WWWJan, 2020

ShapeVis：大规模高维数据可视化

PDF
TL;DR本文提出了一种基于拓扑数据分析的可扩展点云数据可视化技术 ——ShapeVis，通过构建数据流形上的加权见证图和从标准社区检测算法中引入的感应映射来压缩表示点云特征，并使用模块化方法剪枝和重建图形以总结数据的形状。与 Mapper 方法相比，我们的算法可以适用于成百万点数据的可视化展示。
发现论文，激发创造
  • 可视化大规模高维数据

    本文提出了一种叫做 LargeVis 的技术，旨在解决将大规模和高维数据可视化在低维空间的问题。与 t-SNE 相比，LargeVis 构建精确近似的 K 最近邻图的计算成本更低，并采用了一个原则上的概率模型来进行可视化，整个过程易于扩展到数百万个高维数据点。实验结果表明，LargeVis 在效率和效果方面均优于现有的先进方法。

    Feb, 2016

  • NCVis：一种用于可扩展可视化的噪声对比方法

    提出了一种基于噪声对比估计的高性能降维方法 NCVis，其在速度和表现质量方面优于现有技术，在处理自然语言的大数据集时速度也很快，可极大简化大规模数据分析并降低该领域的入门门槛。

    Jan, 2020

  • 大规模高维数据集的最小生成树可视化

    本文介绍了一种新的数据可视化方法 TMAP，可将高维数据集表示为二维树，具有结构保持、透明性等优点，比 t-SNE 或 UMAP 更适用于化学、生物、物理等领域的数据集的探索和解释。

    Aug, 2019

  • ShaRP：形状规则化的多维投影

    该研究提出了一种新型投影技术 ShaRP，它能够帮助用户在高维数据的可视化中更好地掌控投影形状，以满足交互式可视化场景的需求，并且在保证数据质量的同时，也能够很好地应对高维度和大规模数据集。

    Jun, 2023

  • 聚类分析中的形状复杂性

    利用多维数据的形状复杂度概念，应用在特定的非线性函数上，制定了一种新的 “中等距离” 下的基于约束的非线性规划问题，从而探索更有效的聚类缩放因子数量的方法。

    May, 2022

  • NeuroDAVIS：一种用于数据可视化的神经网络模型

    本文介绍了一种名为 NeuroDAVIS 的无监督深度神经网络模型，用于高维数据的降维和可视化，该模型在大量合成和真实高维数据集上表现出了竞争力，特别是在保留数据大小、形状和本地全局结构方面。

    Apr, 2023

  • DimVis：可解释的增强机构在降维中解释视觉聚类

    DimVis 是一个利用监督可解释的增强机器模型的可视化工具，通过交互式探索 UMAP 投影来提供高维数据分析的特征相关性解释，在转化复杂数据集为简单视觉表示时，增加了解释性，并解决了引入人为失真和解释性问题的困扰。

    Feb, 2024

  • OpenShape: 三维形状表达的扩展，向开放世界理解的规模化发展

    本文介绍 OpenShape 方法，它是一种用于学习文本、图像和点云的多模式联合表示的方法。OpenShape 采用常用的多模式对比学习框架进行表示对齐，但专注于扩展 3D 表示，以实现开放世界 3D 形状理解，并通过配合 CLIP 嵌入实现不同领域的应用。

    May, 2023

  • 拓扑感知的三维点云生成图形流

    该研究提出了一种具有多个潜在标签的流式生成模型 ChartPointFlow，以生成和重建 3D 点云，并在无监督分割方面表现优异。

    Dec, 2020

  • 通过图形快速重采样三维点云

    本文提出了一种基于图像的、用于选择代表性点云子集的随机重取样策略，以降低存储、处理和可视化的成本，并对其在点云的不同应用下进行了评估。

    Feb, 2017