Visualization of Multivariate Data on Surfaces
Notice bibliographique
Résumé
This research builds upon ideas introduced and discussed many years ago that focus on the problem of visualizing multiple attributes on surfaces in a single view. Here we present a new perspective to this problem as well as a solution that allows us to design, visualize and interact with multivariate data on surfaces. Building upon multidisciplinary aspects, we present a new way to visualize multivariate data on surfaces by exploiting the concept of layering. First, we introduce a new real-time rendering technique and the concept of Decal-Maps, which fills a gap in the literature and allow us to create 2D visual representations such as glyphs that follow the surface geometry. Building on this technique, we propose the layering framework to facilitate the multivariate visualization design on surfaces. The use of this concept and framework allows us to connect and generalize concepts established in flat space, such as 2D maps, to arbitrary surfaces. Decal-maps opens up other new possibilities such as the use of interaction techniques. Here we demonstrate this potential by introducing a new interaction technique that allows us to explore multivariate data and to create customized focus+context visualizations on surfaces. This is achieved by introducing a new category of lenses, Decal-Lenses, which extends the concept of magic-lenses from flat space to general surfaces. Finally, this thesis showcases the process of multivariate visual design and data exploration through a series of examples from several domains such as Medicine and Geology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».