2018 IEEE VIS 见闻精选-05

VAST

[Interactive Analytics and Design]

An Interactive Method to Improve Crowdsourced Annotations

为了从噪声较多的众包注释中有效地推断出正确的标签，learning-from-crowds 模型引入了专家验证。但是，很少有关于促进验证过程的研究。这篇工作提出了一种交互方法，来协助专家验证不确定的实例标签和不可靠的标记工人。为了便于注释的验证，这篇工作开发了混淆可视化(confusion visualization)以指示用于进一步探索的混淆类，用于在上下文中显示不确定标签的约束投影方法，以及用于说明工作者可靠性的基于散点图的可视化，这三个可视化与 learning-from-crowds 模型紧密集成，为数据验证提供迭代和渐进的环境。

InkPlanner:

Supporting Prewriting via Intelligent Visual Diagramming

预编写是在起草文档之前生成和组织想法的过程，是一个提高最终文档质量的关键过程。这篇工作首先采访了写作学习者和专家。然后根据学习者的需求和专家的建议，设计并开发了 InkPlanner，一种新颖的笔和触摸可视化工具，允许写作者在预编写时利用视觉图表进行构思。InkPlanner 通过使用 NarrativeLine 将写作者的想法进行分类，并且可以自动生成文档大纲，用来指导后面的草稿编写。

[Deep Learning]

DQNVis：

A Visual Analytics Approach to Understand Deep Q-networks

本文是今年VAST的Honorable Mention之一。作者通过可视分析对深度增强神经网络中的状态变化、奖励机制和学习迭代过程进行分析，将每一轮学习的状态变化进行聚合并使用折线图编码，还提供了自动化的模式挖掘方法（层次聚类等）对学习过程中的重要步骤进行分析。

Visual Analytics in Deep Learning：

An Interrogative Survey For the Next Frontiers

作者从为何使用可视分析（Why），何种特征与关系可被可视化（What），如何可视化（How），谁会使用深度学习模型并从中受益（Who），在哪个阶段会使用到可视化（When），深度学习可视分析被使用在哪里（Where）六个方面，对已有的工作进行整理。并对现在的研究趋势和未来的研究工作进行总结，进一步的研究方向包括：继续解释模型，可交互的深度学习，评估现有解释，保护神经网络不受噪音影响。

Analyzing the Noise Robustness of Deep Neural Networks

作者基于NIPS Competition的数据和获胜模型，提取了在神经网络结构中的数据路径与关键神经元，分析噪音攻击对神经网络分类错误的影响。

InfoVis

[Interaction]

[Honorable Mention]

Charticulator:

Interactive Constructionof Bespoke Chart Layouts

这篇文章获得了 Honorable Mention，提供了Charticulator，一种交互式创作工具，可以创建定制和可重复使 用的图表布局。大多数现有的图表创作工具要求用户从预定义的图表布局中进行选择，排除了创建新图表的情况。 而 Charticulator 将图表规范转换为数学布局约束，并使用约束求解算法自动计算一组布局属性以实现图表。此 外，由于基于约束的布局方法，Charticulator可以将图表设计导出为可重复使用的模板，这些模板可以导入到其他 可视化工具中。Charticulator的源代码位于https://charticulator.com，这个网址里面还有论文视频，展示了这个 工具的具体使用情景。

Embedded Merge & Split: Visual Adjustment of Data Grouping

数据分组是数据可视化中最常用的操作之一。许多常见的可视化工具支持数据的自动分组(例如，将数值变量 划分为区间)。虽然分组在支持数据探索方面发挥着关键作用，但进一步调整和自定义自动生成的分组标准并非易 事。目前，这种调整是以编程方式或通过菜单和对话进行的，这篇工作引入了嵌入式合并和拆分(EMS)，这是一种用于直接调整数据分组标准的新交互技术。使用这种技术，用户可以通过直接操纵条形图和直方图中的宽度和位置，来调整数据分组标准。

Smart Brushing for Parallel Coordinates

平行坐标图是用于高维数据可视化的流行工具。使用平行坐标时的主要挑战之一是大数据集导致的遮挡和过度 绘制。brushing 是应对这些挑战的常见方法。这篇文章提出了一套新颖的智能 brushing 技术，可以增强平行坐标 图的标准交互式 brushing。这里介绍了两种新的交互概念:基于草图的高阶 brushing 和数据驱动的智能brushing。高阶刷选支持涉及任意数量维度的交互式n维模式搜索。数据驱动的智能刷选基于导出的元数据在刷选 过程中为用户提供交互式实时指导。

Multidimensional Projection for Visual Analytics:

Linking Techniques with Distortions Tasks, and Layout Enrichment

多维数据的可视化分析需要有效的方法来减少数据维度，以便在视觉上对其进行编码。多维投影(MDP)是 此背景下最重要的可视化技术之一。这篇survey，主要包括MDP作为可视化和可视化工具的主要方面，提供详细 的分析和分类，还探讨了MDP映射可能产生的不同类型的扭曲，同时概述了现有机制来定量评估此类扭曲，还提 供了扭曲对不同分析任务的影响的定性分析，为用户选择适合的MDP提供了指导。

Exploration Strategies for Discovery

of Interactivity in Visualizations

这篇文章研究了人们如何发现为公众设计的交互式可视化的功能。虽然交互式可视化越来越多地供公众使用，但我们仍然很少了解一般公众如何发现他们可以使用这些可视化以及交互的。更好地了解此发现过程有助于为公众设计可视化，从而有助于使数据更易于访问。

为了解决这个问题，这篇工作进行了一项实验室研究，参与者可以自由地使用他们自己的方法来探索发现公共能源数据交互式可视化系统的功能。在实验过程中收集了眼动数据和交互日志以及视频和音频录音，通过分析这些组合数据，可以提取参与者用于发现这些交互式可视化中的功能的探索策略，这些探索策略阐明了可能的设计方向，来提高可视化功能的可发现性。

VisAP

[Arts Program--Paths and Memories]

Nostalgia：a human-machine transliteration

AI如何反应我们自己，如何理解我们无法向别人描述的情感，比如生气、快乐、害怕、伤心、反感？Nostalgia使用了300篇文字故事训练AI模型，当用户输入一段属于自己的故事时，模型会分析故事中用户的各种情感权重，通过一个可视化界面进行解读，并使用若干沙漏的角度与背景光的深浅代表某种情感产生的时间顺序与强烈程度。

Bloodie writes an anthem

文学作品也能转化为音频与动画！作者将文学作品，例如题目中的诗歌（Bloodie writes an anthem）分为句子与字符两个单位，字符中的元音辅音分别使用不同的粒子进行表示，构成单词、句子的字符分别用直线、曲线相连，并配上由ASMR声音元素构成的背景音乐，丰富了文字的阅读体验。

Shifted Maps：

revealing spatial-temporal topologies in movement data

作者将地图与网络结合，将个人在一段时间内在城市中访问的各个地点抽象成一个网络，每个节点的中心所示位置为访问的地点，节点中展示访问地周围的地图信息，节点外圈大小的粗细分别表示访问的时间与次数，边表示从一个访问地到另一个访问地的连接关系。根据访问地之间的距离、途经时间、访问频率等，在地图上共设计了四种网络的布局。

Art of the march

作者收集了Trump上台大家游行时举的海报，并将海报数字化（拍成照片），通过机器学习方法对图片进行分类，通过不同的可视化方法对其进行浏览、检索，包括简单的浏览检索界面、投影、像素矩阵等。

来自VAG女神--

魏雅婷、张天野

前线报道

输入

宽视 · 善知

| 宽视以博物 · 善知以致知 |

微信号

datavis

或长按识别上图

微博号

浙大可视分析小组

或长按识别上图