以及展开城市发展的时间分析。
2020-08-31 cs.CY cs.HC
