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

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

本文介绍了一种表示机器人的高维配置空间的新方法，通过利用机器人的运动链和人类基于色调的颜色感知能力，构建了一种 2D 投影的可视化。通过该方法，可以定性地了解机器人的关节边界和碰撞状态组合，同时从定量的角度显示了所提出的表示方法不仅捕捉了精确度，还提供了额外的信息，增强了比较不同高维配置空间的能力。

Dec, 2023

本文提出了 CO-SNE 将 Euclidean 空间降维工具 t-SNE 扩展到 hyperbolic 空间，采用超几何正态分布和超几何 Cauchy 分布，旨在保留数据点之间的距离和数据的超几何特性，经实验证明效果优于 PCA，t-SNE，UMAP 和 HoroPCA 等流行的可视化工具。

Nov, 2021

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

本文介绍了基于 Web 框架的交互式分析和可视化高维点云数据的 Mapper Interactive 算法，该方法实现了映射算法的交互式、可扩展和可扩展性，支持实践数据分析和加速拓扑分析工作流程。

Nov, 2020

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

本文介绍了 VizNet，它是一个包含了超过 3100 万个数据集的大规模语料库，从开放数据库和在线可视化画廊中编译而来。它提供了一个必要的公共基线，用于比较可视化的设计技术，并为自动化可视化分析开发基准模型和算法。我们展示了如何从实验结果中学习知觉有效性度量，并展示了它在测试数据集上的预测能力。

May, 2019

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。

Jan, 2020

研究提出了一种结合黑盒优化和视觉分析的自动调优框架，用于储存系统性能优化，其中包括交互式配置浏览器 ICE，用于与类别变量上下文联合显示依赖数值变量的完整分布和统计信息。

Apr, 2022