Visualization of dynamic multidimensional and hierarchical datasets

Analyse van tijdsafhankelijke visualisaties

Visualisatiemethoden spelen een belangrijke rol bij het begrijpen van complexe en abstracte gegevens. Deze methoden stellen gebruikers in staat om visueel te kunnen redeneren over een gegeven dataverzameling door hun patroonherkenning-, uitschieterdetectie-, en vraagstellingsvermogens te gebruiken. Er zijn veel methodes om toepasselijke en nuttige visuele representaties te creëren vanuit statische, niet-ruimtelijke, gegevens. Voor tijdsafhankelijke, abstracte, en niet-ruimtelijke gegevens, waarin de data verandert en evolueert over de tijd, zijn echter veel minder visualisatietechnieken beschikbaar.

Eduardo Faccin Vernier richtte zich daarom op het specifieke geval van tijdsafhankelijke hiërarchische data-afbeelding via dynamische treemaps en van tijdsafhankelijke hoogdimensionale datavisualisatie via projecties. Hij benaderde de gezamenlijke vraag hoe men projecties en treemaps kan uitbreiden om tijdsafhankelijke en hoogdimensionale gegevens weer te geven op een stabiele, accurate en schaalbare manier.

De literatuur voor statische visualisatietechnieken is rijk en state-of-the-art methoden die zich hebben bewezen als waardevolle instrumenten voor data-analyse. De varianten van deze methodes voor tijdsafhankelijke (dynamische) data zijn echter niet goed bestudeerd; tot kort waren er maar weinig hiërarchische en hoogdimensionale methodes die het tijdsafhankelijke aspect van de data expliciet beschouwden. Bovendien zijn er weinig of soms geen methoden om de kwaliteit van deze tijdsafhankelijke methoden te bepalen, en nog minder uitgebreide benchmarks voor het vergelijken van dergelijke methodes.

Faccin Vernier benadert en beantwoordt de bovengenoemde beperkingen in zijn proefschrift. Voor beide dynamische treemaps en projecties presenteert hij manieren om hun tijdsafhankelijke stabiliteit nauwkeurig te meten; hij evalueert bestaande methodes in het licht van het balans tussen stabiliteit en visuele kwaliteit en presenteert nieuwe methodes die een beter balans geven tussen stabiliteit en visuele kwaliteit dan bestaande topkwaliteit methodes. Ten slotte illustreert hij de onderzochte methodes met een brede collectie van reële gegevens en ook een toepassing van door hem ontwikkelde nieuwe dynamische projectiemethodes voor de analyse en classificatie van hyperkinetische data over bewegingsstoornissen.

Het promotieonderzoek van Eduardo Faccin Vernier vond plaats bij de afdeling Wetenschappelijke Visualisatie en Computergrafiek van het Bernoulli Instituut met financiering van een beurs uit Brazilië. Hij werkt nu als Data Scientist bij Machine Learning Programs (mlprograms.com).

Proefschrift: http://hdl.handle.net/11370/790416b2-9162-4401-bbdc-182ac1cb57eb