【动态】第二十一期可视化与可视分析国际学术报告成功举办

2022 年 7 月 27 日 中国图象图形学学会CSIG

2022年7月14日晚，中国图象图形学学会可视化与可视分析专业委员会组织的第二十一期可视化与可视分析国际学术报告成功举行。此次报告特邀Takayuki Itoh教授担任讲者，进行了题为《Application and Evaluations of Hierarchical Graph Visualization》的精彩报告。Takayuki Itoh是日本御茶水女子大学的教授，他于1997年从早稻田大学获得博士学位；从1992年到2005年，他是IBM东京研究中心的研究员；2005年以副教授加入御茶水女子大学，并于2011年晋升教授。他的主要研究兴趣为信息可视化，特别是图、层次化和高维数据可视化。他是IEEE Pacific Visualization 2018、Graph Drawing 20022等多个国际会议的大会主席。

图 1 About Takayuki Itoh

Itoh教授首先介绍了自己所在实验室的研究方向与内容。他的研究方向包括流体仿真、生物信息可视化、商业交易数据的可视化、行人轨迹的可视化、音乐可视化、生活日志以及人类关系数据的可视化等。今天的讲座将聚焦于图结构数据的可视化。

图 2 Itoh实验室的研究方向

Itoh教授为大家系统地梳理了图可视化的发展历程。图数据的绘制历史悠久，早在1736年解决了著名的瑞士数学家欧拉就用图解决了哥尼斯堡七桥问题。随着计算机技术的飞速发展，用计算机进行图绘制逐渐成为了主流方式。用计算机绘制并存储图可视化具有自动化、快捷、可交互、易发布等特点，相比较手工绘制节省了大量劳动力。

图 3 图数据可视化起源

Itoh教授接着阐述了图可视化的分类与应用。图数据的展示形式主要有结点连接图与邻接矩阵图两种；而数据类型主要分为有向图与无向图两种，也可根据数据的使用场景分为固定数据与非固定数据。图可视化有许多应用，例如通过社交网络分析人际关系，通过生物化合分子的关系网络分析蛋白质等。

图 4 社交网络分析

这些实际应用的图可视化都有一个共同点，就是规模庞大。随着图数据数量级的增大，其可视化的可读性就会降低，出现视觉混乱。Itoh教授介绍了常用的大图可视化的后处理方法。首先是边绑定，通过优化边的方式，降低边的交错混乱情况，从而使整个图可视化的走势与结构变得清晰。另一种方式是对图可视化的结点进行聚类分层，通过将相同属性的结点分组聚类到一起来减少视觉混乱。

图 5 层次图的边绑定

Itoh教授介绍了三项自己关于层次图的研究。第一项工作是发表在2009年IEEE Pacific VIS上《A hybrid space-filling and force-directed layout method for visualizing multiple-category graphs》。在该文中，作者提出了一种新的多类别图可视化技术，基于结点的连通性和类别构建结点的层次集群，并通过混合空间填充与力导向布局方法放置结点，以清楚地显示结点的连通性与类别信息。

图 6 带有类别结点的混合布局

Itoh教授展示了该项工作的一个实际应用，在6152个基因网络中寻找枢纽基因和多功能基因。图中的A为枢纽结点，这些枢纽基因通常是负责的基因。观察这些枢纽结点及其连通性，往往有助于明确病因和开发药物。图中的B表示的几个结点属于三个或更多类别，并连接到大型集群中的结点。结果意味着这些基因对许多条件敏感，并与许多其他基因相互作用。这种多功能基因通常位于活体的重要部位。

图 7 枢纽基因与多功能基因

第二项工作是发表在2015年IEEE Computer Graphics and Applications上《Key-Node-Separated Graph Clustering and Layouts for Human Relationship Graph Visualization》。Itoh教授在这项工作中介绍了一种用于属性嵌入图的图可视化技术，该技术应用了一种图聚类算法，解释了结点连通性与属性的组合。图聚类步骤根据连接结点的共性和特征值向量的相似性来划分结点。然后根据连接边的数量和特征值向量的相似性计算任意对簇之间的距离，最后根据距离放置簇。因此，该技术分离了与多个大型集群有连接的重要结点，并提高了这些结点连接的可见性。教授展示了该项技术应用在共同作者网络图中的聚类结果，许多具有共同共同作者的作者与共同的技术术语相关联，因此他们形成了由单一颜色组成的大集群。

图 8 共同作者网络图聚类

第三项工作是发表在2020年IEEE TVCG上《The Sprawlter Graph Readability Metric: Combining Sprawl and Area-Aware Clutter》。Itoh教授提出了一种区域感知方法来详细跟踪结点与结点、结点与边和边与边之间的几何重叠程度的杂波度量。它能够处理可变大小的结点并统一处理元结点和叶结点。同时，还提出了一个扩展指标的实例，对关键组件的惩罚映射函数进行了讨论。

图 9 惩罚函数计算

在报告的尾声，教授介绍了即将在日本东京举行的Graph Drawing 2022。该会议主要与图形绘图和网络可视化相关，欢迎各位可视化研究者参与。在提问环节，Itoh教授和听众进行了热烈的交流。Itoh教授指出在本次报告中的研究数据大多是几千个结点，但是在实际情况中可能会遇到百万级结点的大图可视化。在这时可能需要多次应用层级制度，通过多层次地对图实施聚类策略来达到目的。