[论文解读] Survey on Visual Analysis of Event Sequence Data

Yi Guo, Shunan Guo+4 more|arXiv (Cornell University)|Jun 25, 2020

Data Visualization and Analytics参考文献 121被引用 7

一句话总结

本综述提出了一种针对事件序列数据可视化分析的全面分类法，通过设计空间和分析任务框架组织现有技术。它回顾了最先进方法，识别出诸如因果分析和高维模式检测等关键挑战，并为改进从复杂、异构事件序列中提取洞察指明了未来研究方向。

ABSTRACT

Event sequence data record series of discrete events in the time order of occurrence. They are commonly observed in a variety of applications ranging from electronic health records to network logs, with the characteristics of large-scale, high-dimensional, and heterogeneous. This high complexity of event sequence data makes it difficult for analysts to manually explore and find patterns, resulting in ever-increasing needs for computational and perceptual aids from visual analytics techniques to extract and communicate insights from event sequence datasets. In this paper, we review the state-of-the-art visual analytics approaches, characterize them with our proposed design space, and categorize them based on analytical tasks and applications. From our review of relevant literature, we have also identified several remaining research challenges and future research opportunities.

研究动机与目标

• 提供对事件序列数据可视化分析技术的全面综述，这些技术在医疗保健、网络安全和网络分析中普遍存在。
• 通过所提出的的设计空间对现有方法进行表征，以捕捉事件序列数据和可视化分析解决方案的关键维度。
• 基于分析任务（如模式发现、异常检测和因果分析）对技术进行分类。
• 识别可视化分析在事件序列方面尚未解决的挑战和未来研究机会。
• 为从业者和研究人员提供一个结构化、可搜索的参考，通过基于网络的综述浏览器来导航相关技术。

提出的方法

• 作者开发了事件序列可视化分析的设计空间，定义了关键维度，如数据特征（例如，维度、稀疏性）、可视化表示类型（例如，时间线、矩阵）和分析任务。
• 他们对聚焦于事件序列的可视化分析论文进行了系统性文献回顾，基于对时间事件数据可视化分析的相关性筛选研究。
• 该综述将所审查的技术组织为五类主要分析任务：模式发现、异常检测、预测、因果分析和序列间比较。
• 在 http://eventvis.idvxlab.com/ 构建了一个基于网络的交互式浏览器，以可视化分类法并支持用户按任务、数据类型和设计元素探索技术。
• 作者使用多维框架对方法进行分类，以支持跨比较并识别当前研究中的空白。
• 他们通过分析方法论趋势、应用领域和可视化分析在事件序列中未满足的需求，评估了最先进技术。

实验结果

研究问题

• RQ1 定义事件序列数据可视化分析设计空间的关键维度是什么？
• RQ2 现有可视化分析技术如何应对模式发现、异常检测和因果分析等常见分析任务？
• RQ3 当前事件序列可视化分析方法中存在哪些主要空白和局限性？
• RQ4 哪些应用领域最受益于事件序列的可视化分析，以及它们提出了哪些独特挑战？
• RQ5 在推进复杂、高维事件序列数据的可视化分析方面，哪些未来研究方向最具前景？

主要发现

• 该综述识别出五类主要分析任务——模式发现、异常检测、预测、因果分析和序列比较——这些任务构成了大多数事件序列可视化分析方法的结构基础。
• 尽管在模式发现和异常检测方面已取得进展，但因果分析仍发展不足，目前可用的专用可视化分析技术极少。
• 高维和稀疏的事件序列带来了重大挑战，特别是在可视化可扩展性和感知清晰度方面，当前工具往往无法有效应对。
• 位于 http://eventvis.idvxlab.com/ 的基于网络的综述浏览器支持对分类法的交互式探索，有助于研究人员为特定问题识别相关方法。
• 许多现有方法针对特定数据类型或任务进行定制，限制了在电子健康记录和网络日志等多样化应用中的通用性和可重用性。
• 该综述强调了缺乏支持端到端分析（从数据预处理到洞察传达）的集成工具，尤其是在复杂的真实世界事件序列中。