Vorlesung

Definition, wie Menschen Forme warnehmen, basierend auf Ort und Größe. Gesetzmäßigkeiten niederer Mustererkennung:

• Law of Proximity: Räumlich nahe Elemente erscheinen als eine Gruppe

• Law of Similarity: Ähnlich erscheinende Elemente werden gruppiert und es wird die gleiche Funktion angenommen

• Law of Continuity: Elemente auf einer Kurve erscheinen eher Zusamengehörig als Elemente außerhalb

• Law of Closure: Bei Betrachtung komplexer Anordnungen wird nach einzelnem wiedererkennbarem Muster gesucht

Damit Daten intuitiv korrekt verstanden werden, ist eine Visualisierung/Anordnung nach den Gestalt laws essentiell.

• eignen sich gut für Kategorien, aber schlecht für Vergleich von Werten

• Diverging -> Fokus auf Extremata; Sequentiell -> Fokus auf Wertebereich

• gängige Farbbedeutung beachten (z.B. grün = True)

• Informationsträger, kein ästhetischer Faktor

• zu viele Farben sind unübersichtlich und haben keinen Zweck mehr -> Rainbow maps vermeiden

• ausreichend Kontrast wählen und räumliche Anordnung bedenken

• Farbblinheit berücksichtigen

  
  

• Darstellung multivariater Daten

• Überführung von Punkten in Linien: statt Kordinatensystem Linie von parallelen x- auf y-Achse

• Cluster -> mehrere ~identische Linien

• linearer Anstieg:

  • nach rechts öffnender Fächer -> m > 1

  • Parallelen -> m = 1

  • nach links öffnender Fächer -> m < 1

• lineare Abnahme: Linien schneiden in einem Punkt S

  • S links -> m < -1

  • S mittig -> m = -1

  • S rechts -> m > -1

Fokus auf Mover, individuelles Verhalten und Bewegungsmuster

• Linien auf Karte: simpel; Problem hoher Dichte

• Space-Time-Cube: 3D (x/z Raum, y Zeit); sowohl räumliche als auch zeitliche Muster; Problem hoher Dichte

• 3D-Stack: Trajectory-Muster visualisiert über Zeit

Fokus auf Raum, gut Übersicht und räumliche Muster

• Height maps -> hohe Dichte = “hohe Temperatur”

• Flow maps -> hohe Dichte = viele/breitere Linien

Fokus auf Zeit, losgelöst von Karten und zeitliche Muster/Zyklen

• Darstellung von Aufkommensdichte abhängig von Zeit

Fokus auf:

• Präsentation von Daten

• Argumentieren mit Daten

• Erforschung von Daten

Cognos, Lumira, QlikView:

• gutes Data-Handling

• mittlere Automatisierung

• viele Möglichkeiten der Visualisierung

• machine-readable Format (als Chunks) hochladen

• Context engineering

• Aggregation

• LLMs performen besser als herkömmliche (Chat2Vis, LIDA, NL2Vis)

Verbesserung durch iterative Updates:

• guided

• role-play

• self-repair

SVG:

• Vektor-Graphiken

• grundlegende Formen und Transformationen

• unabhängig von Auflösung

• leichte Interaktionen

• langsam bei höherer Anzahl Elemente

Canvas:

• Bitmap Format

• komplexere Strukturen

• Animationen

• WebGL support

• abhängig von Auflösung

• schlechtes Text-Rendering

• keine simple Interaktion mit Elementen

Herausforderungen limitierter Bildschirmgröße und Rechenpower, Interaktion durch Touch:

• Skalierung: Displays kleiner -> anderes Scaling

• Seitenverhältnis: Content drehen (z.B. vertikale in horizontale Balken)

• Layout: Grid anpassen

• Level of Detail: Menge an Details entfernen

• Menge an Daten: visuelle Marker entfernen

• Annotations und Guides: verschieben oder entfernen

• Dynamische Guides: weitere visuelle Hinweise (z.B. Minimaps)

• Animationen: GIFs -> animierte Grafiken, geringere Rechenpower

• Visual Encoding: visuelles Design ändern

• Interaktion: an Touch anpassen

Touch Interaktion:

• erweitertes Repertoir an Interaktion gegenüber Maus

• jedoch Fehleranfällig: unbeabsichtigter Touch, klare Differenzierung

Räumliche Interaktion:

• Nutzung mehrerer Devices

• QR-Codes

• virtuelle Darstellung im Raum

Sprach-Interaktion

• weiterer Kanal der Interaktion

• Überführung einer visuellen Datendarstellung in für mobile devices geeignetes Format

• Input: Grid der Visualisierung

• Erstellung einer Significance Map

• optimales (lokales) rescaling des Grids, basierend auf signifikanten Regionen

Algorithmen

• Pipeline Rendering

Parallel computing

• große Datenstrukturen

• meist Volumen und flow Rendering

visuelle

• große Datenmengen lesbar darstellen

• Interaktionsstabilität

cognitive and perceptual

• Nutzer-bezogen

• Datenwarnehmung und -lesbarkeit

non-stereotypical and composite scenarios

• Anzahl Nutzer

• gemeinsame Einstellungen

dependent scalability scenarios

• Kombination mehrerer Scalibility-Probleme

Große Mengen an Datenpunkten, die sich häufig überlappen -> nicht lesbar. Mehrere Punkte werden zusammengefasst -> Bins

• Algorithm: geringere Menge an zu zeichnenden Datenpunkten

• Visuelle: Punkte überlappen nicht, bessere Sichtbarkeit von Strukturen und Dichten

Raycasting

• pro Pixel wird ein Strahl in Volumen geworfen

• Sampling: Strahlen treffen Voxel nicht exakt -> Interpolierung -> Sampleentnahme in regemäßigen Abständen

• Shading: Farbe und Transparenz werden Samples zugeordnet

• Farb- und Transparenzwerte der samples in einem Pixel zusammengefasst

Euler

• ausgehend von S0 ist Sn+1 = Sn + v(S0)*dt

• stark abhängig von dt

Runge-Kutta

• Sample entlang Euler-Vektor (4)

• kombiniere Samples um nächsten Wert vorherzusagen

• Saliency beschreibt Bedeutung eines Werts in einem Bild (sticht aus Nachbarschaft hervor)

• Saliency maps identifizieren wichtige Punkte in einem Chart -> sollten menschliche Wahrnehmung wiederspiegeln

• Salient parameters: Mismatch zwischen saliency eines Modells und tatsächlichen Wahrnehmung (eye tracking)

Modell

• kombiniert Itti-Modell und Text map