Jul, 2023

夺回视野：针对带有大值范围的时间序列数据的新型可视化设计

PDF
TL;DR通过引入两种新颖的可视化设计，我们支持从业者在时间序列数据的大范围值（即多个数量级）上进行识别和区分任务：（1）数量级视域图扩展经典视域图；（2）数量级折线图调整对数折线图。这些新的可视化设计通过显式地拆分值 v = m * 10e 的尾数 m 和指数 e 来可视化大范围值。在经验用户研究中，我们将我们的新设计与最相关的最先进的可视化进行评估。它关注时间序列和大范围值可视化分析中常用的四个主要任务：识别、区分、估计和趋势检测。对于每个任务，我们分析了错误、置信度和响应时间。新的数量级视域图在识别、区分和估计任务中表现更好或与其他设计相当。只有对于趋势检测任务，传统的视域图报告了更好的性能。我们的结果是领域无关的，只需要具有大范围值的时间序列数据。
发现论文，激发创造
  • 从像素到预测：频谱图和视觉变换器用于更好的时间序列预测

    通过使用时间频谱图作为时间序列数据的可视表示，使用视觉变换器进行多模态学习的一种新方法，与统计基线、深度学习方法、其他视觉表示方法和只使用时间序列作为输入的研究进行对比，表明利用频谱图作为时间序列数据的可视表示具有优势，并且同时学习时间和频率域的优势。

    Mar, 2024

  • GenPlot: 扩大图表反渲染数据的规模和多样性

    本文提出 GenPlot，一个可以使用合成数据生成数十亿个绘图以用于图表解读的情境下的预训练的图表生成器。

    Jun, 2023

  • ShapeVis：大规模高维数据可视化

    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

  • 多层次、多尺度可视分析方法在评估多保真度 HPC 系统中的应用

    本文介绍了一种用于超级计算机的综合分析系统，它通过监测硬件、作业和环境的日志数据，使用多分辨率动态模式分解技术（mrDMD）和可视化分析支持，帮助用户快速提取超级计算机的使用和错误模式。

    Jun, 2023

  • 如何将深度视觉解释应用于时间序列

    该研究提出了一个包含六个度量标准的框架，可以用于评估时间序列分类和分割任务中的可视化解释方法的可靠质量度量，并评估了多种流行神经网络架构在不同数据集上的表现，从而为领域专家提供选择适当可视化技术的建议。

    Mar, 2022

  • VizNet: 一个大规模可视化学习和基准库

    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

  • 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

  • 荒野中的地平线

    本文介绍了一个名为 “野外地平线”（HLW）的大规模数据集，探究了卷积神经网络在不依赖几何约束或特殊提示的情况下，直接估算地平线的应用，采用我们的 CNN 模型，在 HLW 数据集和其他两个基准数据集上实现了最先进的结果。

    Apr, 2016

  • 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

  • 基于模型的强化学习动态视野价值估计

    本文提出了一种名为 DMVE 的新方法，通过利用重建模块的世界模型来进行图像特征提取和价值估计，以确定模型知识的有效性，实现了自适应价值扩展的目的，并在基准视觉控制任务中表现出更高效和更准确的价值估计，优于同类方法。

    Sep, 2020