Visual Informatics 2018 好文推荐
1、ECharts: A Declarative Framework for Rapid Construction of Web-based Visualization ECharts: 是一款开源的、基于 web 的、跨平台的支持快速创建交互式可视化的框架**
*BY：*Deqing Li, Honghui Mei, YiShen, ShuangSu, Wenli Zhang, Junting Wang, MingZu, WeiChen
**摘要：**缺乏编程能力的用户在进行可视化分析和设计时，想要快速地创建基于 web 的可视化作品，会遇到诸多困难，而现有的可视化设计系统和编程工具库并不能很好地解决这一问题。本文介绍了一种开源的、基于 web 的、跨平台的、支持快速创建交互式可视化的框架 ECharts，它易于使用，拥有丰富的内置交互和高性能。通过对 ECharts 与 C3.js, HighCharts, Chart.js 的多项性能对比，表明了该框架具有良好的实用性和可伸缩性。
**关键词：**信息可视化; 基于网络的可视化
Link:
https://www.sciencedirect.com/science/article/pii/S2468502X18300068
（免费下载全文）
2、A user-based taxonomy for deep learning visualization
深度学习可视化综述：面向用户群体分类
*BY：*Rulei Yu, Lei Shi
**摘要：**深度学习在多种任务中取得了令人瞩目的成功，近年来发展迅速。鉴于其目前仍然是个“黑匣子”，深度学习的解释性已经成为遏制其发展的一个重要因素。例如，在医学和金融等领域，需要可解释性模型来给从业人员提供相应的理论依据。然而直接分析解释深度学习模型是非常复杂抽象的，作为抽象数据与直观表示的桥梁，可视化提供了相应的技术方法。 创新：为了帮助不同知识背景的用户（初学者、新手、开发者、专家）了解深度学习可视分析这个领域，本文整理了近年来前沿与重要的工作，做成了一张分类表。分类表同时说明了每个工具或方法适用的模型结构、分类目标与发布时间，辅助用户进行快速查询。为了帮助用户了解对应分类目标下的研究进展，本文详述了相应分类目标下的代表性工作，尤其是可视解释性这个重要方向。
**关键词：**深度学习，可视化，解释性
Link:
https://www.sciencedirect.com/science/article/pii/S2468502X1830038X
（免费下载全文）
3、Guidance in the human–machine analytics process
人机分析过程导引
BY：Christopher Collins, Natalia Andrienko, TobiasSchreck, JingYang, et al.
**摘要：**在本文中，我们列出了人机分析的目标、优势和不足之处，提到它不仅可在关键的底层可视化任务中发挥作用,而且能在更复杂的由模型生成的可视化分析任务中发挥作用。人工智能，尤其是在机器学习方面的最新进展，使得人们期盼使用自动技术来实施现由数据分析师采用可视化方法来执行的若干任务。但是，可视化分析仍然非常复杂，包含多个不同的子任务。其中一些任务处于底层，自动化方法可以大显身手（如数据的分类和聚类）；另一些任务则更为抽象，需要用到更多的人类创造力，例如，将从许多不同和异构的数据中获得的思想关联起来，以支持决策。 在本文中，我们将概述导引可能的应用，以及需要为导引提供的输入。我们讨论了实现导引方法的挑战，包括导引系统的输入以及如何为用户提供指导，提出了在分析过程的不同阶段中评估导引质量的潜在方法，并引入导引可能带来的负面效果，作为分析决策的偏差来源。
**关键词：**导引，可视化分析，模型评估
Link:
https://www.sciencedirect.com/science/article/pii/S2468502X1830041X
（免费下载全文）
4、The efficacy of stacked bar charts in supporting single-attribute and overall-attribute comparisons
采用堆叠条形图进行单个属性和整体属性比较的有效性
*BY：*Indratmo, LeeHoworko, Joyce MariaBoedianto, BenDaniel
**摘要：**堆叠条形图是呈现数据多种属性的一种常用的可视化方法，为许多可视化工具所支持。为了评估堆叠条形图在属性比较方面的有效性，我们进行了一项用户研究，考察了三种类型的堆叠条形图：经典，倒置和发散。用每类图表来显示数据的六个属性，其中一半属性“越低越好”，而另一半属性“越高越好”。我们邀请了30名参与者来进行数据的单个属性和整体属性的比较，并统计他们完成测试所耗费的时间，误差率和所感知的评测难度。
研究结果表明，在对整体属性进行比较时，采用倒置堆叠条形图的耗费时间最短；用经典和发散堆叠条形图进行整体属性比较比用这些图表进行单个属性比较所耗费的时间更长。参与者认为在比较整体属性时，倒置和发散堆叠条形图比经典堆叠条形图使用更方便。但比较单个属性时，所有图表类型的表现都差不多。
本文讨论了如何利用这些结果更好地设计交互式堆叠条形图和可视化工具。
**关键词：**堆叠条形图，评价，可视化
Link:
https://www.sciencedirect.com/science/article/pii/S2468502X18300287
（免费下载全文）
5、Visual analytics for event detection: Focusing on fraud
采用可视化分析来检测欺诈事件
*BY：*Roger Almeida Leite, Theresia Gschwandtner, Silvia Miksch, et al.
**摘要：**许多领域都在检测大量数据中的异常事件。例如，在金融数据领域，发现可疑事件是识别和防止欺诈的先决条件。因此，各种金融欺诈检测方法已开始利用可视化技术。但是，迄今为止还没有一项研究对这一方面的不同方法进行系统性的概述，以揭示出这些方法的共同策略和差异所在。本文对现有的视觉欺诈检测方法进行了梳理，对不同的任务和解决方案进行分类，以发现和开辟进一步的研究机会。在本项工作中，我们对银行、股票市场、电信公司、保险公司和内部欺诈等五个主要领域的欺诈检测方案进行了分析。这些选定的领域都具有类似的时序和多元数据特征。在调查中，我们（1）分析了这一方面研究的现状; （2）定义了一个可覆盖不同应用领域、可视化方法、交互技术和分析方法的分类方案; （3）根据所提方案，对每种方法逐一进行描述和讨论; （4）辨识挑战性问题，明确下一步的研究课题。
**关键词：**视觉知识发现，时序数据，商业和金融可视化，金融诈骗检测
Link:
https://www.sciencedirect.com/science/article/pii/S2468502X18300548
（免费下载全文）
关于 Visual Informatics
VI是由浙江大学CAD&CG国家重点实验室创办、浙江大学出版社和Elsevier出版集团联合出版、在线发行、开放获取VI官网的国际学术期刊。于2017年4月正式上线，本刊聚焦于面向人类感知的视觉信息的建模、分析、合成、增强与自然交互，内容涵盖但不限于高效的图形图像算法、大数据可视化与可视分析、虚拟现实与增强现实、表意式图形绘制、人类对视觉信息的感知与交互机制。
本刊瞄准大数据最为核心的基础研究方向，涉及视觉生理/心理学、计算机图形学、图像视觉、可视分析等学科，旨在填补我国此领域顶尖学术期刊的空白。
VI严格遵循国际出版伦理与国际编辑惯例，采用优先出版，同行评议，严格把控文章质量，为学者提供高质量的研究论文、综述、案例研究等文章，同时与国际学术会议（PacificVAST）对接，收录其会议文章，为全球的学者提供一个可视化、信息领域的一个国际交流平台。
主编：VI实行双主编制。国内主编周昆教授；国际主编Hans-Peter Seidel教授。
期刊英文网址：https://www.sciencedirect.com/journal/visual-informatics
期刊中文网址：http://www.zjujournals.com/vi/CN/2468-502X/home.shtml
更多关于期刊信息，请关注VI公众号:visinf