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
The Truth, the Whole Truth, and Nothing but the Truth: Automatic Visualization Evaluation from Reconstruction Quality
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出一种无需大量人工标注数据的自动评估方法,通过评估可视化自身对原始数据的重建准确性来衡量可视化质量,从而提升AI驱动的可视化流程效率和可靠性。
2026-01-26 cs.CV cs.HC
Steering Large Text-to-Image Model for Abstract Art Synthesis: Preference-based Prompt Optimization and Visualization
针对大型文本到图像模型生成抽象艺术时缺乏确定性、需繁琐试错的问题,提出结合遗传算法与实时人类反馈的无提示生成方法,通过定制Artist Model和Optimized Prompting Model,实现符合用户偏好的抽象艺术创作。
2024-11-18 cs.HC
Data2Vis: Automatic Generation of Data Visualizations Using Sequence to Sequence Recurrent Neural Networks
IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Fitnescity Labs(Fitnescity实验室)
对于在统计和数据可视化方面时间有限、技能有限的用户来说,使用表达性语法快速创建有效的可视化是一项挑战。即使是高级的专用可视化工具,也经常需要用户手动选择数据属性,决定要应用哪些转换,并指定可视化编码变量与原始或转换后的属性之间的映射。在本文中,我们介绍了Data 2 Vis,这是一个神经翻译模型,用于从给定的数据集自动生成可视化。我们制定可视化生成作为一个序列到序列的翻译问题,数据规范映射到可视化规范的声明性语言(Vega-Lite)。为此,我们在可视化规范的语料库上训练一个具有长短期记忆(LSTM)单元的多层基于注意力的递归神经网络(RNN)。定性结果表明,我们的模型学习了有效的可视化规范的词汇和语法,适当的转换(计数,箱,平均值)以及如何使用数据可视化中出现的常见数据选择模式。Data 2 Vis可以在很短的时间内生成与手动创建的可视化效果相当的可视化效果,并有可能大规模学习更复杂的可视化策略。
2018-11-02 cs.AI cs.HC cs.LG
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
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
Toward automatic comparison of visualization techniques: Application to graph visualization
LaBRI(波尔多计算机研究实验室)
在过去的几十年中,许多最终用户对数据可视化技术进行了评估。他们的结果是构建高效可视化系统的基石。然而,设计这样的评价总是复杂和耗时的,并可能导致缺乏统计证据和可重复性。我们相信,现代和高效的计算机视觉技术,如深度卷积神经网络(CNN),可以帮助可视化研究人员建立和/或调整他们的评估假设。我们的想法的基础是在几种可视化技术上训练机器学习模型来解决特定的任务。我们的假设是,它是可以比较的可视化技术的基础上,其相应的模型的性能的效率。由于当前的机器学习模型无法严格反映人类的能力,包括其不完善之处,因此应谨慎解释此类结果。然而,我们认为使用基于机器学习的预评估,作为标准用户评估的预处理,应该有助于研究人员对其设计空间进行更详尽的研究。因此,它应该通过提供更好的测试用例来提高最终用户的评估。在本文中,我们提出了两个实验的结果,我们已经进行了评估如何相关的用户和计算机视觉技术的性能可以。该研究比较了两种主流的图形可视化技术:节点链接(\NL)和邻接矩阵(\MD)图。使用两个著名的深度卷积神经网络,我们部分复制了Ghoniem \textit{et al.}和Okoe \textit{et al.}的用户评价。实验结果表明,部分用户评价结果可以自动再现。
2020-04-17 cs.HC cs.LG
Make the Fastest Faster: Importance Mask Synthesis for Interactive Volume Visualization using Reconstruction Neural Networks
University of Nebraska-Lincoln(内布拉斯加大学林肯分校);Argonne National Laboratory(阿贡国家实验室)
提出重要性掩膜学习与合成网络,从视角参数直接合成规则采样的重要区域,联合考虑数据、用户与重建网络,减少像素渲染,提升体可视化延迟且无需重新训练。
2025-10-09 cs.GR cs.HC
Combining Automatic Coding and Instructor Input to Generate ENA Visualizations for Asynchronous Online Discussion
Colorado State University(科罗拉多州立大学)
针对教师评估异步在线讨论任务繁重的问题,提出结合LDA与教师关键词自动提取编码构建ENA模型的方法,实验证明其与人工编码的ENA模型无统计差异,为教师提供了可行的可视化评估工具。
2023-08-22 cs.HC cs.LG
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
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
Agentic Visualization: Extracting Agent-based Design Patterns from Visualization Systems
Aarhus University(奥胡斯大学);TU Wien(维也纳工业大学)
本文通过智能体视角重新审视现有AI驱动的可视化系统,提取了包括角色、通信与协调在内的智能体可视化设计模式,为未来在保持人类洞察与控制的同时有效利用AI智能体奠定了基础。
2025-09-16 cs.HC
Data sonification and sound visualization
本文介绍了一个合作项目的研究人员在数学和计算机科学司在阿贡国家实验室和计算机音乐项目的伊利诺伊大学厄巴纳-香槟分校。该项目的重点是在科学计算中利用声音探索和分析复杂的数据集。本文介绍了在DIASS(Digital Instrument for Additive声音合成)的背景下的数字声音合成和通过M4 CAVE在虚拟现实环境中的声音可视化。本文介绍了科学发声和声音可视化的一些实验过程和初步结果。
2000-07-05 cs.HC cs.MM cs.SD
ComputableViz: Mathematical Operators as a Formalism for Visualization Processing and Analysis
数据可视化以前所未有的速度在网络上创建和共享,这对生成和数字化后的可视化处理和分析提出了新的需求和问题。然而,现有的形式主义专注于对单个可视化而不是多个可视化进行操作,这使得执行诸如排序和聚类可视化之类的分析任务具有挑战性。通过对前人工作的系统分析,将可视化相关任务抽象为并等数学运算,提出了可视化运算的设计空间。我们通过开发ComputableViz,一个支持多种可视化规范操作的库来实现设计。为了证明它的有用性和可扩展性,我们提出了多个使用场景处理和分析可视化,如生成可视化嵌入和自动可视化访问。最后,我们讨论了管理和利用网络上的大量可视化的研究机会和挑战。
2022-04-02 cs.HC
Cognitive Affordances in Visualization: Related Constructs, Design Factors, and Framework
Northeastern University(东北大学)
本文提出可视化中的认知 affordances 框架,通过整合心理学、人机交互和可视化研究,探讨设计决策与读者特征如何影响信息传达层次,并指导可视化评估与重设计。
2026-01-14 cs.HC
What Do We Mean When We Say "Insight"? A Formal Synthesis of Existing Theory
本文针对可视化系统中洞察定义不一致导致理论模型难以应用的问题,综合文献中的一致结构提出统一的洞察形式化表达,并通过理论案例研究对比现有理论,揭示了推理用户领域知识及利用数据挖掘协同方法的研究挑战。
2023-10-19 cs.HC
Automated Visualization Code Synthesis via Multi-Path Reasoning and Feedback-Driven Optimization
AI Research, Enhans, Seoul, South Korea Innovation \& Technology, KAIST, Daejeon, South Korea Department of Computer Science, University of California, Berkeley, CA, United States Department of Electrical
VisPath通过多路径推理和反馈驱动优化,提升自动化可视化代码生成的可靠性与准确性。
2026-08-05 cs.AI cs.CL cs.HC
VizCopilot: Fostering Appropriate Reliance on Enterprise Chatbots with Context Visualization
University of California, Davis(加州大学戴维斯分校);Microsoft(微软)
VizCopilot通过可视化技术帮助用户对齐上下文,减少无关回答,提升信息整合效率,同时揭示AI摘要可信度的局限性。
2026-11-13 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
Knowledge Rocks:Adding Knowledge Assistance to Visualization Systems
我们提出了知识岩石,增强可视化系统的知识辅助可视化系统,定义的KAVA模型的实施策略和指导方针。可视化系统变得越来越复杂。因此,以综合知识库支持用户作出建设性选择和得出正确结论越来越重要。我们支持可视化软件资源的有效重新激活,增加他们的知识援助。为了提供一个通用的,但支持的实施策略,我们提出了一个实施过程中,基于应用程序不可知的架构。该体系结构源自现有的知识辅助可视化系统和KAVA模型。它的核心是一个本体,能够自动分析和分类输入数据,链接到数据库存储分类的实例。我们讨论的KR框架的设计决策和优势,并说明其广泛的应用领域,在不同的集成可能性,这种架构到现有的可视化系统。此外,我们提供了一个详细的案例研究,通过增加知识援助设施的信息技术安全系统。
2021-11-08 cs.HC
GEViTRec: Data Reconnaissance Through Recommendation Using a Domain-Specific Prevalence Visualization Design Space
基因组流行病学(genEpi)是公共卫生的一个分支,它使用许多不同的数据类型,包括表格,网络,基因组和地理,以识别和遏制致命疾病的爆发。由于数据的数量和多样性,genEpi领域专家进行数据侦察是一项挑战;也就是说,对他们拥有的数据进行概述,并对其质量,完整性和适用性进行评估。我们提出了一个算法,通过自动可视化推荐,GEViTRec的数据侦察。我们的方法处理各种各样的数据集类型,并自动生成协调的图表组合,与现有的系统,主要集中在单例可视化编码的表格数据集。我们通过分析非数值属性字段,自动检测多个输入数据集之间的链接,创建一个实体图,在其中分析和排名路径。对于每一个高排名的路径,我们指定的图表组合与空间和颜色的对齐共享字段之间,使用逐步绑定的方法来转换初始的部分规格的单例图表,以完成规格的对齐和定向一致。我们的方法的一个新颖的方面是它的领域不可知的元素与特定领域的信息,通过特定领域的可视化流行设计空间被捕获的组合。我们的实现被应用于埃博拉疫情的合成数据和真实数据。我们将GEViTRec的输出与以前的可视化推荐系统生成的输出进行比较,并与从业者使用的手动可视化进行比较。我们与10位genEpi专家进行了形成性评估,以评估我们结果的相关性和可解释性。
2020-10-22 cs.HC q-bio.GN
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
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
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
dAIrector: Automatic Story Beat Generation through Knowledge Synthesis
NC State University(北卡罗来纳州立大学);University of Alberta(阿尔伯塔大学);HumanMachine(人机公司)
dAIrector是一个自动导演,它与人类讲故事的人合作,进行现场即兴表演和写作帮助。dAIrector可用于通过上下文情节生成来创建简短的叙事弧。在这项工作中,我们提出的系统架构,定量评估的设计选择,和案例研究使用的系统,它提供了定性的反馈,从专业的即兴表演。我们提出了相关的指标,为未充分研究的领域的人机创造性的生成,特别是长形式的叙事创作。我们包括,除了出版,开源代码,以便其他人可以测试,评估和运行dAIrector。
2018-10-31 cs.CL cs.CY cs.HC