Visualization Hybridization with Spatialization Cues

Abstract

Visualisering som et verktøy for visuell prosessering av underliggende data har vist seg å være en akseptert og legitim del av den vitenskapelige argumentasjonsprosessen. Mange forskjellige teknikker bidrar til å oppnå ny innsikt fra et målt fenomen, støtter å lage eller evaluere hypoteser om innsamlet data, avslører mulige misforståelser eller uriktige antagelser, forenkler kommunikasjon av kunnskap og nye funn, i tillegg til flere andre muligheter. Grunnen til denne effektiviteten er at menneskets visuelle system er nøye tilpasset å fange opp og prosessere visuell informasjon. Utviklingen av visualisering fra en nisje til et etablert forskingsfelt har vært et betydelig bidrag til denne suksesshistorien. Et stort antall tidsskrifter, konferanser, seminarer, og workshoper publiserer regelmessig nye resultater, evaluerer presenterte tilnærminger, og bidrar til at kunnskapen er tilgjengelig verden over. Men dette store antallet bidrag rettet mot diverse brukergrupper, underliggende data, og et bredt utvalg av oppgaver som kan utføres med dem, fremhever mengden tilgjengelige teknikker og den resulterende vanskeligheten i å velge den mest passende visualiseringen.

Derfor undersøkte vi vanlige datasett og analyserte typiske oppgaver som normalt blir utført med dem. Basert på dette, valgte vi veletablerte og effektive visualiseringsteknikker, og kombinerte dem til en hybrid representasjon. Målet med en slik hybridisering av visualiseringer var å slå sammen fordelene av de individuelle teknikkene, og dermed samtidig eliminere begrensingene deres. Vi presenterer hybride vigører, som gir de underliggende visualiseringene en bredere anvendelighet i stedet for å enten måtte endre teknikk sekvensielt, eller å ikke være i stand til å utføre visse oppgave i det hele tatt. Våre bidrag er ment til å gjøre det enklere å finne passende visualiseringer for allerede etablerte datasett. Vi satte søkelys på todimensjonal punktdata som på den ene siden var representert som spredningsplott, og på den andre siden, som forhold mellom etterfølgende punkt i, for eksempel, et linjediagram. Teknikkene våre er spesielt nyttige når datasettene er så store, tette, og overplottede at vanlige teknikker når sine begrensinger. Vi viser at hybride representasjoner er passende for å kombinere diskret, kontinuerlige, eller aggregerte former av visuell representasjon. Hybridiseringene våre utnytter i tillegg spatialisering. Slike visuelle signaler fremhever spatialitet av den underliggende dataen gjennom skyggelegging, uten å måtte plassere dataen i 3D med sine mulige ulemper. Vi valgte denne kodingen siden vi betrakter den som det mest passende valget, gitt at visualiseringsbrukere interagerer naturlig og preattentivt med en 3D-verden i det daglige.

Visualization as a tool for visual processing of any underlying data has proven to be an accepted and legitimate part of the scientific reasoning process. Many different techniques help gaining new insights from captured phenomena, support the development or evaluation of hypotheses about collected data, reveal potential misconceptions or false assumptions, simplify communicating knowledge and novel findings, and enable a multitude of additional opportunities. The reason for this effectiveness is that the human visual system is ideally suited to capture and process visually encoded data. The development of visualization from a niche to an established scientific field has made a significant contribution to this success story. A large number of journals, conferences, seminars, and workshops regularly publish new results, evaluate presented approaches, and help making knowledge globally accessible. However, this large number of contributions tailored to variable user groups, the underlying data, and the wide variety of tasks that could be performed with them, emphasizes the plethora of available techniques and the resulting difficulty in choosing the most suitable visualizations.

Therefore, we investigated common data sets and analyzed typical tasks normally performed with them. Based on this, we selected well-established and most effective visualization techniques, combining them to form a hybrid representation. The goal of such a visualization hybridization was to merge advantages of individual techniques and, thereby, simultaneously eliminate their limitations. We present so-called hybrid vigors that make the underlying visualizations more widely applicable instead of either having to change required techniques sequentially, or not being able to perform certain tasks at all. Our contributions are intended to simplify the process of finding suitable visualizations for already established data sets. During our research, we focused on two-dimensional point data, depicted on the one hand as scatter plots and, on the other hand, as relationships between consecutive point such as in line charts. Our techniques can be used especially when data sets are so large, dense, and overplotted that conventional techniques reach their limits. We show that hybrid representations are well suited for combining discrete, continuous, or aggregated forms of visual representation. Our hybridizations additionally exploit spatialization cues. Such visual cues emphasize spatiality of the underlying data through shading, without having to embed the data in 3D space including its potential disadvantages. We chose this method of encoding as we consider it the most appropriate choice, given that visualization users interact naturally and preattentively with a spatial world on a daily basis.