二分数据集的 BiFold 可视化

新兴的数据驱动科学领域需要开发用于知识发现的算法与工具。通过构建良好的图形表示，人类与数据的交互可以充分利用我们识别模式的视觉能力。我们开发了一个名为 BiFold 的数据可视化框架，用于对描述对象组之间二元关系的二分数据集进行探索性分析。典型的数据示例包括投票记录、组织成员资格和成对关联，或其他二元数据集。BiFold 提供了数据的低维嵌入，通过视觉上的邻近性来表示相似性，类似于多维尺度分析 (MDS)。BiFold 的独特新特征在于其能够同时捕捉对象之间的组内关系和组间关系，从而增强知识发现。我们使用 Southern Women Dataset 对 BiFold 进行了基准测试，其中社会群体现在在视觉上清晰可见。我们为两个美国投票数据集构建了 BiFold 图：对于 1976 年以来的总统选举结果，BiFold 展示了这些选举结果背后的地缘政治结构的演变。对于参议院国会投票，BiFold 识别出了一个党派坐标，将参议员分为两党，同时可视化了一个两党联盟坐标，该坐标捕捉了法案的最终命运（通过/否决）。最后，我们考虑了一个关于食谱与食材关联的全球美食数据集。BiFold 使我们能够在视觉上比较和对照各种美食，同时也能识别出个别美食的标志性食材。