时间：2022年11月17日(本周四) 09: 30
地点：望江校区基础教学楼B座318实验室
成员：周锋、朱佳旻
Part1
分享者：周锋
分享内容：
[1] Li G, Li R, Wang Z, Liu CH, Lu M, Wang G. HiTailor: Interactive transformation and visualization for hierarchical tabular data. IEEE Transactions on Visualization and Computer Graphics. 2022 Sep 26.
[2] Huang J, Xi Y, Hu J, Tao J. FlowNL: Asking the Flow Data in Natural Languages. IEEE Transactions on Visualization and Computer Graphics. 2022 Oct 4.
论文简介：
[1] 表格数据可视化将可视化表示与表格数据相结合，降低了用户对表格数据的认知负荷。然而，现有的研究大多侧重于简单的单层表，而不是多层表。多层表的复杂结构限制了可视化结果的表现力，影响了用户构建可视化的效率。因此，本文提出了HiTailor，一种用于显示和探索多层表的技术。HiTailor构造了一个抽象模型，该模型将行/列标题定义为双聚类和层次结构。基于本文的抽象模型，本文确定了Swap/Transpose、ToStacked/ToLinear、Fold/Unfold三对运算符用于多层表的转换，以支持用户的全面探索。转换后，用户可以在多层表中指定感兴趣的单元格或块作为TableUnit进行可视化，HiTailor根据抽象模型使用不同的机制推荐其他相关的TableUnit。通过与领域专家的比较研究和案例研究，本文展示了HiTailor系统的可用性，表明HiTailor可以从不同的角度呈现和探索多层表。
[2] 流可视化本质上是一种使用渲染图像回答领域专家关于流场问题的工具。静态流可视化方法需要领域专家向可视化专家提出他们的问题，可视化专家开发特定的技术来提取和可视化感兴趣的流结构。交互式可视化方法允许领域专家直接通过可视化分析界面向系统提问，这为支持各种任务提供了灵活性。然而，在实践中，可视化分析界面可能需要额外的学习成本，这常使领域专家灰心丧气，并限制了它在现实场景中的使用。本文提出了一个具有自然语言界面的新型交互系统FlowNL。FlowNL允许用户使用简单的英语操作流可视化系统，这大大减少了学习的工作量。本文开发了一个自然语言解析器来解释用户意图并将文本输入翻译成声明性语言。本文设计声明性语言作为自然语言和编程语言之间的中间层，专门用于流可视化。声明性语言提供了选择和组合规则，从原始对象派生出相对复杂的流结构，这些对象编码了关于标量字段、流模式、感兴趣的区域、连接性等各种信息。本文通过多个使用案例和一个专家评估来证明FlowNL的有效性。
Part 2
分享者：朱佳旻
分享内容：
[1] KIM Y, HEER J. Assessing Effects of Task and Data Distribution on the Effectiveness of Visual Encodings[J/OL]. Computer Graphics Forum, 2018, 37(3): 157-167. DOI:10/gdw9q6.
[2] SAKET B, ENDERT A, DEMIRALP Ç. Task-Based Effectiveness of Basic Visualizations[J/OL]. IEEE Transactions on Visualization and Computer Graphics, 2019, 25(7): 2505-2512. DOI:10.1109/TVCG.2018.2829750.
论文简介：
[1] 除了视觉编码的选择外，数据可视化的有效性可能会因执行的分析任务和数据值的分布而异。为了更好地评估这些影响并创建视觉编码的精细排名，作者进行了一项实验，测量不同任务类型的受试者的表现(例如，比较个体与聚集值)和数据分布(例如，具有不同的基数和熵)。作者比较了涉及1个分类字段和2个量化字段的12个三变量数据编码规范的性能，包括x、y、颜色、大小和空间细分(即分面)的使用。作者的结果扩展了现有的编码效率模型，并为自动化设计提供了改进的方法。例如，作者发现彩色散点图(具有位置编码量和颜色编码类别)在比较单个点时表现良好，但在汇总任务中随着类别数量的增加而表现较差。
[2] 表格数据的可视化被广泛使用；了解其在不同任务和数据环境中的有效性是衡量其影响的基础。然而，对于基本的表格数据可视化如何在不同的数据分析任务中执行，我们知之甚少。在本文中，作者报告了一项众包实验的结果，该实验使用两个数据集来评估五种小规模(5-34个数据点)二维可视化类型-表格、折线图、条形图、散点图和饼图-在十个常见数据分析任务中的有效性。作者发现，这些可视化类型的有效性在不同任务之间有显著差异，这表明可视化设计将受益于考虑情境相关的有效性。基于作者的发现，本文得出了根据不同任务选择哪些可视化工具的建议。最后，作者根据收集的数据训练决策树来驱动推荐器，展示了如何将实验用户数据有效地工程到实际的可视化系统中。
