时间事件序列数据可视化综述

时间事件序列数据,是由一个或多个记录构成的集合,每个记录由一组带有时间戳的事件类别组成.数据可视化被广泛用于时间事件序列数据的频繁模式发现、相似模式匹配与查询以及潜在阶段模式检测.文中介绍了时间事件序列数据的特征,并重点从时间事件序列数据的可视化呈现方法和可视分析2个方面对已有的工作进行了系统的整理.在可视化呈现方式上,将现有的可视化方法分为4个类别,即基于GanttChart、基于Flow、基于StoryLines及基于矩阵的可视化方法,并分别介绍了相关类别的可视化方法的发展;将可视分析任务总结为4类主要任务,即模式发现与探索、可视化查询、对比分析及结果事件分析,并且从这些可视分析任务的角度总结了现有的可视分析工具.最后,对时间事件序列数据可视化面临的挑战以及未来趋势进行了总结和展望,以期为时间事件序列数据分析提供新的思路.     

宇宙数值模拟中可视化方法概述

数值模拟是宇宙学中重要的研究方法,可以帮助科学家了解宇宙演化过程和验证理论模型.可视化是分析模拟数据最有效的手段之一,通过对模拟数据的可视化和交互式探索可以极大提高科学家的分析效率.随着超级计算机的发展和宇宙学理论的不断完善,数值模拟的规模越来越大并且精度越来越高,这对可视化产生了多种分析需求和数据处理挑战.本文概述了宇宙数值模拟中可视化的主要方法,并且通过多个研究案例展示了可视化方法在宇宙模拟数据分析中的作用.最后,本文总结了当前研究的热点和面临的挑战.     

一种基于双阈值函数的成员推理攻击方法北大核心CSCD

海量数据和强大算力的出现,促进了深度学习的发展,深度学习在智慧交通和医疗诊断等领域得到广泛应用,这给人们的日常生活带来许多便利。然而,机器学习中的隐私泄露问题也不容忽视。成员推理攻击通过推断数据样本是否用于训练机器学习模型,从而暴露用户训练数据的隐私。文章介绍了基于单阈值的成员推理攻击及特点,对不同攻击方法的成员和非成员的数据分布进行可视化,然后对成员推理攻击成功的内在机理进行分析,提出了基于双阈值函数的攻击模型,并通过实验对单阈值和双阈值的成员推理攻击进行系统性的分析对比,分析基于阈值成员推理攻击对不同模型和不同数据集的攻击表现。通过对多组控制变量的对比实验表明,基于双阈值函数的成员推理攻击在某些数据集和模型上,整体表现更加优异和稳定。     

树比较可视化方法综述

层次数据是生产和生活中常见的一类数据.树可视化通常用于呈现层次数据,是可视分析中的一个重要部分.比较是一种常用的分析方式,而树比较可视化也是可视分析研究中的一个重要课题.树比较可视化从所比较的树的数目角度,分为树内比较、两树比较和多树(3树及以上)比较;从数据特点角度分为静态树比较和动态树比较;从比较分析的任务角度,分为结构比较和属性比较.对现有的树比较可视化方法进行了总结,按照不同方法的表现形式,将树比较可视化分为并置、合并以及动画这3类.同时,结合其他分类方法对树比较可视化方法进行了全面的分析和评估.通过评估和比较,分析了不同方法的优缺点以及在不同的数据分析需求中的适用性.在此基础上,还对树比较可视化中的交互方式进行了总结,并阐述了树比较可视化所面临的挑战.     

全球地壳结构数据的三维可视化建模与应用

利用可视化技术表现地壳结构，形象地模拟地震波在地壳内部的传播，对于增强地震事件解释具有重要意义。通过分析改进的CRUST5．1全球地壳结构数据特征，提出了基于长方体与四棱柱相结合的三维可视化建模方法。利用OpenGL建模技术，建立了全球地壳结构数据的可视化模型，在Delphi中基于OpenGL三维图形库实现了CRUST5．1全球地壳结构数据的三维可视化表达，结合OpenGL的人机交互功能完成了多视角观察以及基于地表剖切线的三维剖切功能。     

ReaxFF MD模拟的物种和化学反应自动分类及可视化

反应分子动力学(ReaxFF MD)是一种可模拟大规模反应分子体系(1000原子)的方法,已获得大量应用。本文针对国际上现有的ReaxFF MD模拟平台缺乏从模拟结果中分析反应机理能力的现状,为国际上首个ReaxFF MD模拟结果化学反应分析及可视化工具VARxMD进一步扩展建立了模拟体系的物种自动分类和反应分类能力。本文阐述基于化学结构特征等多种分类规则对ReaxFF MD模拟体系中化学结构复杂、数量众多的物种和化学反应进行自动分类和可视化的策略和方法。通过建立一套灵活的分类规则构建机制,可帮助研究者自主定义和组合考察对象的特征,以建立满足多重目标的分类规则。实现了基于反应体系的物种组成、化学结构、性质等特征的物种自动分类;以此为基础,进一步实现了基于化学反应的组成物种、反应官能团等特征信息的化学反应自动分类方法。为考察ReaxFF MD反应体系的演变规律和具体的反应行为,将物种分类及反应分类所获的对象集合视作一个整体进行化学计量统计,实现了考察对象集合随时间变化趋势的图形化显示,以及指定原子、键、官能团、分子片段、物种的反应路径细节的2D和3D可视化观察。VARxMD独特的物种分类能力在利用ReaxFF MD模拟煤热解反应机理、揭示煤热解不同类别产物的演变趋势方面发挥了关键作用。     

食品安全大数据可视分析方法研究

食品安全数据可视分析作为一个新兴交叉研究领域,通过先进的交互式可视化工具帮助食品安全领域人员快速分析数据的分布态势、探寻数据间隐含关联、提升认知和分析能力、提高食品安全监管的科学性和有效性.文中从食品安全数据可视化的必要性和内在需求出发,介绍食品安全数据普遍具有的高维、多元、层次、时空、关联等基本特征,总结梳理了已有适合对食品安全数据的可视化以及可视分析方法和系统,对食品安全大数据可视化及可视分析未来的发展趋势进行了展望.     

一种实时监控最近邻的近似算法

处理分布式环境下高速数据的最大挑战在于如何利用少量网络资源输出高质量的查询结果。对面向分布式环境的最近邻查询问题进行了研究,提出了一种基于过滤器的新方法,不仅能计算精确查询结果,还能够处理五类近似查询。该方法在各个远程站点均安装了智能过滤器,并通过合理设置过滤器的范围来降低数据传输量。理论分析及基于模拟数据集合和真实数据集合的实验报告均表明新方法具有较高的性能。     

基于数据摘要奇偶性的集合相似性近似算法

在应用b位哈希函数近似计算两个集合的Jaccard相似性时,如果有多个元素与输入元素的Jaccard相似性都很高(接近于1),那么b位哈希函数不能对这些元素进行很好的区分。为了提高数据摘要函数的准确性并提高基于相似性的应用的性能,提出了一种基于数据摘要奇偶性的集合相似性近似算法。在应用minwise哈希函数得到两个变异集合后,用两个n位指示向量来表示变异集合中的元素在指示向量中出现的奇偶性,并基于这两个奇偶性向量来估计原集合间的Jaccard相似性。通过马尔科夫链和泊松分布两种模型对奇偶性数据摘要进行了推导,并证明了这两种方法的等价性。Enron数据集上的实验表明,提出的奇偶性数据摘要算法与传统的b位哈希函数相比具有更高的准确性,并且在重复文档检测和关联规则挖掘两种应用中具有更高的性能。     

基于CUDA的体数据可视化工具

伴随着科学技术的不断进步,计算机能力也随之提升,GPU可编程的优势以及自身的并行计算能力具有非常广阔的市场价值,正是基于此,借助光线投射等一系列运行算法,能在对数据进行交互式可视化操作后,运行相关结构算式,确保绘制效果贴合实际需求,从而提升整体可视化工具的效果,进一步创建更加优质的图像效果.本文从可视化研究背景入手,对基于CUDA的体数据可视化工具试验和单遍光线投射分析进行了集中阐释,并结合算例Phong光照计算对整体数据模型展开了讨论,旨在为相关技术研究人员提供有价值的参考建议.     

智能可视化与可视分析

可视化与可视分析已成为众多领域中结合人类智能与机器智能协同理解、分析数据的常见手段。人工智能可以通过对大数据的学习分析提高数据质量,捕捉关键信息,并选取最有效的视觉呈现方式,从而使用户更快、更准确、更全面地从可视化中理解数据。利用人工智能方法,交互式可视化系统也能更好地学习用户习惯及用户意图,推荐符合用户需求的可视化形式、交互操作和数据特征,从而降低用户探索的学习及时间成本,提高交互分析的效率。人工智能方法在可视化中的应用受到了极大关注,产生了大量学术成果。本文从最新工作出发,探讨人工智能在可视化流程的关键步骤中的作用。包括如何智能地表示和管理数据、如何辅助用户快速创建和定制可视化、如何通过人工智能扩展交互手段及提高交互效率、如何借助人工智能辅助数据的交互分析等。具体而言,本文详细梳理每个步骤中需要完成的任务及解决思路,介绍相应的人工智能方法（如深度网络结构）,并以图表数据为例介绍智能可视化与可视分析的应用,最后讨论智能可视化方法的发展趋势,展望未来的研究方向及应用场景。     

State of the Art of Molecular Visualization in Immersive Virtual Environments

Visualization plays a crucial role in molecular and structural biology. It has been successfully applied to a variety of tasks, including structural analysis and interactive drug design. While some of the challenges in this area can be overcome with more advanced visualization and interaction techniques, others are challenging primarily due to the limitations of the hardware devices used to interact with the visualized content. Consequently, visualization researchers are increasingly trying to take advantage of new technologies to facilitate the work of domain scientists. Some typical problems associated with classic 2D interfaces, such as regular desktop computers, are a lack of natural spatial understanding and interaction, and a limited field of view. These problems could be solved by immersive virtual environments and corresponding hardware, such as virtual reality head-mounted displays. Thus, researchers are investigating the potential of immersive virtual environments in the field of molecular visualization. There is already a body of work ranging from educational approaches to protein visualization to applications for collaborative drug design. This review focuses on molecular visualization in immersive virtual environments as a whole, aiming to cover this area comprehensively. We divide the existing papers into different groups based on their application areas, and types of tasks performed. Furthermore, we also include a list of available software tools. We conclude the report with a discussion of potential future research on molecular visualization in immersive environments.     

Making Sense of Scientific Simulation Ensembles With Semantic Interaction

In the study of complex physical systems, scientists use simulations to study the effects of different models and parameters. Seeking to understand the influence and relationships among multiple dimensions, they typically run many simulations and vary the initial conditions in what are known as ‘ensembles’. Ensembles are then a number of runs that are each multi-dimensional and multi-variate. In order to understand the connections between simulation parameters and patterns in the output data, we have been developing an approach to the visual analysis of scientific data that merges human expertise and intuition with machine learning and statistics. Our approach is manifested in a new visualization tool, GLEE (Graphically-Linked Ensemble Explorer), that allows scientists to explore, search, filter and make sense of their ensembles. GLEE uses visualization and semantic interaction (SI) techniques to enable scientists to find similarities and differences between runs, find correlation(s) between different parameters and explore relations and correlations across and between different runs and parameters. Our approach supports scientists in selecting interesting subsets of runs in order to investigate and summarize the factors and statistics that show variations and consistencies across different runs. In this paper, we evaluate our tool with experts to understand its strengths and weaknesses for optimization and inverse problems.     

智能数据可视分析技术综述

如何从海量数据中快速有效地挖掘出有价值的信息以更好地指导决策,是大数据分析的重要目标.可视分析是一种重要的大数据分析方法,它利用人类视觉感知特性,使用可视化图表直观呈现复杂数据中蕴含的规律,并支持以人为本的交互式数据分析.然而,可视分析仍然面临着许多挑战,例如数据准备代价高、交互响应高延迟、可视分析高门槛和交互模式效率低.为应对这些挑战,研究者从数据管理、人工智能等视角出发,提出一系列方法以优化可视分析系统的人机协作模式和提高系统的智能化程度.系统性地梳理、分析和总结这些方法,提出智能数据可视分析的基本概念和关键技术框架.然后,在该框架下,综述和分析国内外面向可视分析的数据准备、智能数据可视化、高效可视分析和智能可视分析接口的研究进展.最后,展望智能数据可视分析的未来发展趋势.     

数值模拟并行程序的跟踪与可视化

采用并行计算的手段,数值模拟程序可以在高性能计算环境下获得数值求解加速,但在短时间内输出的大量、多块的计算结果,也为研究者的数据分析造成了困难。为此,本文介绍了一个针对并行计算程序的远程跟踪可视化系统,它适合运行于并行分布式计算环境,用户只需简单改造数值程序,即可通过远程终端对运行期的程序进行自动计算跟踪和交互可视化,而跟踪系统的优化设计则使数值程序的远程交互延迟得到有效控制。     

基于数据集特点的增强聚类集成算法

当前流行的聚类集成算法无法依据不同数据集的不同特点给出恰当的处理方案,为此提出一种新的基于数据集特点的增强聚类集成算法,该算法由基聚类器的生成、基聚类器的选择与共识函数构成。该算法依据数据集的特点,通过启发式方法,选出合适的基聚类器,构建最终的基聚类器集合,并产生最终聚类结果。实验中,对ecoli,leukaemia与Vehicle三个基准数据集进行了聚类,所提出算法的聚类误差分别是0.014,0.489,0.479,同基于Bagging的结构化集成(BSEA)、异构聚类集成(HCE)和基于聚类的集成分类(COEC)算法相比,所提出算法的聚类误差始终最低;而在增加候基聚类器的情况下,所提出算法的标准化互信息(NMI)值始终高于对比算法。实验结果表明,同对比的聚类集成算法相比,所提出算法的聚类精度最高,可伸缩性最强。     

On Visualizing Continuous Turbulence Scales

Turbulent flows are multi‐scale with vortices spanning a wide range of scales continuously. Due to such complexities, turbulence scales are particularly difficult to analyse and visualize. In this work, we present a novel and efficient optimization‐based method for continuous‐scale turbulence structure visualization with scale decomposition directly in the Kolmogorov energy spectrum. To achieve this, we first derive a new analytical objective function based on integration approximation. Using this new formulation, we can significantly improve the efficiency of the underlying optimization process and obtain the desired filter in the Kolmogorov energy spectrum for scale decomposition. More importantly, such a decomposition allows a ‘continuous‐scale visualization’ that enables us to efficiently explore the decomposed turbulence scales and further analyse the turbulence structures in a continuous manner. With our approach, we can present scale visualizations of direct numerical simulation data sets continuously over the scale domain for both isotropic and boundary layer turbulent flows. Compared with previous works on multi‐scale turbulence analysis and visualization, our method is highly flexible and efficient in generating scale decomposition and visualization results. The application of the proposed technique to both isotropic and boundary layer turbulence data sets verifies the capability of our technique to produce desirable scale visualization results.     

流行病数据可视分析综述

流行病数据的多层面可视分析,可以加快流行病数据分析任务的交互式探索效率和加深对潜在模式的深刻理解.本文对流行病数据可视分析的相关工作展开综述,并主要通过四个方面进行总结和归纳:(1)流行病数据的时空可视分析,帮助用户发现和理解流行病数据在时间、空间以及时空维度中潜在的流行病特征和传播规律等;(2)流行病数据中涉及非结构...     

VA + Embeddings STAR: A State-of-the-Art Report on the Use of Embeddings in Visual Analytics

Over the past years, an increasing number of publications in information visualization, especially within the field of visual analytics, have mentioned the term “embedding” when describing the computational approach. Within this context, embeddings are usually (relatively) low-dimensional, distributed representations of various data types (such as texts or graphs), and since they have proven to be extremely useful for a variety of data analysis tasks across various disciplines and fields, they have become widely used. Existing visualization approaches aim to either support exploration and interpretation of the embedding space through visual representation and interaction, or aim to use embeddings as part of the computational pipeline for addressing downstream analytical tasks. To the best of our knowledge, this is the first survey that takes a detailed look at embedding methods through the lens of visual analytics, and the purpose of our survey article is to provide a systematic overview of the state of the art within the emerging field of embedding visualization. We design a categorization scheme for our approach, analyze the current research frontier based on peer-reviewed publications, and discuss existing trends, challenges, and potential research directions for using embeddings in the context of visual analytics. Furthermore, we provide an interactive survey browser for the collected and categorized survey data, which currently includes 122 entries that appeared between 2007 and 2023.     

数据可视化的研究与发展

针对数据可视化是可视化技术在大型数据库的应用中提出的新的数据分析和处理技术，该文介绍了数据可视化的概念和发展状况，然后针对大型数据集介绍了几种数据可视化技术以及它们的代表方法，并对数据可视化和科学计算可视化进行了分析和比较，最后探讨了数据可视化技术的研究发展方向。