[論文レビュー] MLSEB: Edge Bundling using Moving Least Squares Approximation

Jieting Wu, Jianping Zeng+2 more|arXiv (Cornell University)|Sep 5, 2017

Data Visualization and Analytics参考文献 39被引用数 3

ひとこと要約

本稿では、移動最小二乗法（MLS）近似を用いて、歪みとごみを低減し、スケーラビリティに優れた高品質なグラフ可視化を実現する、新しいエッジバンドリング手法MLSEBを提案する。近隣密度に基づく局所回帰曲線にエッジサンプル点を投影することで、FDEB や FFTEB よりも優れた品質スコアを達成し、大規模グラフに適した計算効率を維持する。

ABSTRACT

Edge bundling methods can effectively alleviate visual clutter and reveal high-level graph structures in large graph visualization. Researchers have devoted significant efforts to improve edge bundling according to different metrics. As the edge bundling family evolve rapidly, the quality of edge bundles receives increasing attention in the literature accordingly. In this paper, we present MLSEB, a novel method to generate edge bundles based on moving least squares (MLS) approximation. In comparison with previous edge bundling methods, we argue that our MLSEB approach can generate better results based on a quantitative metric of quality, and also ensure scalability and the efficiency for visualizing large graphs.

研究の動機と目的

• 大規模グラフ可視化におけるエッジバンドリングの、ごみ低減と歪みのトレードオフを解消すること。
• 高品質な可視性を維持しながら、スケーラブルで効率的なエッジバンドリング手法を開発すること。
• 可読性と忠実性のバランスを取る新しいメトリクスベースの評価フレームワークを導入すること。
• 局所的な曲線フィッティングを最小化するために移動最小二乗法近似を活用し、バンドルエッジの歪みを低減すること。
• MLSEBがFDEB や FFTEB といった既存手法を定量的品質評価において上回ることを実証すること。

提案手法

• MLSEBは、グラフのエッジを点群にサンプリングし、近隣密度に基づいて局所回帰曲線に点を反復的に投影することで、移動最小二乗法（MLS）を適用する。
• この手法は、各点を周囲む近隣点に最もよく適合する曲線上に投影することで、歪みを最小化する局所回帰モデルを用いる。
• エッジバンドリングは反復的精錬によって実現され、各点が収束するまで局所MLS曲線に向けて投影される。
• このアプローチは、無作為な点群を曲線に近い構造へとスプライシングする距離最小化近似関数にインspiredされている。
• 品質メトリクス Q = ΔP / T̄ が用いられ、ΔP はピクセル削減量、T̄ はサンプル点あたりの平均歪みを表し、ごみ低減が高く歪みが小さいことを重視する。
• この手法は効率的に実装されており、現在最も高速な手法であるFFTEBと同等のオーダーの計算時間で実行される。

実験結果

リサーチクエスチョン

• RQ1 移動最小二乗法近似は、高品質なごみ低減を維持しながら、歪みを低減したエッジバンドルを生成できるか？
• RQ2 可読性と歪みの比率を測定する視覚的品質の観点から、MLSEBはFDEB や FFTEB と比べて定量的に優れているか？
• RQ3 MLSEBは、数万から数百万本のエッジを有する大規模グラフに効果的にスケーリングできるか？
• RQ4 提案された品質メトリクスは、エッジバンドル結果における可読性と忠実性のトレードオフを的確に捉えられるか？
• RQ5 力の法則的および密度ベースの手法と比較して、MLSEBは元のグラフのメンタルマップと構造的忠実性をどのように保持しているか？

主な発見

• MLSEBは、全テストデータセットで最高の品質スコア Q を達成し、フランス航空データセットでは Q = 26.0 を記録。FDEB（3.7）や FFTEB（21.3）を上回る。
• 大規模な米国移住データセット（545,881本のエッジ）においても、MLSEBは高い品質スコア 13.3 を維持し、FFTEB と同等で、FDEB よりも顕著に優れている。
• 米国移住グラフ（9,780本のエッジ）では、MLSEBが Q = 9.20 を達成。FDEB（8.9）や FFTEB（7.60）を上回る。
• MLSEBは、FDEB（1.10K）や FFTEB（1.2K）よりも低い平均歪み（T̄ = 0.88K）を示しており、元のエッジ構造の保存が優れている。
• この手法は効率的なスケーリングを示し、計算時間は、現在最も高速な手法であるFFTEBと同等のオーダーである。
• MLSEBは大規模グラフにおいても頑健であり、エッジ数が桁上がりしても高い品質を維持する。一方、FDEB はスケーリングに伴い高い歪みを示す。