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
Foresight: Rapid Data Exploration Through Guideposts
目前用于探索性数据分析（EDA）的工具需要用户手动选择数据属性、统计计算和可视化编码。对于大规模的复杂数据来说，这可能令人生畏。我们介绍了一个可视化的推荐系统Focal，它可以帮助用户通过“路标”快速浏览大型高维数据集。路标是一种可视化，对应于底层数据的统计描述符的明显实例，例如两个属性之间的强线性相关性，单个属性平均值的高偏斜度或集中度，或值的强聚类。对于每一个描述符，Focal首先根据适当的排名指标呈现“最强”实例的可视化。给定这些初始路标，用户然后可以通过发出包含对度量类型、度量强度、数据属性和数据值的约束的“路标查询”来查看“附近的”路标。因此，用户可以直接探索路标网络，而不是数据属性和视觉编码的压倒性空间。Focal还为每个描述符提供了排名度量值的全局可视化，以帮助用户定位并确保彻底的探索过程。Focal使用快速近似的草图来计算排名指标，从而促进了对大型数据集的交互式探索。我们还对数据科学家的EDA实践提出了见解，总结了我们为设计Focal而进行的访谈研究的结果。
2017-09-29 cs.HC
Can AI agents understand spoken conversations about data visualizations in online meetings?
DaVInCi Laboratory（DaVInCi实验室）；University of Cincinnati（克利夫兰大学）
该研究针对在线会议场景下AI智能体对数据可视化口语对话的理解问题，提出双轴测试框架，基于72段对话语料测试不同模型与输入格式，发现纯文本输入模态表现最优，达96%。
2025-09-30 cs.AI cs.HC
Visual Auditor: Interactive Visualization for Detection and Summarization of Model Biases
Georgia Tech（佐治亚理工学院）；Fiddler AI（Fiddler人工智能公司）
随着机器学习（ML）系统变得越来越普遍，有必要在部署之前审计这些系统的偏差。最近的研究开发了算法，可以有效地识别可解释的、表现不佳的数据子集（或切片）形式的交叉偏差。然而，这些解决方案及其见解是有限的，没有一个工具来直观地理解和与这些算法的结果进行交互。我们提出了Visual Auditor，一个交互式的可视化工具，用于审计和总结模型偏差。Visual Auditor通过提供可解释的交叉偏差（检查由多个特征定义的总体时存在的偏差）概述、有关问题数据切片之间关系的详细信息以及模型中表现不佳和表现出色的数据切片之间的比较来协助模型验证。我们的开源工具直接在计算笔记本和Web浏览器中运行，使模型审计可访问并轻松集成到当前的ML开发工作流程中。与Fiddler AI的领域专家合作进行的一项观察性用户研究强调，我们的工具可以帮助ML从业者识别和理解模型偏差。
2022-06-25 cs.HC cs.LG
Chronoblox: Chronophotographic Sequential Graph Visualization
本研究提出动态图可视化系统Chronoblox，基于共用嵌入空间对图快照做时序摄影呈现，可直观展示局部与全局动态，经合成网络评估并在真实转发网络上验证了效果。
2024-05-13 cs.HC
Deep Generative Neural Embeddings for High Dimensional Data Visualization
Siemens Medical Solutions USA（美国西门子医疗系统公司）
我们提出了一种可视化技术，利用神经网络嵌入和生成网络重建原始数据。该方法允许通过其非参数结构独立操作各个图像嵌入，比传统的自动编码器方法提供更大的灵活性。我们已经评估了这种技术在数据可视化中的有效性，并将其与t-SNE和VAE方法进行了比较。此外，我们还通过ImageNet数据集上的可视化展示了我们方法的可扩展性。我们的技术在人在环训练中具有潜在的应用，因为它允许独立编辑嵌入位置而不影响优化过程。
2023-01-25 cs.CV cs.HC cs.LG
Embedding Atlas: Low-Friction, Interactive Embedding Visualization
Apple（苹果公司）
本文提出嵌入图集（Embedding Atlas），一个可扩展的交互式可视化工具，利用现代网络技术和密度聚类、自动标注等算法，减少嵌入可视化的采用障碍和分析限制，并通过竞争性分析和性能基准验证其有效性。
2025-07-08 cs.HC cs.LG
AdaVis: Adaptive and Explainable Visualization Recommendation for Tabular Data
针对现有ML可视化推荐方法假设单一结果且缺乏可解释性的问题，提出AdaVis，利用基于盒嵌入的知识图谱建模一对多映射并结合注意力机制，实现自适应且可解释的多可视化推荐。
2023-10-18 cs.HC
InsigHTable: Insight-driven Hierarchical Table Visualization with Reinforcement Learning
InsigHTable提出混合主动的洞察驱动层次化表格可视化系统，利用深度强化学习与辅助奖励机制优化构建过程，通过案例与实验验证其有效性和可用性。
2024-05-27 cs.HC
Management and Visualization Tools for Emergency Medical Services
本文介绍一款整合统计预测、模拟与可视化功能的在线工具，支持紧急医疗事件地点、救护车移动轨迹的可视化与性能分析，可上传自定义数据，未来将支持嵌入额外调度算法。
2025-08-19 cs.HC
Towards Collective Storytelling: Investigating Audience Annotations in Data Visualizations
本研究以批判制图学为启发，探究数据可视化中受众标注的作用，发现标注可助力集体数据叙事、促进读者共情与反思，甚至成为可视化的核心焦点。
2025-03-24 cs.HC
Same Data, Different Audiences: Using Personas to Scope a Supercomputing Job Queue Visualization
本文通过设计研究提出嵌入笔记本的 Guidepost 超级计算机队列可视化，并借助用户角色区分共享与专属任务，以点击交互和脚本扩展同时服务三类利益相关者。
2025-07-23 cs.HC
Uncovering Temporal Patterns in Visualizations of High-Dimensional Data
Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）；Baylor College of Medicine（贝勒医学院）
针对高维时间序列数据降维可视化丢失时间模式的问题，提出引入两个时间损失项的降维扩展方法，在合成与真实数据上有效揭示时间模式并提升可解释性。
2024-12-14 cs.HC cs.LG
The Ball is in Our Court: Conducting Visualization Research with Sports Experts
大多数体育可视化依赖于空间、高度时间性和以用户为中心的数据的组合，这使得体育成为可视化的一个具有挑战性的目标。增强现实和混合现实（AR/XR）等新兴技术为体育可视化带来了令人兴奋的机遇和新的挑战。我们分享了与体育领域专家合作的经验，并介绍了在SportsXR中进行可视化研究的经验教训。在我们之前的工作中，我们针对不同类型的体育用户，包括运动员，游戏分析师和粉丝。每个用户组都有独特的设计约束和要求，例如在训练中获得实时视觉反馈、自动化低级视频分析工作流程或个性化嵌入式可视化以进行实时游戏数据分析。在本文中，我们总结了我们在SportsXR上工作时发现的最佳实践和陷阱。我们强调了与体育领域专家合作设计和评估体育可视化以及与新兴AR/XR技术合作的经验教训。我们设想，体育可视化研究将通过其独特的挑战和机遇，沉浸式和现场分析，使更大的可视化社区受益。
2022-11-15 cs.HC
Let the Chart Spark: Embedding Semantic Context into Chart with Text-to-Image Generative Model
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）
提出ChartSpark系统，利用文本到图像生成模型将语义上下文嵌入图表，支持前景与背景图形生成，并集成交互界面，解决传统方法数据完整性受损与适用性受限问题。
2023-07-02 cs.AI cs.HC
Stochastic Neighbor Embedding of Multimodal Relational Data for Image-Text Simultaneous Visualization
Kyoto University（京都大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；NAVER Corporation（NAVER公司）
多模态关系数据分析近年来变得越来越重要，用于探索不同领域的数据，诸如从社交网络服务（例如，Flickr）。已经开发了各种数据分析方法用于可视化;举一个例子，t-随机邻居嵌入（t-SNE）计算低维特征向量，以便它们的相似性保持观察到的数据向量。然而，t-SNE是专为一个单一的数据域，但不是多模态数据，本文的目的是在可视化的多模态关系数据组成的数据向量在多个域与这些向量之间的关系。通过扩展t-SNE，本文提出了多模态关系随机邻居嵌入（MR-SNE），即（1）首先计算增强关系，其中我们观察跨域的关系，并通过观察到的数据向量计算每个域内的关系，以及（2）将增强关系联合嵌入到低维空间。通过可视化的Flickr和动物与属性2数据集，建议MR-SNE与其他基于图嵌入的方法进行了比较，MR-SNE展示了有前途的性能。
2020-05-02 cs.CL cs.CV cs.HC
Pluto: Authoring Semantically Aligned Text and Charts for Data-Driven Communication
针对现有可视化工具对文本与图表联合创作支持有限的问题，提出混合主动式系统Pluto，通过利用图表特征和用户文本建议内容呈现方式，初步研究显示其可辅助创作并识别策略，还讨论了相关设计意义。
2025-02-11 cs.HC
What really happened on September 15th 2008? Getting The Most from Your Personal Information with Memacs
组合和汇总来自各种数据源的元数据是解决我们所遭受的数据碎片的一种可能的解决方案。多个项目已经解决了这个问题。本文提出了一种新的方法Memacs。它会自动生成一个详细的链接日记，记录我们分散在多种格式的本地文件以及互联网数据仓库中的数字工件。作为一个优雅的简单和开放的，Memacs使用GNU Emacs和Org模式的现有可视化功能，为生活日志，量化自我运动以及寻找高级个人信息管理（PIM）的人们提供了一个有前途的平台。
2013-04-04 cs.HC cs.IR
In search of the most efficient and memory-saving visualization of high dimensional data
AGH University of Science and Technology（AGH科技大学）
大型多维数据集的交互式探索在各个科学领域中起着非常重要的作用。它不仅可以确定重要的结构特征和形式，如顶点群及其连接模式，而且可以从位置、距离、形状和连接密度等方面评估它们之间的相互关系。我们认为，多维数据的可视化是很好地近似的问题，二维嵌入的无向最近邻图。复杂网络的规模是当今计算机系统的主要挑战，并且仍然需要更有效的数据嵌入算法。现有的减少方法太慢，不允许交互式操作。我们表明，高质量的嵌入产生最小的时间和内存的复杂性。我们提出了非常有效的IVHD算法（CPU和GPU），并将它们与最新和最流行的降维方法进行比较。我们表明，内存和时间的要求是显着低于基本代码。在嵌入质量略有下降的代价下，IVHD以更低的时间预算很好地保留了数据的主要结构属性。我们还提出了一个元算法，允许使用任何无监督的数据嵌入方法在监督的方式。
2023-02-27 cs.HC cs.LG
Visualization of Collaborative Data
University of California, Riverside（加州大学河滨分校）
协作数据由与两组不同对象相关的评级组成：用户和项目。使用这些数据的大部分工作都集中在过滤上：预测用户和项目对的未知评级。在本文中，我们专注于可视化信息的问题。给定所有评分，我们的任务是将所有用户和项目作为点嵌入到同一个欧几里得空间中。我们希望将用户放置在他们评价（或将评价）高的项目附近，远离他们将给予低评价的项目。我们把这个问题作为一个实值非线性贝叶斯网络，并采用马尔可夫链蒙特卡罗和期望最大化找到一个嵌入。我们提出了一个度量标准，通过它来判断可视化的质量，并将我们的结果与三个真实世界数据集上的局部线性嵌入和Eigentaste进行比较。
2012-06-27 cs.AI cs.GR cs.HC
Unsupervised visualization of image datasets using contrastive learning
University of Tübingen（蒂宾根大学）
提出一种名为 t-SimCNE 的新方法，结合对比学习与邻居嵌入，将高维像素空间参数化映射至二维，实现了与 SimCLR 相当的分类准确率，并生成了展示丰富聚类结构和异常值的图像数据集可视化。
2023-02-28 cs.CV cs.HC cs.LG
Authoring Narrative Visualization in Motion: Visual Storytelling in Swimming Videos
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Université de Lyon, École Centrale de Lyon（里昂大学，里昂中央理工学院）；Université Paris-Saclay（巴黎萨克雷大学）
研究如何在体育视频中创作动态叙事可视化，以游泳视频为案例，通过自动化管道提取数据、分析得出叙事结构并设计技术探针支持创作，经评估检验其益处与挑战。
2026-07-17 cs.GR cs.HC
A General Framework for Visualizing Embedding Spaces of Neural Survival Analysis Models Based on Angular Information
Carnegie Mellon University（卡内基梅隆大学）
提出一种基于锚定方向与角度信息的通用框架，用于可视化神经生存分析模型的嵌入空间，支持表格与图像数据，并处理信息损失问题。
2023-05-11 cs.HC cs.LG stat.ML
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
A Scalable Approach to Clustering Embedding Projections
Apple（苹果公司）
针对嵌入投影可视化中点聚类计算成本高的问题，提出一种在投影二维空间用核密度估计的高效聚类算法，速度快数个数量级，还提供了算法设计、基准测试及标签生成等应用。
2025-05-16 cs.HC cs.LG
Vital Insight: Assisting Experts' Context-Driven Sensemaking of Multi-modal Personal Tracking Data Using Visualization and Human-In-The-Loop LLM
Northeastern University（东北大学）；Columbia University（哥伦比亚大学）
该研究针对多模态被动传感数据难以转化为高层次情境洞察的问题，构建了LLM辅助的可视化原型系统Vital Insight，通过专家用户研究提炼出意义建构模型与未来AI增强可视化系统的设计启示。
2025-10-29 cs.AI cs.HC
Geometry-Aware Planar Embedding of Treelike Structures
3D数据中空间和结构信息的复杂性日益增加，使得数据检查和可视化成为一项具有挑战性的任务。我们描述了一种方法来创建一个平面嵌入的三维树状结构，使用它们的骨架表示。我们的方法保持了原始的几何形状，没有重叠，以最好的程度，允许探索的拓扑结构在一个单一的视图。我们提出了一种新的摄像机视图生成方法，最大限度地提高了可见的几何属性（段的形状和段之间的相对位置）。相机视图是为各个段创建的，并用于通过将每个节点投影到2D来确定每个节点处的局部弯曲角度。最终的嵌入是通过基于分支长度和2D角度最小化能量函数（其权重是用户可调整的）而生成的，同时避免交叉。用户还可以交互式地修改2D嵌入内的片段放置，并且整体嵌入将相应地更新。使用为结构内的子树创建的分层相机视图来提供全局到局部的交互式探索。我们从定性和定量两个方面评估了我们的方法，并通过构建线数据（跟踪神经元）和体数据（CT血管和支气管数据）的平面可视化来展示我们的结果
2022-02-21 cs.GR cs.HC
A Panopticon on My Wrist: The Biopower of Big Data Visualization for Wearables
本文从批判性设计视角分析FitBit等可穿戴设备的大数据可视化，指出其作为新自由主义治理工具通过诱惑与成瘾促进个人信息货币化，并探讨了对用户的潜在伤害及用户体验设计师面临的挑战。
2024-12-03 cs.CY cs.HC cs.MM
NeuroDAVIS: A neural network model for data visualization
Indian Statistical Institute（印度统计研究所）；Tatras Data Services Pvt. Ltd.（Tatras数据服务私人有限公司）
提出无监督深度神经网络模型 NeuroDAVIS 用于高维数据降维与可视化，在不假设数据分布的前提下保持局部与全局结构，在多类数据集上优于或媲美 t-SNE、UMAP 等算法，且在下游任务中表现优异。
2023-04-01 cs.AI cs.HC cs.LG
