Segue: Overviewing Evolution Patterns of Egocentric Networks by Interactive Construction of Spatial Layouts
全面了解大量自我网络是如何演变的,是一项常见但具有挑战性的任务。现有的技术往往需要分析者一个接一个地考察自我网络的演化模式。在这项研究中,我们探索一种方法,允许分析师交互式地创建空间布局,其中每个点是一个动态的自我网络。这些空间布局提供了自我网络演化模式的概览,从而揭示了不同的全球模式,如趋势,集群和离群值的演化模式。为了让分析师交互式地构建可解释的空间布局,我们提出了一个数据转换管道,分析师可以调整空间布局,并将动态egonetworks转换为事件序列,以帮助解释的空间位置。基于这个转换管道,我们开发了Segue,这是一个可视化分析系统,支持对自我网络演化模式的深入探索。通过两个使用场景,我们展示了分析师如何通过交互式创建不同的空间布局来深入了解大量自我网络的整体演化模式。
2018-11-12 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
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
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
Visualizing Deep Neural Networks with Topographic Activation Maps
Otto-von-Guericke-University Magdeburg(马格德堡奥托·冯·格里克大学);MOTOR Ai GmbH(MOTOR Ai有限公司)
本研究借鉴神经科学的地形图思路,提出并比较多种DNN层神经元地形布局方法,生成地形激活图以识别错误、偏差及可视化训练过程,提升DNN决策系统的可解释性与透明度。
2023-06-14 cs.CV cs.HC cs.LG
Taggle: Combining Overview and Details in Tabular Data Visualizations
大多数表格数据可视化技术都专注于概述,但许多实际分析任务都涉及调查感兴趣的单个项目。同时,将一个条目与一个可能很大的表的其余部分相关联是很重要的。在这项工作中,我们提出了Taggle,一个表格可视化技术,用于探索和呈现大型和复杂的表格。Taggle采用了一种以项目为中心的类似电子表格的方法,使用单元格的可视编码单独可视化源数据中的每一行。同时,Taggle引入了数据驱动的数据子集聚合。聚合策略还辅以为回答特定分析问题而量身定制的交互方法,例如基于多列的排序以及丰富的数据选择和过滤功能。我们证明了Taggle使用的领域专家进行的复杂的基因组数据分析的药物发现的目的的案例研究。
2019-09-24 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
MetroSets: Visualizing Sets as Metro Maps
我们提出MetroSets,一个新的,灵活的在线工具,可视化集系统使用地铁地图隐喻。我们建模一个给定的集系统作为一个超图$\mathcal{H} = (V, \mathcal{S})$,由一个集$V$的顶点和一个集$\mathcal{S}$,其中包含子集的$V$称为hyperedges。然后,我们的系统计算$\mathcal{H}$的地铁地图表示,其中$\mathcal{S}$中的每个超边$E$对应于地铁线路,每个顶点对应于地铁站。出现在两个或多个超边中的顶点被绘制为地铁地图中的交汇处,连接不同的集合。MetroSets基于一个模块化的4步流水线,该流水线构建并优化了基于路径的超图支持,然后使用地铁地图布局算法绘制并示意化。我们为MetroSet管道的每一步提出并实现了多种算法,并提供了一个具有易于使用的预设配置的功能原型。此外,使用几个真实世界的数据集,我们进行了广泛的定量评估的影响,不同的管道阶段所需的属性生成的地图,如八线性,单调性和边缘均匀性。
2021-05-13 cs.GR cs.HC
Visualizing and Interacting with Geospatial Networks: A Survey and Design Space
本文综述了地理空间网络的可视化和交互技术,共95篇论文。地理空间网络是节点和链接可以与地理位置相关联的图形。例子包括社交网络、贸易和移徙以及交通和运输网络。可视化地理空间网络提出了许多挑战,围绕网络和地理信息以及其他信息,如节点和链接属性,时间和不确定性的集成。我们的概述分析了现有的技术沿四个维度:i)地理信息的表示,ii)网络信息的表示,iii)两者的视觉集成,和iv)使用的互动。这四个维度使我们能够讨论技术在显示所有这些维度的信息之间所做的权衡,以及如何解决在保持可视化可读性的同时显示尽可能多的信息的问题。https://geonetworks.github.io.
2021-03-24 cs.GR cs.HC
Graffinity: Visualizing Connectivity In Large Graphs
多变量图在许多领域都是多产的,包括运输和神经科学。图分析的一个关键任务是探索连通性,例如,分析信号如何通过神经元流动,或者探索不同城市通过航班连接的程度。虽然标准的节点链接图有助于判断连通性,但它们无法扩展到大型网络。邻接矩阵也不能扩展到大型网络,并且仅适用于判断相邻节点的连通性。实现可伸缩图可视化的一个关键方法是查询:而不是显示整个网络,只显示相关的子集。然而,如果查询结果足够大,用于分析图中连通性的基于查询的技术也很容易受到混乱的影响。为了弥补这一点,我们引入了技术,提供了一个概述的连接,并按需透露细节。我们有两个主要贡献:(1)两种新颖的可视化技术,它们协同工作,用于总结图形连接;(2)Graffinity,这些可视化的开源实现,辅以详细视图,以实现完整的分析工作流程。Graffinity是与神经科学家密切合作设计的,并针对连接组学数据分析进行了优化,但该技术适用于跨领域。我们验证的连接概述和我们的开源工具与说明性的例子,使用飞行和连接组学数据。
2017-03-22 cs.GR cs.HC
Visualizing Graph Neural Networks with CorGIE: Corresponding a Graph to Its Embedding
University of British Columbia(不列颠哥伦比亚大学);Facebook Inc.(Facebook公司)
本文提出CorGIE交互式可视化界面,通过K-hop图布局将输入图与其节点嵌入相对应,帮助GNN开发者理解模型是否真正学到图的特征,并通过案例研究验证其功能性与可用性。
2021-11-08 cs.HC cs.LG
Comparative Evaluation of Bipartite, Node-Link, and Matrix-Based Network Representations
这项工作调查和比较节点链接图,邻接矩阵和二分布局的可视化网络的性能。在一项众包用户研究(n = 150)中,我们测量了不同网络类别和属性的三种表示的任务准确性和完成时间。与文献相反,文献主要涵盖基于拓扑的任务(例如,路径发现)在小数据集,我们主要关注大型和有向网络的概述任务。我们考虑了500个节点的网络上的三个概述任务:(T1)网络类识别,(T2)聚类检测和(T3)网络密度估计,以及两个详细任务:(T4)节点入度与出度和(T5)表示映射,分别在50和20个节点的网络上。我们的研究结果表明,二分布局有利于揭示整体网络结构,而邻接矩阵是最可靠的跨不同的任务。
2022-08-08 cs.HC
SpreadLine: Visualizing Egocentric Dynamic Influence
本文提出 SpreadLine 可视化框架,基于故事线和地铁图隐喻从强度、功能、结构和内容四个方面探索自我中心网络动态关系,并通过案例与可用性研究验证其有效性。
2025-03-05 cs.HC
Evaluating the Readability of Force Directed Graph Layouts: A Deep Learning Approach
Blackrock(贝莱德)
现有的图形布局算法通常无法优化图形布局中所需的所有美学属性。为了评估所需的视觉功能在图形布局中的反映程度,在过去的几十年中已经提出了许多可读性指标。然而,这些可读性度量的计算通常需要访问节点和边坐标,并且通常计算效率低下,特别是对于密集图。重要的是,当节点和边坐标不可访问时,就不可能定量地评估图形布局。在本文中,我们提出了一种新的基于深度学习的方法,通过直接使用图形图像来评估图形布局的可读性。提出了一种卷积神经网络结构,并在一个基准数据集上进行训练,该数据集由合成生成的图和从真实大型网络中采样创建的图组成。多个代表性的可读性指标(包括边缘交叉,节点扩散,和组重叠)被认为是在所提出的方法。我们将我们的方法与传统方法进行定量比较,并使用案例研究和可视化卷积层来定性评估我们的方法。这项工作是使用基于深度学习的方法来定量评估可视化领域的图像的第一步。
2018-11-14 cs.CV cs.GR cs.HC
DiffSeer: Difference-based Dynamic Weighted Graph Visualization
现有的动态加权图可视化方法依赖于用户的心理比较来感知动态加权图的时间演化,阻碍了用户有效地分析跨多个时间片的变化。我们提出了DiffSeer,一种通过显式地可视化图结构的差异(例如,边缘权重差)。具体来说,我们提出了一种新的嵌套矩阵设计,概述了在一段时间内的图形结构的差异,以及显示在用户感兴趣的时间片图形结构的细节。通过综合考虑每个时间片的整体时间演化和结构细节,提出了一种基于优化的节点重排序策略,将具有相似演化模式的节点分组,突出每个时间片中有趣的图结构细节.我们对真实世界的图形数据集进行了两个案例研究,并对12个目标用户进行了深入访谈,以评估DiffSeer。实验结果表明,该方法在动态赋权图的可视化中是有效的。
2023-02-15 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
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
ChordLink: A New Hybrid Visualization Model
许多现实世界的网络是全局稀疏但局部密集的。典型的例子是社交网络、生物网络和信息网络。这种双重结构的性质使得很难采用一个同质的可视化模型,同时清楚地传达网络的概况及其社区的内部结构。因此,已经提出了混合可视化的使用。例如,NodeTrix结合了基于节点链路和矩阵的表示(Henry等人,2007年)。在本文中,我们描述了ChordLink,一个混合可视化模型,嵌入弦图,用于表示密集的子图,到一个节点链接图,它显示了全球网络结构。可视化是直观的,可以交互式地突出社区的结构,同时保持布局的其余部分稳定。我们讨论了ChordLink模型背后的有趣的算法挑战,提出了一个原型系统,并说明了真实世界网络的案例研究。
2019-08-22 cs.HC
Looking beyond the horizon: Evaluation of four compact visualization techniques for time series in a spatial context
在密集的空间背景下(如地理地图)可视化时间序列是一项具有挑战性的任务,需要在所描绘的数据量和感知精度之间保持谨慎的平衡。水平图是用于复杂表示时间序列数据的众所周知的技术。它们提供了精细的细节,同时给出了强调极值的数据的概述。水平图压缩了单个线图的垂直分辨率,但不影响水平分辨率。我们提出了两种变化的一种新的可视化技术称为折叠的地平线图扩展到二维的地平线图的想法。我们的主要贡献是一个定量评估,实验比较四种可视化技术与高视觉信息分辨率(紧凑箱线图,地平线图,崩溃的地平线图,编织崩溃的地平线图)。实验研究了这些技术在处理单个图形和相邻图形组的任务中的性能。紧凑的箱形图始终为所有任务提供良好的结果,水平图在最大任务中表现出色,但在趋势检测中表现不佳。在某些任务中,水平分辨率的提高是有益的,而折叠的水平图则会大放异彩。此外,我们的研究结果表明,视觉复杂的技术高度影响用户的信心和感知任务的难度。
2019-06-18 cs.HC