Uncertainty-aware visualization techniques

Abstract

Nearly all information is uncertainty-afflicted. Whether and how we present this uncertainty can have a major impact on how our audience perceives such information. Still, uncertainty is rarely visualized and communicated. One difficulty is that we tend to interpret illustrations as truthful. For example, it is difficult to understand that a drawn point’s presence, absence, and location may not convey its full information. Similarly, it may be challenging to classify a point within a probability distribution. One must learn how to interpret uncertainty-afflicted information. Accordingly, this thesis addresses three research questions: How can we identify and reason about uncertainty? What are approaches to modeling flow of uncertainty through the visualization pipeline? Which methods are suitable for harnessing uncertainty? The first chapter is concerned with sources of uncertainty. Then, approaches to model uncertainty using descriptive statistics and unsupervised learning are discussed. Also, a model for validation and evaluation of visualization methods is proposed. Further, methods for visualizing uncertainty-afflicted networks, trees, point data, sequences, and time series are presented. The focus lies on modeling, propagation, and visualization of uncertainty. As encodings of uncertainty, we propose wave-like splines and sampling-based transparency. As an overarching approach to adapt existing visualization methods for uncertain information, we identify the layout process (the placement of objects). The main difficulty is that these objects are not simple points but distribution functions or convex hulls. We also develop two stippling-based methods for rendering that utilize the ability of the human visual system to cope with uncertainty. Finally, I provide insight into possible directions for future research.

Nahezu alle Informationen sind mit einer gewissen Unsicherheit behaftet. Ob und wie wir diese Unsicherheit darstellen, kann einen großen Einfluss darauf haben, wie unsere Zielgruppe diese wahrnimmt. Trotzdem wird Unsicherheit nur selten visualisiert und kommuniziert. Eine Schwierigkeit besteht darin, dass wir dazu neigen, Illustrationen als wahrheitsgetreu zu interpretieren. Beispielsweise ist es nicht leicht zu erfassen, dass die An- oder Abwesenheit eines eingezeichneten Punktes oder seine Position nicht immer die volle Information enthält. Ebenso kann es schwierig sein, einen Punkt innerhalb einer Wahrscheinlichkeitsverteilung einzuordnen. Man muss die Interpretation unsicherheitsbehafteter Information erlernen. Daher behandelt diese Arbeit drei Forschungsfragen: Wie können wir Unsicherheit identifizieren und einordnen? Wie kann unsicherheitsbehaftete Information durch die Visualisierungspipeline propagiert werden? Welche Methoden eignen sich für die Nutzbarmachung von Unsicherheit? Das erste Kapitel diskutiert Ursprünge von Unsicherheit. Dann werden Ansätze zur Modellierung von Unsicherheit mittels deskriptiver Statistik und unüberwachtem Lernen erörtert. Außerdem wird ein Modell zur Validierung und Evaluierung von Visualisierungsmethoden vorgeschlagen. Im Weiteren werden verschiedene Methoden zur Kommunikation unsicherheitsbehafteter Netzwerke, Bäume, Punktdaten, Sequenzen und Zeitserien vorgestellt. Die Schwerpunkte liegen hierbei auf der Modellierung, Fortpflanzung und Visualisierung von Unsicherheit. Als Kodierung von Unsicherheit schlagen wir wellenartige Polynomzüge und abtastbasierte Transparenz vor. Als übergreifenden Ansatz, um existierende Visualisierungsmethoden für unsicherheitsbehaftete Information zu adaptieren, identifizieren wir den Layoutprozess (die Berechnung der Position von Objekten). Die wesentliche Schwierigkeit besteht darin, dass diese Objekte keine einfachen Punkte, sondern Verteilungsfunktionen bzw. konvexe Hüllen sind. Außerdem entwickeln wir zwei punktierstichbasierte Methoden zur Bildsynthese, welche nicht an Unsicherheit gebunden sind, aber die Fähigkeit des menschlichen Sehsystems ausnutzen mit Unsicherheit umzugehen. Abschließend gebe ich einen Einblick in mögliche Richtungen für zukünftige Forschung.