IEEE引用格式：M. Sondag, W. Meulemans, C. Schulz, K. Verbeek, D. Weiskopf, and B. Speckmann, “Uncertainty Treemaps,” IEEE Pacific Vis. Symp., vol. 2020-June, pp. 111–120, 2020, doi: 10.1109/PacificVis48177.2020.7614.

文献内容

主要内容

研究了如何在Treemap中可视化分层数据和其相关的不确定性

提出了两个相互矛盾的关键要求

  1. 视觉聚合：矩框大小需要和值匹配
  2. 用区域编码不确定度：用相同视觉变量对不确定度编码，方便与数据的比较

通过使用不确定性遮罩在数据相同的空间可视化不确定性，同时满足两个要求，维持了Treemap的严格递归性质

还提出了一种遮盖的质量度量，用于指导Treemaps的布局算法修改

背景

数值数据通常会有与每个数据值相关的不确定性，支持对复杂数据类型和不确定数据同时可视化的技术很少

实验

数据集

  1. coffee：1994年至2014年每个国家/地区的咖啡平均进口量以及相关的标准差
  2. Infant：1992年至2016年每个国家的婴儿平均死亡人数及相关的标准差
  3. S&P：2016年3月11日至2016年11月10日，标准普尔500指数中每只股票的平均收盘价及相关的标准差
  4. CES：2014年每户（消费者）的平均支出； 标准偏差代表测量不确定度

遮罩设计

叶级以上的节点逐层线宽和间距加倍，最右图显示了一个具有四个节点的二级Treemap

遮罩质量示例，最为正确的嵌套是较低级别的遮罩延伸到较高级别的遮罩之外

遮罩渲染方式对比实验

不确定树图算法

作者采用两类方法提升树图算法生成的树图质量

将面积较小的子节点放置在底部的树图会导致质量较低的遮盖

对给定树图水平或垂直镜像会影响遮盖的质量，因此可以用镜像方式对质量进行优化

采用遮盖质量度量在树映射的算法中进行启发式选择

用MASKAWARESPLIT过程替代APPROXIMATIONSPLIT过程

  • 优先垂直分割
  • 采用简单布局来估算mask质量
  • 使水平分割的总不确定度尽可能相等

专家意见

Uncertainty Treemaps比气泡树图和并置变体更可取

阅读体会

文章的主要内容是在Treemap中引入遮盖来代表不确定度，对遮盖的质量提出度量并通过该度量来指导treemap的算法优化

一些问题，对于度量的提出，作者并没有做实验和调研，对遮盖的清晰度的衡量比较主观，这里插入一个RCT会更合理

有一点小想法，如果可以加入交互微调整，Uncertainty Treemaps的功能会变得更强大，就比如用户可以手动调整大的矩阵块来提升Treemap质量，小的矩阵块会根据大的块自动调整位置

论文地址 下载源码