[论文解读] 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 3

一句话总结

本文提出 MLSEB，一种基于移动最小二乘（MLS）逼近的新型边缘捆绑方法，可生成高质量、可扩展的图可视化效果，显著降低失真与杂乱。通过根据邻域密度将边缘采样点投影到局部回归曲线上，MLSEB 实现了优于 FDEB 和 FFTEB 的质量评分，同时保持了适用于大规模图的计算效率。

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.

研究动机与目标

• 解决大规模图可视化中边缘捆绑的杂乱减少与失真之间的权衡问题。
• 开发一种可扩展且高效的边缘捆绑方法，以保持高视觉质量。
• 提出一种基于度量的新评估框架，平衡边缘捆绑质量的可读性与保真度。
• 利用移动最小二乘逼近实现局部曲线拟合，以最小化捆绑边缘的失真。
• 证明 MLSEB 在定量质量评估中优于现有方法（如 FDEB 和 FFTEB）。

提出的方法

• MLSEB 将图的边采样为点云，并应用移动最小二乘（MLS）投影，根据邻域密度将点迭代地对齐至局部回归曲线。
• 该方法使用局部回归模型，通过将每个点投影到最能拟合其邻近点的曲线上，以最小化失真。
• 通过迭代优化实现边缘捆绑：每个点被投影至局部 MLS 曲线，直至收敛。
• 该方法采用一种基于最小化距离的近似函数，受启发于将无序点云薄化为类似曲线结构的方法。
• 使用质量度量 Q = ΔP / T̄，其中 ΔP 为像素减少量，T̄ 为每个采样点的平均失真度，偏好在低失真下实现高杂乱减少。
• 该方法实现高效，运行时间与当前最快的方法 FFTEB 处于同一数量级。

实验结果

研究问题

• RQ1 移动最小二乘逼近是否能在保持高杂乱减少的同时，产生失真更低的边缘捆绑？
• RQ2 在视觉质量方面，MLSEB 与 FDEB 和 FFTEB 相比，其质量比（杂乱减少与失真之比）如何？
• RQ3 MLSEB 在包含数万至数百万条边的大规模图上是否具有良好的可扩展性？
• RQ4 所提出的质量度量是否能有效捕捉可读性与保真度之间的权衡？
• RQ5 与力导向法和基于密度的方法相比，MLSEB 在保留原始图的心理地图与结构保真度方面表现如何？

主要发现

• MLSEB 在所有测试数据集中均获得最高的质量评分 Q，其中在法国航空数据集上 Q = 26.0，优于 FDEB（3.7）和 FFTEB（21.3）。
• 在大型美国移民数据集（545,881 条边）上，MLSEB 仍保持 13.3 的高质量评分，与 FFTEB 相当，显著优于 FDEB。
• 对于美国移民图（9,780 条边），MLSEB 获得 Q = 9.20，超过 FDEB（8.9）和 FFTEB（7.60）。
• MLSEB 的平均失真更低（US migrations 的 T̄ = 0.88K），低于 FDEB（1.10K）和 FFTEB（1.2K），表明其更有效地保留了原始边结构。
• 该方法具有高效的可扩展性，计算时间与 FFTEB 处于同一数量级。
• MLSEB 在大规模图上表现出强鲁棒性，即使边数增加多个数量级，仍能保持高质量，而 FDEB 在规模增大时失真显著升高。