潘嘉铖

发表地: IFAC-PapersOnLine
关键词: Semantics Deep learning Visual analytics Topology Task analysis Computational modeling

摘要: 表示和分析网络之间的结构差异有助于深入了解网络动态演化等与差异相关的模式。传统的解决方案利用表示学习来编码结构信息，但缺乏直观的方法来研究网络的结构语义。 本文提出了一种图结构差异的表示和分析方案。我们提出了一种 Delta2vec 嵌入技术来编码多个图，同时保留结构差异的语义。我们设计并实现了一个基于网页的可视化分析系统，支持对从嵌入中学习到的特征的比较研究。我们方法的一个显著特点是它支持构造和量化语义感知，以研究图数据中的潜在关系。我们通过三个数据集的案例研究来验证我们方法的可用性和有效性。

发表地: IEEE Transactions on Visualization and Computer Graphics
关键词: 节点链接图 图布局 图可视化 用户交互

摘要: 文章设计并验证了一种新的节点链接图布局的微调技术，该技术能够基于样例，以批处理模式简化了一组子结构的调整。关键思想是将用户对局部子结构的修改转移到整个图中与样例具有相似拓扑的其它子结构。我们首先使用节点嵌入技术为每个子结构预计算向量化表示，然后将其用于即时子结构检索。我们设计和开发了一个交互式原型系统，通过一个定量比较的实验，三个案例研究和一个参与者内部用户研究验证了方法的有效性。

发表地: Frontiers of Computer Science
关键词: 多属性动态网络 稀有类 异常检测 可视分析

摘要: 多元动态网络是指拓扑结构和节点属性随时间变化的网络。它们在多媒体应用中很常见。异常检测是分析这些网络的重要任务之一，但目前还没有得到很好的解决。在本文中，我们结合了一种稀有类检测方法和可视化技术来帮助用户识别和分析多变量动态网络中的异常。我们总结了稀有类的特征和两种异常类型。在此基础上，提出了一种新的稀有类别检测方法 DIRAD，用于检测具有异常的稀有类别候选。我们开发了一个名为 iNet 的原型系统，它集成了两个主要的可视化组件，包括一个基于 glyph 的稀有类别标识符，它帮助用户在检测到的子结构中识别稀有类别，以及一个主视图，帮助用户分析和解释网络拓扑和节点属性中稀有类别的异常。我们还进行了评估，包括一个算法性能评估，一个案例研究，和一个用户研究，以测试提出方法的有效性。

发表地: Frontiers of Information Technology & Electronic Engineering
关键词: 稀有类检测 动态网络 可视分析

摘要: 动态网络是指其节点和/或链路随时间动态变化的图形结构。现有的可视化和分析技术主要集中在总结和揭示网络结构的主要演化模式。以往很少有工作集中于检测动态网络中很少发生的异常变化模式，但这些异常可能会破坏网络结构的演化。在这项研究中，我们介绍了第一个设计用于检测动态网络子结构的罕见变化视觉分析系统 RCAnalyzer。该系统采用一种罕见的类别检测算法来识别异常变化的结构，并在上下文中可视化它们，以帮助专家检查分析结果并标记数据。我们还特别提出了一种新的可视化方法，将动态网络的快照表示为一系列连通的三角矩阵。对每个矩阵进行层次聚类和最优树切割，以说明在其周围结构的上下文中检测到的节点和链接的罕见变化。我们通过案例研究和用户研究来评估我们的技术。评价结果验证了系统的有效性。

发表地: IEEE Transactions on Visualization and Computer Graphics
关键词: 大规模图探索 基于结构的探索 建议性探索

摘要: 在分析可视化网络时，用户需要探索网络的不同部分以获得洞察力。然而，有效地探索大规模网络仍然是一个挑战。虽然用户可以使用各种工具来探索网络的全局和局部特征，但这些工具通常需要大量的交互，例如重复的导航操作来追踪节点和边。在本文中，我们提出了一种基于结构的建议性探索方法，通过建议适当的结构给用户来支持对大型网络的有效探索。该方法通过将节点周围结构的信息转换到高维空间，对节点进行矢量化编码，可以在一个大的网络中识别出相似的结构，同时实现用户与多个相似结构的交互，并指导对未探测结构的探测。我们开发了一个基于 web 的可视探索系统来整合这种提示性的探索方法，并比较了在不同的矢量化方法和网络下我们的方法的性能。我们还通过两个数据集的受控用户研究，展示了方法的可用性和有效性。

发表地: Journal of Visualization
关键词: 可视化 时序排名集合 不确定性

摘要: 时间排序集合表示时间演化的多元排序。这样的数据在我们的日常生活中很常见，例如，大学的不同排名（QS、ARWU、THE 和 USNews），以及 NBA 球员的不同赛季排名。有效的排名分析和追踪可以让用户深入了解整体排名随时间的变化，并寻求变化的解释。本文介绍了一种新的可视化分析方法，用于刻画和可视化动态排名集合数据的不确定性，动态性和差异。我们提出了一种新的视觉设计来描述大量时间排序集合的演化模式、分布和不确定性。可以通过一个直观的可视化系统对排名集合进行逐步探索，追踪，比较。两个案例研究和一个基于实际数据集的任务驱动用户研究证明了该系统的有效性和可行性。