Presentation
Visionen för forskargruppen är att angripa den utmaning som “big data” innebär genom att kombinera människocentrerad dataanalys och interaktiv visualisering för beslutsfattande. Dessa forskningsområden är ytterst relevanta för både akademi och ekonomi, eftersom såväl vetenskap som näringsliv i allt högre grad använder dataintensiv teknologi.
Vi förverkligar en människocentrerad och problemorienterad visualiseringsstrategi. Människocentrerad visualisering handlar om att utveckla interaktiva tekniker för visualisering med utgångspunkt i användar- och uppgiftsrelaterad information, för att effektivt utforska och analysera komplexa datamängder. Detta tillvägagångssätt kombinerar aspekter från olika forskningsområden, som informationsvisualisering och vetenskaplig visualisering, människa-datorinteraktion, informationsdesign och kognition. Inom området visualisering koncentrerar vi oss huvudsakligen på informationsvisualisering (InfoVis), vilket fokuserar på visualisering av abstrakt data från hierarkiska, nätverks- eller symboliska informationskällor. I relation till utvecklingen av människocentrerad
informationsvisualiseringsmetoder och system, är vi också intresserade av användbarhet och krav, visualiseringsuppgifter, verktygsfunktioner, interaktiva funktioner och lämpliga visuella representationer.
I kontrast till visualisering är så kallad datautvinning eller maskininlärning traditionellt mer datorcentrerat. För att ta itu med utmaningen att analysera stora datamängder behöver vi dock dra nytta av fördelarna hos båda dessa tillvägagångssätt i samverkan, vilket är det viktigaste inslaget inom visuell analys (VA). Detta gör att forskaren kan fokusera sin perceptuella och kognitiva skicklighet på den analytiska processen, samtidigt som han eller hon använder avancerat datorstöd för att stödja och stärka den utforskande processen. Designen och implementationen av visuella analysverktyg är en av de mest lovande infallsvinklarna när det gäller att hantera den allt större mängd data som skapas varje dag och som gör nya insikter och viktiga upptäckter möjliga.
Syftet med forskningen inom dessa områden är att utveckla nya metoder och verktyg som effektivt kan stödja analytiker från olika domäner. Våra nya visualiseringsmetoder gör det möjligt att lösa svåra analytiska problem (med hänvisning till de berömda utmaningarna inom “big data”) och att identifiera och extrahera meningsfull information från data samtidigt som de förbättrar hastigheten, noggrannheten och fullständigheten av analytikernas förståelse. Vi är engagerade i ett brett spektrum av forskningsaspekter som omfattar utvecklingen av nya algoritmiska tillvägagångssätt för utvinning av mönster och relationer i data, den visuella och auditiva representationen av dessa mönster och relationer, användningen av maskininlärningsmetoder i visualisering och vice versa, samt studier av perceptuella mekanismer och nya utvärderingsmetoder.
Utvalda forskningsområden
Visuell analys för förklarlig och pålitlig maskininlärning
Kontakt: Andreas Kerren
Forskning inom maskininlärning (ML) och artificiell intelligens (AI) har blivit mycket populär de senaste åren. Många typer av modeller föreslås för att förstå och förutsäga mönster och trender i data som härstammar från olika områden. I takt med att dessa modeller blir mer och mer komplexa blir det också svårare för användare att bedöma och lita på deras resultat, eftersom deras interna funktioner oftast är dolda i ”svarta lådor”. Förklaringen av ML/AI-modeller är för närvarande ett hett ämne bland de som sysslar med informationsvisualisering (InfoVis), med resultat som visar att insikter i ML-modeller kan leda till bättre förutsägelser och förbättra pålitligheten hos resultaten. För att uppnå detta i vår forskning vi VA-metoder för att öppna de svarta lådorna hos olika ML/AI-modeller. Vår forskning omfattar både övervakade och oövervakade inlärningsmodeller.
Visualiseringstekniker för analys av multivariat realtidsdata
Mängden data som produceras i industrin ökar ständigt och blir allt svårare att analysera och få insikt i. Nya visuella metoder behövs för att möta denna utmaning. Denna forskningsriktning fokuserar på att utveckla visualiseringstekniker för analys av multivariata realtidsdata. Ett forskningsområde handlar om utveckling av effektiva tekniker lämpliga för att upptäcka komplexa relationer i stora datamängder. Forskning bedrivs också om visuella kvalitetsmått för att kvantifiera förlust av information vid dataabstraktion. Vidare gäller forskningen utveckling av metoder för att minska problem vid tolkning av information för olika visuella displayer. Tillämpningsområden inkluderar, till exempel, obemannade farkoster och sjöfart.
Visual Analytics of Temporal Event Data
Kontakt: Katerina Vrotsou
Det finns idag ett stort och snabbt växande antal datadrivna applikationer i samhället och industrin som producerar temporala händelsedata. Temporala händelsedata innefattar sekvenser av punkt- eller intervallhändelser som inträffar över tiden, till exempel elektroniska patientjournaler, olika typer av spårnings- och övervakningsdata, livshändelse- eller tidsanvändningsdata. Effektiv analys av dessa data kan göra det möjligt att få avgörande förståelse för komplexa och sammankopplade processer. För exemplen ovan kan sådan analys motsvara studien av patientjournaler för diagnostik och behandlingsplanering, analysen av övervakningshändelser och larm för processkontroll och prediktiv underhåll, och analysen av individuella aktiviteter för att förstå beteendemönster och sociala processer. Med detta som utgångspunkt strävar vi efter att i detta fokusområde bedriva innovativ forskning vid skärningspunkten mellan temporal datautvinning och interaktiv visualisering och producera visuella analysmetoder som underlättar människocentrerad analys av stora och komplexa temporala händelsedata.
Användarcentrerad utvärdering
Kontakt: Camilla ForsellSonifiering
Kontakt: Niklas RönnbergSonifiering, omvandlandet av data till ljud eller kopplingen av dataegenskaper till ljudparametrar, är den auditiva motsvarigheten till visualisering, och kan användas som ett komplement till visualisering för att underlätta förståelsen av visuella representationer eller för att avslöja nya relationer i data. Visuella representationer kan vara svåra att förstå, och den visuella komplexiteten kan vara betungande för det visuella kognitiva systemet. Genom att använda sonifiering som ett komplement är det möjligt att ge mer information och samtidigt underlätta tolkningen av den visuella representationen. Sonifiering kan exempelvis användas för att minska feltolkningar orsakade av samtidig ljushetskontrast, underlätta förståelsen av densitetsnivåer, eller stödja perceptionen av olika datauppsättningar i en visualisering.
Visuell analys av text och nätverk
Kontakt: Andreas Kerren
Nätverksdata är en av de viktigaste och också mest utmanande datamängderna i informationsvisualisering. Visualiseringsforskning fokuserar inte enbart på den vackra representationen av nätverken. Deras storlek och komplexitet kräver andra lösningar för att visa och utforska dem. Vår forskning behandlar sådana frågor genom att utforma nya visualiseringsmetoder som ger filtrering och avancerade interaktionsmöjligheter, ofta i kombination med beräkningsmetoder som nätverkscentraliteter eller inbäddningstekniker. Ett nyligen fokus ligger på multivariata och heterogena nätverk som båda är avgörande för många applikationsdomäner. Liknande visualiseringsutmaningar är relaterade till datamängder som består av stora mängder texter och dokument. Vi utvecklar textanalysverktyg som kombinerar interaktiv visualisering med naturliga språkbehandlingsmetoder. Denna kombination gör det möjligt för människor att förstå stora och dynamiska textdata och möjliggör utforskning, kontroll och slutlig utvärdering av analysprocesserna och resultaten.