Adaptation of point- and line-based visualization

Abstract

Visualization plays an important role in the lives of various heterogeneous parts of society: from a voter looking for the latest results of an election, to statisticians examining a distribution, to analysts trying to make sense of multidimensional data sets. This thesis adapts existing point- and line-based visualization methods to improve knowledge gain. The included contributions address three research questions: How to scale unit visualization for 1D data? How to improve navigation between 2D visualizations of multivariate data? How to combine the advantages of multiple 2D views in a single static visualization for multivariate data? The first part of the thesis focuses on unit visualization of 1D data with dot plots. Compared to the previous state of the art, the developed visualizations fit a wider range of data and expand the number of potential users by requiring less prior knowledge for interpretation. They adapt the definition of dot plots to scale nonlinearly with sample count, accurately show value frequencies in high-dynamic-range data, reduce positional error in displayed data points, and enhance the perception of subtle nuances in the data while avoiding moiré effects. We provide evidence for claimed improvements through evaluation with computational metrics and a crowdsourced user study. The second part of the dissertation focuses on visualizing multivariate data with scatter plots and scatter plot matrices. First, we evaluate six animated transitions between plots of different 2D subspaces with respect to task performance for tracking individual points and interactions between clusters. The results of a quantitative study with 170 participants show that orthographic rotation animation performs best and should be adopted more widely. Next, we develop a novel concept for recommending views in scatter plot matrices. It provides user- and task-specific suggestions by focusing on the data of interest to the viewer. Together, animation and recommendation adapt scatter plots to improve the user's ability to analyze more complex data effectively. In the third part, we develop a new visualization technique that extends parallel coordinate plots to provide a static alternative to scatter plots with animated transitions. The approach does not require interaction to display data flow between 2D subspace clusters. A custom density-based rendering technique enables the visibility of individual lines and structures within highly overdrawn regions. Our technique can communicate fuzzy clustering results through binning and color mapping. Finally, we discuss the presented contributions with respect to the original main questions and show possible directions for future research.

Visualisierung spielt im Leben verschiedener Teile der Gesellschaft eine wichtige Rolle: Von einem Wähler, der nach den aktuellsten Wahlergebnissen sucht, über Statistiker, die eine Verteilung untersuchen, bis hin zu Analysten, die mehrdimensionale Datensätze verstehen wollen. Die Beiträge dieser Arbeit passen bestehende punkt- und linienbasierte Visualisierungsmethoden an, um den Wissenserwerb zu verbessern, und widmen sich dabei drei Forschungsfragen: Wie kann man die Visualisierung von 1D-Daten mit einzelnen grafischen Elementen skalieren? Wie kann man die Navigation zwischen 2D-Visualisierungen multivariater Daten verbessern? Wie kann man die Vorteile mehrerer 2D-Ansichten in einer einzigen statischen Visualisierung für multivariate Daten kombinieren? Der erste Teil dieser Arbeit fokussiert sich auf die Visualisierung von 1D-Daten mit einzelnen grafischen Elementen in Punktdiagrammen. Im Vergleich zum bisherigen Stand der Technik sind die entwickelten Visualisierungen für ein breiteres Spektrum an Daten geeignet und erweitern den Kreis potenzieller Nutzer, da sie weniger Vorkenntnisse erfordern. Sie passen die Definition von Punktdiagrammen an, um nichtlinear mit der Punktezahl zu skalieren, Werteverteilungen mit hohem Dynamikumfang präzise darzustellen, Positionsfehler der angezeigten Daten zu reduzieren und die Wahrnehmung subtiler Nuancen zu verbessern, während Moiré-Effekte vermieden werden. Wir belegen die Verbesserungen mit rechnerisch ermittelten Metriken und einer Crowdsourcing-basierten Nutzerstudie. Der zweite Teil der Dissertation behandelt die Visualisierung multivariater Daten mit Streudiagrammen und Streudiagrammmatrizen. Zunächst untersuchen wir sechs Animationen zwischen Plots unterschiedlicher 2D-Unterräume im Hinblick auf die Verfolgbarkeit einzelner Punkte und die Interaktion zwischen Clustern. Die Ergebnisse einer quantitativen Studie mit 170 Teilnehmern zeigen, dass orthografische Rotationsanimation am besten abschneidet und breiter angewendet werden sollte. Anschließend entwickeln wir ein neuartiges Konzept für die Empfehlung weiterer Ansichten in einer Streudiagrammmatrix. Es bietet nutzer- und aufgabenspezifische Vorschläge, indem es den Fokus auf die für den Betrachter interessanten Daten legt. Zusammen passen Animation und Empfehlung Streudiagramme an, um die Fähigkeit des Benutzers zu verbessern, komplexere Daten effektiv zu analysieren. Im dritten Teil entwickeln wir eine neue Visualisierungstechnik, welche parallele Koordinaten erweitert und eine statische Alternative zu Streudiagrammen mit animierten Übergängen darstellt. Der Ansatz erfordert keine Interaktion, um den Datenfluss zwischen 2D-Subraum-Clustern anzuzeigen. Angepasstes, dichtebasiertes Rendering ermöglicht die Sichtbarkeit einzelner Linien sowie Strukturen innerhalb stark überlagerter Bereiche. Die Ergebnisse von unscharfem Clustering werden durch Intervallbildung und Farbcodierung dargestellt. Abschließend diskutieren wir die Beiträge im Hinblick auf die ursprünglichen Fragen und zeigen mögliche Richtungen für zukünftige Forschung auf.