Метод визуализации метаграфов со сложной многоуровневой иерархической структурой

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Визуализация графов является важным инструментом визуального анализа взаимосвязанных данных, однако традиционные методы недостаточно эффективно справляются с задачами отображения вложенных многоуровневых иерархических структур. В данной работе предложен метод с использованием подхода классических силовых алгоритмов, который ориентирован на визуализацию метаграфов посредством планетарной модели взаимодействия вершин. Особенность предлагаемого подхода заключается в учете собственного веса вершин. Такая адаптация обеспечивает сохранение вложенных структур, повышение читаемости графа и масштабируемость визуализации при увеличении сложности данных. Результаты моделирования метода демонстрируют эффективность этого метода при работе с различными типами вложенных данных, включая файловые системы, организационные структуры и биологические онтологии.

Полный текст

Доступ закрыт

Об авторах

Алексей Викторович Молчанов

Московский государственный технический университет имени Н.Э. Баумана

Автор, ответственный за переписку.
Email: molchanovav@student.bmstu.ru
SPIN-код: 5436-5405

аспирант

Россия, г. Москва

Юрий Евгеньевич Гапанюк

Московский государственный технический университет имени Н.Э. Баумана

Email: gapyu@bmstu.ru
SPIN-код: 4758-2148

кандидат технических наук, доцент

Россия, г. Москва

Геннадий Иванович Афанасьев

Московский государственный технический университет имени Н.Э. Баумана

Email: gaipcs@bmstu.ru
SPIN-код: 7790-1645

кандидат технических наук, доцент

Россия, г. Москва

Список литературы

  1. Антонов Е.В., Артамонов А.А., Рудик А.В., Малугин М.И. Визуализация трендов научной области: предложенный метод и обзор больших данных // Научная визуализация. 2022. Т. 14. № 2. С. 62–76. doi: 10.26583/sv.14.2.06.
  2. Горшков Ю.Г. Визуализация звуков легких на основе многоуровневого вейвлет-анализа // Научная визуализация. 2022. Т. 14. № 2. С. 18–26. doi: 10.26583/sv.14.2.02.
  3. Гапанюк Ю.Е. Этапы развития метаграфовой модели данных и знаний // Интегрированные модели и мягкие вычисления в искусственном интеллекте (ИММВ-2021): сб. науч. тр. X Междунар. науч.-техн. конф. В 2 т. Т. 2. 2021. С. 190–200.
  4. Гуреев В., Мазов Н. Повышение роли открытых библиографических данных в условиях ограниченного доступа к собственническим ИС // Теория и практика управления наукой. 2023. № 5. С. 49–76. doi: 10.19181/smtp.2023.5.2.4.
  5. Карпачевский А. Теоретические и технологические проблемы географического сетевого анализа // Геодезия, картография, геоинформатика и кадастры. Инновации в науке, образовании и производстве. 2024. doi: 10.52565/9785911553449.
  6. Касьянов В.Н. Методы и средства визуализации информации на основе атрибутированных иерархических графов с портами // Сибирский аэрокосмический журнал. 2023. Т. 24. № 1. С. 8–17. doi: 10.31772/2712-8970-2023-24-1-8-17.
  7. Исаев Р.А., Подвесовский А.Г., Захарова А.А. Метафоры визуализации в задачах разведочного анализа гетерогенных данных // Научная визуализация. 2024. Т. 16. № 5. С. 56–74. doi: 10.26583/sv.16.5.04.
  8. Омельянчук Н.А., Рыбаков М.А., Землянская Е.В. Методы реконструкции генных регуляторных сетей на основе транскриптомных данных отдельных клеток // Вавиловский журнал генетики и селекции. 2024. Т. 28. № 8. С. 974–981.
  9. Терехов В.И., Черненький В.М., Гапанюк Ю.Е. Представление сложных сетей на основе метаграфов // Нейроинформатика–2016: сб. науч. тр. XVIII Всерос. науч.-техн. конф. В 3 ч. Ч. 1. М.: НИЯУ МИФИ, 2016. С. 225–235.
  10. Chatzimparmpas A., Kucher K., Kerren A. Visualization for trust in machine learning revisited: The state of the field in 2023 // IEEE Computer Graphics and Applications. 2024. Vol. 44. No. 3. Pp. 99–113. doi: 10.1109/MCG.2024.3360881.
  11. Davidson R., Harel D. Drawing graphs nicely using simulated annealing // ACM Transactions on Graphics. 1996. Vol. 15. Pp. 301–331.
  12. Jacomy M., Venturini T., Heymann S., Bastian M. ForceAtlas2, a continuous graph layout algorithm for handy network visualization designed for the gephi software // PLoS ONE. 2014. Pp. 1–12.
  13. Jeong H., Tombor B., Albert R. et al. The large-scale organization of metabolic networks // Nature. 2000. Vol. 407. Pp. 651–654. doi: 10.1038/35036627.
  14. Noack A. An energy model for visual graph clustering // Graph drawing. G. Liotta (ed.). Berlin; Heidelberg: Springer, 2003. Vol. 2912. Pp. 425–436. (Lecture Notes in Computer Science).
  15. Noack A. Unified quality measures for clusterings, layouts, and orderings of graphs, and their application as software design criteria. Dis. … of PhD. Cottbus: Brandenburg University of Technology, 2007. 303 p.
  16. Regan E., Barabási A.-L. Hierarchical organization in complex networks // Physical Review E. 2003. Vol. 67. doi: 10.1103/PhysRevE.67.026112.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Пример метаграфа в аннотируемой модели

Скачать (198KB)
3. Рис. 2. Воздействие сил на вершину v₂ относительно вершины v₁

Скачать (49KB)
4. Рис. 3. Пример визуализации метаграфа с планетарной моделью

Скачать (150KB)

© Юр-ВАК, 2025

Ссылка на описание лицензии: https://www.urvak.ru/contacts/