A Visual Analytics Framework for Reviewing Multivariate Time-Series Data with Dimensionality Reducti

论文传送门

一作 Takanori Fujiwara有很多篇降维相关的文章。

在许多实际应用中，数据驱动的问题解决涉及到对时间相关的多变量数据的分析，为此，通常使用降维方法来揭示数据的内在结构和特征。然而，降维通常应用于单时间点多变量或单变量时间序列的数据子集，导致需要手动检查和关联不同数据子集的降维结果。当维度的数量无论从时间点的数量还是从属性的数量来看都很大时，这个手动任务就变得过于繁琐和不可行。在本文中，我们介绍了MulTiDR，这是一个新的降维框架，它能够将时间相关的多变量数据作为一个整体进行处理，以提供数据的全面概述。有了这个框架，我们分两步使用降维。当将数据的实例、时间点和属性视为3D阵列时，第一个降维步骤将阵列的三个轴减少到两个，第二个降维步骤将数据可视化到较低维度的空间中。此外，通过结合对比学习方法和交互式可视化，我们的框架增强了分析师解释降维结果的能力。我们通过使用真实数据集的四个案例研究证明了我们框架的有效性。

Case Studies 中使用了动态图经典的数据集： a dataset of contacts between high school students in Marseilles, France.

我们引入了一个可视化分析框架MulTiDR，它使我们能够通过采用两步降维和对比学习以及交互式可视化来导出和解释多元时间序列数据的低维表示。MulTiDR具有从复杂数据集识别和表征聚类和异常值的能力，为分析多变量时间序列数据的高要求任务提供了一种新的有效方法。