EOD Edge Sampling for Visualizing Dynamic Network via Massive Sequence View
EOD Edge Sampling for Visualizing Dynamic Network via Massive Sequence View
复制标题
EOD 边缘采样通过大规模序列视图可视化动态网络
DOI：
10.1109/access.2018.2870684
复制
发表时间：
2018
期刊：
影响因子：
3.9
通讯作者：
Zhou Fangfang
中科院分区：
文献类型：
--
作者：
Zhao Ying;She Yanmin;Chen Wenjiang;Lu Yutian;Xia Jiazhi;Chen Wei;Liu Junrong;Zhou Fangfang
动态网络可视化是理解网络演化行为的关键。大规模序列视图（MSV）是一种经典的动态网络可视化技术，可以从节点对和全局网络两个层次为用户提供随时间变化的通信趋势的细粒度表示。然而，MSV容易受到重叠边缘引起的视觉混乱的影响，无法显示清晰的模式或趋势。 参考接受-拒绝抽样，我们使用核密度估计来表征节点对之间的时变特征，并生成EOD概率密度函数，以自底向上的方式完成抽样。为了提高采样效果，我们还考虑了边缘长度因子和流式处理。对两个动态网络数据集的实例研究表明，该方法能显著提高MSV的整体可读性，清晰地揭示节点对和全局网络的时间特征.通过与其他两种采样方法的定量比较，表明该方法能够很好地平衡视觉杂波抑制和时间特征保持。
Dynamic network visualization is crucial to understand network evolving behavior. Massive sequence view (MSV) is a classic technique for visualizing dynamic networks and provides users with a fine-grained presentation of time-varying communication trend from both node pair and global network levels. However, MSV is vulnerable to visual clutter caused by overlapping edges, failing to show clear patterns or trends. Referring to accept–reject sampling, we use kernel density estimation to characterize the time-varying features between node pairs and generate EOD probability density functions to accomplish sampling in a bottom-up manner. To enhance the sampling effect, we also consider the edge length factor and streaming processing. The case studies on two dynamic network data sets demonstrate that our method can significantly improve the overall readability of MSV and clearly reveal the temporal features of both node pairs and global network. A quantitative evaluation comparing with two other sampling methods using three real-world data sets indicates that our method can well balance visual clutter reduction and temporal feature preservation.
登录
查看更多内容
影响因子：
9.3
作者：
Stehlé J;Voirin N;Barrat A;Cattuto C;Colizza V;Isella L;Régis C;Pinton JF;Khanafer N;Van den Broeck W;Vanhems P
通讯作者：
Vanhems P
影响因子：
2.5
作者：
Tuan Nhon Dang;Nick Pendar;A. Forbes
通讯作者：
Tuan Nhon Dang;Nick Pendar;A. Forbes
DOI：
10.1109/tvcg.2013.263
发表时间：
2014-08
影响因子：
5.2
作者：
S. V. D. Elzen;Danny Holten;Jorik Blaas;J. V. Wijk
通讯作者：
S. V. D. Elzen;Danny Holten;Jorik Blaas;J. V. Wijk
DOI：
10.1145/3019612.3019686
发表时间：
2017-04
期刊：
Proceedings of the Symposium on Applied Computing
影响因子：
--
作者：
Claudio D. G. Linhares;B. Travençolo;J. G. Paiva;Luis E C Rocha
通讯作者：
Claudio D. G. Linhares;B. Travençolo;J. G. Paiva;Luis E C Rocha
DOI：
10.1007/s13137-017-0101-z
发表时间：
2017-12
期刊：
GEM - International Journal on Geomathematics
影响因子：
--
作者：
K. Koch
通讯作者：
K. Koch