通过改进的多类蓝噪声采样对动态网络进行视觉抽象

大规模序列视图 (MSV) 是一种经典的基于时间轴的动态网络可视化方法。然而，它容易受到重叠边缘引起的视觉混乱的影响，从而导致对网络通信时变趋势的意外误解。已经提出了几种技术来提高 MSV 的可读性。采样是减少 MSV 中视觉混乱的巨大潜在方法之一。现有的 MSV 采样方法 EOD-ES 存在三个主要缺点：(D1)相同采样率的采样结果不稳定，(D2)节点对之间的相对密度不平衡，以及(D3)异常值丢失。

为了解决这些问题，由范晓平和赵颖领导的研究团队于2023 年 2 月 15 日在高等教育出版社和施普林格自然联合出版的计算机科学前沿发表了他们的新研究。

该团队提出了一种新的边缘采样算法，称为基于边缘的多类蓝噪声(E-MCBN)，使采样结果稳定且平衡并保留异常值。

在研究中，他们采用了基于边缘(E-)和多类蓝噪声(MCBN)的采样方案(E-MCBN)。他们重构了抽样方法 MCBN。首先，他们将节点对作为边类并重新定义样本距离。值得注意的是，他们设计了一个称为类重叠度(COD)的指标来衡量任意两个类之间的重叠程度，从而计算两个类之间的距离。其次，他们从三个方面重构冲突检查过程：(1)通过引入称为类间冲突度(CCD)的新指标重新排序边的冲突检查优先级，(2)通过识别最大距离重新定义冲突检查的范围在距离矩阵中，以及(3)重新制定拒绝边缘的重新采样过程。最后，他们采用分区采样策略来保留 MSV 中的局部高密度边缘。案例研究和定量分析表明，E-MCBN 可以有效减少视觉混乱，提高 MSV 的可读性。它还可以克服MCBN采样的缺点(即运行时间长和无法保留MSV中的局部高密度通信区域)。未来的工作可以专注于设计更有效的方法来减少 MSV 和其他视觉图形中的视觉混乱。