[论文解读] 3D Density Histograms for Criteria-driven Edge Bundling

Daniel C. Moura|arXiv (Cornell University)|Apr 10, 2015

Data Visualization and Analytics参考文献 20被引用 4

一句话总结

本文提出使用三维密度直方图实现基于标准的边聚合，通过积分图像实现高效的二维直方图平滑，以加速密度图计算。该方法可在不到30秒内实时处理大规模图（例如500万条边），同时支持用户自定义的边分组标准，揭示了仅依赖空间信息的聚合方法无法显现的隐藏连通性模式。

ABSTRACT

This paper presents a graph bundling algorithm that agglomerates edges taking into account both spatial proximity as well as user-defined criteria in order to reveal patterns that were not perceivable with previous bundling techniques. Each edge belongs to a group that may either be an input of the problem or found by clustering one or more edge properties such as origin, destination, orientation, length or domain-specific properties. Bundling is driven by a stack of density maps, with each map capturing both the edge density of a given group as well as interactions with edges from other groups. Density maps are efficiently calculated by smoothing 2D histograms of edge occurrence using repeated averaging filters based on integral images. A CPU implementation of the algorithm is tested on several graphs, and different grouping criteria are used to illustrate how the proposed technique can render different visualizations of the same data. Bundling performance is much higher than on previous approaches, being particularly noticeable on large graphs, with millions of edges being bundled in seconds.

研究动机与目标

• 解决现有边聚合算法在包含数百万条边的大规模图上的可扩展性限制。
• 克服传统聚合方法仅依赖空间邻近性而缺乏用户控制的问题。
• 通过引入用户定义的边属性（如源点、目标点及领域特定属性），实现复杂隐藏连通性模式的可视化。
• 开发一种计算高效的处理流程，将直方图计算与密度估计解耦，以提升大规模图上的性能。
• 证明结合空间邻近性与语义边标准，可揭示先前技术无法察觉的结构洞察。

提出的方法

• 构建边位置的二维直方图，并根据用户定义的标准（如源点、目标点、长度或领域特定属性）对边进行分组。
• 使用积分图像应用重复平均滤波器，将二维直方图平滑为密度图，实现与图大小无关的O(1)每像素计算。
• 利用密度图的梯度引导边重路由，通过优化的步长设置提升收敛速度。
• 将多个密度图堆叠为三维直方图结构，其中每一层对应具有共享属性的一组边。
• 通过交互矩阵建模组间相互作用，使不同组的边能够相互影响其聚合路径。
• 使用组特定颜色渲染边，以视觉区分并揭示不同边类型在节点连通性上的模式。

实验结果

研究问题

• RQ1 基于直方图的密度估计流程是否能显著提升大规模图聚合的可扩展性，优于核密度估计？
• RQ2 将直方图计算与平滑过程分离，如何提升包含数百万条边的图上的性能？
• RQ3 除空间邻近性外，用户定义的边属性在多大程度上能提升聚合图可视化结果的可解释性？
• RQ4 三维密度直方图能否在保持计算效率的同时，有效建模多组边之间的相互作用？
• RQ5 在大规模真实世界图上，该方法与现有聚合算法相比，在性能和视觉洞察力方面表现如何？

主要发现

• 该算法在CPU上处理包含500万条边的图（UF稀疏矩阵集合中的pattern1）耗时不足30秒，而次快方法（MINGLE）耗时1049秒，性能提升达35倍。
• 即使在16个分箱的情况下，该方法仍比MINGLE快逾6倍，表明其可扩展性与分箱数量无关。
• 尽管仅使用CPU计算，该算法在最大规模随机图上的处理速度仍比GPU加速的KDEEB快3倍。
• 在所有测试配置下，聚合时间与图大小呈线性关系，证实了该方法具有强大的计算可扩展性。
• 使用三维密度直方图可揭示以往隐藏的连通性模式（如网络中的流结构），方法通过基于源点/目标点坐标的边分组实现。
• 该方法支持最多64个边组，但在组数较多时视觉区分变得困难，提示需要增强的交互技术。