KAVA-Time – Datenanalyse von Mensch und Maschine

Knowledge-Assisted Visual Analytics Methods for Time-Oriented Data – neue Methoden zur Erfassung von explizitem Expertenwissen und dessen Visualisierung vereinen menschliches Hintergrundwissen mit der Rechenstärke eines Computers.
Externe MitarbeiterInnen
Andrea Haberson
PartnerInnen
  • Fachbereich Informatik und Informationswissenschaft, Universität Konstanz
  • information engineering group, TU Vienna
  • Datenanalyse und Visualisierung, Universität Konstanz
  • Institut für Informatik, Universität Rostock
Finanzierung
FWF – Fonds zur Förderung der wissenschaftlichen Forschung
Laufzeit
01.08.2013 – 31.07.2018
Projektstatus
abgeschlossen
KAVA-Time: Knowledge-Assisted Visual Analytics Methods for Time-Oriented Data

Komplexe Datenmengen und ihre Darstellung

Um in praktischen Problemstellungen Erkenntnisse gewinnen zu können, muss meist mit großen, komplexen, unsicheren und widersprüchlichen Datenmengen gearbeitet werden. In solchen Szenarien kommen zeitorientierte Daten sehr häufig vor und spielen eine zentrale Rolle. Diese verlangen aber je nach Anwendungsdisziplin geeigneten Explorations- und Analysemethoden.

Derartige Spezialanwendungen sind für Einzelfälle realisierbar, zum Beispiel könnten bei Patienten- und Patientinnendaten die Normalwertebereiche je nach Geschlecht oder Alter angezeigt werden, bei Finanzdaten könnte die Zeitachse Wochenenden und Bankfeiertage überspringen oder bei der Analyse des Energieverbrauchs könnten tägliche und wöchentliche Zyklen herausgerechnet werden, um auf unerwartete Erkenntnisse zu stoßen. Der Aufwand ihrer Entwicklung und Wartung steht aber nicht in Relation zur Wiederverwertbarkeit solcher Lösungen.

Deshalb werden Visual Analytics Methoden erforscht, die verschiedenste Kontexte berücksichtigen und interaktive Benutzerschnittstellen mit automatisierten Analysemethoden verbinden. Denn Computer können zwar Trends und Muster in Daten erkennen und optisch aufbereiten, scheitern aber an den Unmengen teilweise trivialer Muster aufgrund fehlenden Hintergrundwissens. Dafür sind Expertinnen wie Experten unerlässlich, nur sie können Daten auch im jeweiligen Kontext richtig interpretieren.

Visual Analytics meint also Visualisierungsmöglichkeiten von Datenmengen, die auf menschliches Expertinnen- und Expertenwissen zurückgreifen und sich so an den jeweiligen Anwendungskontext anpassen. Im Projekt Kava-Time werden Methoden zur Visualisierung und Interaktion für zeitorientierte Daten entwickelt. Explizites Expertinnen- und Expertenwissen wird in den Visualisierungsprozess von Daten miteinbezogen, um diesen effektiver und effizienter zu gestalten. Dies umfasst zwei Hauptziele:

  1. Das Fachwissen und die explorativen Interessen von Analytikerinnen und Analytikern zu erfassen und
  2. dieses explizite Wissen in Interaktions- und Visualisierungsmethoden gewinnbringend einzusetzen.

Dabei sollen Spezifikationsmethoden integriert werden, die nicht nur externes statisches Wissen berücksichtigen, sondern auch dessen Wiederverwendung und Verteilung und so direktes und intuitives Bearbeiten des expliziten Wissens vonseiten der Analytikerinnen und Analytikern ermöglichen.

Erkenntnisgewinn durch das Zusammenspiel von Mensch und Maschine

Mithilfe dieser Methoden werden effektivere Rahmenbedingungen zum Erkenntnisgewinn geschaffen: Die Möglichkeit, zusätzliche Informationen zu den Rohdaten und anwendungsspezifisches Wissen zu erfassen, zu modellieren und einzusetzen, erlaubt nicht nur eine bessere visuelle Darstellung, Interaktion und automatische Analyse von Datenmengen, sondern auch eine optimale Zusammenarbeit von Mensch und Maschine.

Publikationen

Bernard, J., Zeppelzauer, M., Sedlmair, M., & Aigner, W. (2018). VIAL – A Unified Process for Visual-Interactive Labeling. The Visual Computer, 16. https://doi.org/10.1007/s00371-018-1500-3
Luh, R., Schramm, G., Wagner, M., Janicke, H., & Schrittwieser, S. (2018). SEQUIN: a grammar inference framework for analyzing malicious system behavior. Journal of Computer Virology and Hacking Techniques, 01–21. https://doi.org/10.1007/s11416-018-0318-x
Wagner, M., Slijepcevic, D., Horsak, B., Rind, A., Zeppelzauer, M., & Aigner, W. (2018). KAVAGait: Knowledge-Assisted Visual Analytics for Clinical Gait Analysis. IEEE Transactions on Visualization and Computer Graphics (TVCG), 25(3), 1528–1542. https://doi.org/10.1109/TVCG.2017.2785271
Aigner, W., Rind, A., & Wagner, M. (2018). KAVA-Time: Knowledge-Assisted Visual Analytics Methods for Time-Oriented Data. In Tagungsband des 12. Forschungsforum der österreichischen Fachhochschulen (FFH) 2018.
Andrienko, N., Lammarsch, T., Andrienko, G., Fuchs, G., Keim, D. A., Miksch, S., & Rind, A. (2018). Viewing Visual Analytics as Model Building. Computer Graphics Forum, 37(6), 275–299. https://doi.org/10.1111/cgf.13324
Rind, A., Iber, M., & Aigner, W. (2018). Bridging the Gap Between Sonification and Visualization. In Proc. AVI Workshop on Multimodal Interaction for Data Visualization (MultimodalVis).
Thür, N., Wagner, M., Schick, J., Niederer, C., Eckel, J., Luh, R., & Aigner, W. (2017). A Bigram Supported Generic Knowledge-Assisted Malware Analysis System: BiG2-KAMAS. In Proceedings of the 10th Forum Media Technology 2017 (pp. 107–115). St. Pölten: CEUR-WS.
Schick, J., Wagner, M., Thür, N., Niederer, C., Rottermanner, G., Tavolato, P., & Aigner, W. (2017). Rule Creation in a Knowledge-assisted Visual Analytics Prototype for Malware Analysis. In Proceedings of the 10th Forum Media Technology 2017 (pp. 116–123). St. Pölten: CEUR-WS.
Thür, N., Wagner, M., Schick, J., Niederer, C., Eckel, J., Luh, R., & Aigner, W. (2017). BiG2-KAMAS: Supporting Knowledge-Assisted Malware Analysis with Bi-Gram Based Valuation. In Poster of the 14th Workshop on Visualization for Cyber Security (VizSec). Phoenix, Arizona, USA.
Schick, J., Wagner, M., Thür, N., Niederer, C., Rottermanner, G., Tavolato, P., & Aigner, W. (2017). Supporting Knowledge-assisted Rule Creation in a Behavior-based Malware Analysis Prototype. In Poster of the 14th Workshop on Visualization for Cyber Security (VizSec). Phoenix, Arizona, USA.
Federico, P., Wagner, M., Rind, A., Amor-Amorós, A., Miksch, S., & Aigner, W. (2017). The Role of Explicit Knowledge: A Conceptual Model of Knowledge-Assisted Visual Analytics. In IEEE Conference on Visual Analytics Science and Technology (VAST) (pp. 92–103). Paolo Federico and Markus Wagner equally contributed to this paper and are both to be regarded as first authors.: IEEE. https://doi.org/10.1109/VAST.2017.8585498
Blumenstein, K., Niederer, C., Wagner, M., Pfersmann, W., Seidl, M., & Aigner, W. (2017). Visualizing Spatial and Time-Oriented Data in a Second Screen Application. In Proceedings of the 19th International Conference on Human-Computer Interaction with Mobile Devices and Services. ACM.
Wagner, M. (2017). Integrating Explicit Knowledge in the Visual Analytics Process (PhD Thesis). Vienna University of Technology, Vienna.
Rind, A., Haberson, A., Blumenstein, K., Niederer, C., Wagner, M., & Aigner, W. (2017). PubViz: Lightweight Visual Presentation of Publication Data. In B. Kozlíková, T. Schreck, & T. Wischgoll (Eds.), Proc. Eurographics Conf. Visualization (EuroVis) – Short Paper (pp. 169–173). EuroGraphics. https://doi.org/10.2312/eurovisshort.20171152
Aigner, W. (2017, April). Mit Visual Analytics zu Data-Driven Banking. Keynote presented at the Bankensymposium Wachau, Göttweig (Austria).
Wagner, M., Rind, A., Thür, N., & Aigner, W. (2017). A knowledge-assisted visual malware analysis system: design, validation, and reflection of KAMAS. Computers & Security, (67), 1–15. https://doi.org/10.1016/j.cose.2017.02.003
Bernard, Jürgen, Zeppelzauer, Matthias, Sedlmair, Michael, & Aigner, Wolfgang. (2017). A Unified Process for Visual-Interactive Labeling. In In Proceedings of the 8th International EuroVis Workshop on Visual Analytics. Barcelona, Spain.
Tominski, C., Aigner, W., Miksch, S., & Schumann, H. (2017). Images of Time: Visual Representation of Time-Oriented Data. In A. Black, P. Luna, O. Lund, & S. Walker (Eds.), Information Design: Research and Practice (pp. 23–42). Gower/Routledge.
Luh, R., Schramm, G., Wagner, M., & Schrittwieser, S. (2017). Sequitur-based Inference and Analysis Framework for Malicious System Behavior. Presented at the First International Workshop on Formal Methods for Security Engineering.
Bögl, M., Filzmoser, P., Gschwandtner, T., Lammarsch, T., Leite, R. A., Miksch, S., & Rind, A. (2017). Cycle Plot Revisited: Multivariate Outlier Detection Using a Distance-Based Abstraction. Computer Graphics Forum, 36, 227–238. https://doi.org/10.1111/cgf.13182
Wagner, M., Sacha, D., Rind, A., Fischer, F., Luh, R., Schrittwieser, S., … Aigner, W. (2017). Visual Analytics: Foundations and Experiences in Malware Analysis. In L. B. Othmane, M. G. Jaatun, & E. Weippl (Eds.), Empirical Research for Software Security: Foundations and Experience (pp. 139–171). CRC/Taylor and Francis.
Bernád, Á. Z., Kaiser, M., Mair, S. M., & Rind, A. (2017). Communities in biographischen Netzwerken. In Proceedings of the 10th Forum Media Technology and 3rd All Around Audio Symposium (pp. 83–87). CEUR-WS.
Kromer, L., Wagner, M., Blumenstein, K., Rind, A., & Aigner, W. (2016). Performance Comparison between Unity and D3.js for Cross-Platform Visualization on Mobile Devices. In Proceedings of the 9th Forum Media Technology 2016 (pp. 47–52). CEUR-WS.
Aigner, W. (2016, May). Research Highlights at the Institute of Creative\Media/Technologies. Inivited talk presented at the Chair of Computer Graphics, University of Rostock, Germany.
Aigner, W., & Blumenstein, K. (2016, March). Data Visualisation in Time-Based Media. Workshop presented at the c-tv Konferenz, St. Pölten, Austria.
Wagner, M., Rind, A., Rottermanner, G., Niederer, C., & Aigner, W. (2016). Knowledge-Assisted Rule Building for Malware Analysis. In Proceedings of the 10th Forschungsforum der österreichischen Fachhochschulen. Vienna, Austria: FH des BFI Wien.
Rind, A., Aigner, W., Wagner, M., Miksch, S., & Lammarsch, T. (2016). Task Cube: A Three-Dimensional Conceptual Space of User Tasks in Visualization Design and Evaluation. Information Visualization, 15(4), 288–300. https://doi.org/10.1177/1473871615621602
Blumenstein, K., Niederer, C., Wagner, M., Schmiedl, G., Rind, A., & Aigner, W. (2016). Evaluating Information Visualization on Mobile Devices: Gaps and Challenges in the Empirical Evaluation Design Space. In Proceedings of 2016 Workshop on Beyond Time And Errors: Novel Evaluation Methods For Visualization (pp. 125–132). Baltimore, MD, USA: ACM. https://doi.org/10.1145/2993901.2993906
Bögl, M., Aigner, W., Filzmoser, P., Gschwandtner, T., Lammarsch, T., Miksch, S., & Rind, A. (2016). Visual Analytics for Time Series Model Selection, Prediction, and Imputation. In Extended Abstract at Austrian Statistical Days.
Wagner, M., Blumenstein, K., Rind, A., Seidl, M., Schmiedl, G., Lammarsch, T., & Aigner, W. (2016). Native Cross-platform Visualization: A Proof of Concept Based on the Unity3D Game Engine. In Proceedings of International Conference on Information Visualisation (IV16) (p. forthcoming). Lisbon, Portugal: IEEE Computer Society Press.
Ceneda, D., Aigner, W., Bögl, M., Gschwandtner, T., & Miksch, S. (2016). Guiding the Visualization of Time-Oriented Data. In Poster Abstracts of IEEE Conference on Visual Analytics Science and Technology (VAST 2016). Baltimore, MD, USA: IEEE.
Blumenstein, K., Wagner, M., & Aigner, W. (2015). Cross-Platform InfoVis Frameworks for Multiple Users, Screens and Devices: Requirements and Challenges. In DEXiS 2015 Workshop on Data Exploration for Interactive Surfaces. Workshop in conjunction wirth ACM ITS"15. Funchal, Portugal.
Rind, A. (2015, October). Visual Analytics of Health Care Data with a Focus on Time. Invited Talk presented at the International Workshop 2015: Medical records update, Pesaro, Italy.
Blumenstein, K., Wagner, M., Aigner, W., von Suess, R., Prochaska, H., Püringer, J., … Sedlmair, M. (2015). Interactive Data Visualization for Second Screen Applications: State of the Art and Technical Challenges. In H.-J. Schulz, B. Urban, & U. Freiherr von Lukas (Eds.), Proceedings of the International Summer School on Visual Computing (pp. 35–48). Rostock, Germany: Frauenhoferverlag.
Wagner, M., Fischer, F., Luh, R., Haberson, A., Rind, A., Keim, D. A., & Aigner, W. (2015). A Survey of Visualization Systems for Malware Analysis. In R. Borgo, F. Ganovelli, & I. Viola (Eds.), Eurographics Conference on Visualization (EuroVis) - STARs (pp. 105–125). Cagliari, Italy: The Eurographics Association. https://doi.org/10.2312/eurovisstar.20151114
Wagner, M., Aigner, W., Haberson, A., & Rind, A. (2015). Literature review in visual analytics for malware pattern analysis. In Proceedings of the 9th Forschungsforum der österreichischen Fachhochschulen. FH Hagenberg.
Wagner, M. (2015). Integrating Explicit Knowledge in the Visual Analytics Process. In Doctoral Consortium on Computer Vision, Imaging and Computer Graphics Theory and Applications (DCVISIGRAPP 2015). Berlin: SCITEPRESS Digital Library.
Rind, A. (2015, January). Visual Analytics with a Focus on Time. Invited Talk presented at the MAP 2015, CNRS, Marseille, France.
Stitz, H., Gratzl, S., Aigner, W., & Streit, M. (2015). ThermalPlot: Visualizing Multi-Attribute Time-Series Data Using a Thermal Metaphor. IEEE Transactions on Visualization and Computer Graphics, 22, 2594–2607. https://doi.org/10.1109/TVCG.2015.2513389
Aigner, W., Miksch, S., Schumann, H., & Tominski, C. (2015). Visualization Techniques for Time-Oriented Data. In M. O. Ward, G. Grinstein, & D. Keim (Eds.), Interactive Data Visualization: Foundations, Techniques, and Applications (2nd ed., pp. 253–284). Boca Raton, Florida, USA: A K Peters/CRC Press.
Bögl, M., Aigner, W., Filzmoser, P., Gschwandtner, T., Lammarsch, T., Miksch, S., & Rind, A. (2015). Integrating Predictions in Time Series Model Selection. In E. Bertini & J. C. Roberts (Eds.), Proceedings of theEuroVis Workshop on Visual Analytic, EuroVA (pp. 73–77). Eurographics. https://doi.org/10.2312/eurova.20151107
Blumenstein, K. (2015). Interactive Mobile Data Visualization for Second Screen. In Doctoral Consortium on Computer Vision, Imaging and Computer Graphics Theory and Applications (DCVISIGRAPP 2015). Berlin: SCITEPRESS Digital Library.
Stitz, H., Gratzl, S., Aigner, W., & Streit, M. (2015). ThermalPlot: Visualizing Multi-Attribute Time-Series Data Using a Thermal Metaphor. In Poster Abstracts of IEEE Conference on Information Visualization (InfoVis "15). Chicago, IL, USA: IEEE.
Bögl, M., Filzmoser, P., Gschwandtner, T., Miksch, S., Aigner, W., Rind, A., & Lammarsch, T. (2015). Visually and Statistically Guided Imputation of Missing Values in Univariate Seasonal Time Series. In Poster Proceedings of the IEEE Visualization Conference 2015.
Alsallakh, B., Micallef, L., Aigner, W., Hauser, H., Miksch, S., & Rodgers, P. (2015). The State-of-the-Art of Set Visualization. Computer Graphics Forum, Early view. https://doi.org/10.1111/cgf.12722
Wagner, M., Aigner, W., Rind, A., Dornhackl, H., Kadletz, K., Luh, R., & Tavolato, P. (2014). Problem Characterization and Abstraction for Visual Analytics in Behavior-Based Malware Pattern Analysis. In L. Harrison (Ed.), Proceedings of the Eleventh Workshop on Visualization for Cyber Security (pp. 9–16). Paris: ACM. https://doi.org/10.1145/2671491.2671498
Alsallakh, B., Micallef, L., Aigner, W., Hauser, H., Miksch, S., & Rodgers, P. (2014). Visualizing Sets and Set-typed Data: State-of-the-Art and Future Challenges. In R. Borgo, R. Maciejewski, & I. Viola (Eds.). Eurographics.
Lammarsch, T., Aigner, W., Bertone, A., Miksch, S., & Rind, A. (2014). Mind the Time: Unleashing Temporal Aspects in Pattern Discovery. Computers & Graphics, 38, 38–50. https://doi.org/10.1016/j.cag.2013.10.007
Miksch, S., & Aigner, W. (2014). A Matter of Time: Applying a Data-Users-Tasks Design Triangle to Visual Analytics of Time-Oriented Data. Computers & Graphics, 38, 286–290. https://doi.org/10.1016/j.cag.2013.11.002
Rind, A., Aigner, W., Wagner, M., Miksch, S., & Lammarsch, T. (2014). User Tasks for Evaluation: Untangling the Terminology Throughout Visualization Design and Development. In H. Lam, P. Isenberg, T. Isenberg, & M. Sedlmair (Eds.), Proceedings of the Fifth Workshop on Beyond Time and Errors: Novel Evaluation Methods for Visualization (pp. 9–15). ACM. https://doi.org/10.1145/2669557.2669568
Lammarsch, T., Aigner, W., Miksch, S., & Rind, A. (2014). Showing Important Facts to a Critical Audience by Means Beyond Desktop Computing. In Proceedings of the IEEE VIS 2014 Workshop on Envisioning Visualization without Desktop Computing.
Gschwandtner, T., Aigner, W., Miksch, S., Gärtner, J., Kriglstein, S., Pohl, M., & Suchy, N. (2014). TimeCleanser: A Visual Analytics Approach for Data Cleansing of Time-Oriented Data. In S. Lindstaedt, M. Granitzer, & H. Sack (Eds.), 14th International Conference on Knowledge Technologies and Data-driven Business (i-KNOW 2014) (pp. 1–8). ACM Press. https://doi.org/10.1145/2637748.2638423
Bögl, M., Aigner, W., Filzmoser, P., Gschwandtner, T., Lammarsch, T., Miksch, S., & Rind, A. (2014). Visual Analytics Methods to Guide Diagnostics for Time Series Model Predictions. In A. Perer, E. Bertini, R. Maciejewski, & J. Sun (Eds.), Proceedings of the IEEE VIS 2014 Workshop Visualization for Predictive Analytics, VPA.

Presseberichte

Ordnung und Wissen in die Datenflut bringen

Eine Forschungsgruppe von der Fachhochschule St. Pölten hat im Rahmen eines vom Wissenschaftsfonds FWF finanzierten Projekts eine vielseitig einsetzbare Umgebung zur Datenvisualisierung entwickelt, in der auf einfache Weise Expertenwissen integriert werden kann.

Veröffentlichungsdatum: 8.4.2019
Medium: scilog

Vorbereiten auf die digitale Welt

Veröffentlichungsdatum: 16.11.2016
Medium: Der Standard

Wissenschaft und Forschung in Niederösterreich

Veröffentlichungsdatum: 01.11.2016
Medium: UNIVERSUM Magazin

Big Data – und welche Chancen Daten bieten

Veröffentlichungsdatum: 10.06.2017
Medium: Die Presse

"Landkarte und Kompass für den Datendschungel"

Veröffentlichungsdatum: 30.11.2016
Medium: Der Standard
Autor: Alois Pumhösel

Teamwork zwischen Gehirn und Prozessor

Veröffentlichungsdatum: 02.06.2014
Medium: Der Standard
Autor: Pumhösel Alois

Visual-Analytics-Systeme sollen ihren Benutzern durch eine anschauliche Aufbereitung mehr Übersicht über Datenmaterial geben. Niederösterreichische Forscher entwickeln eine Plattform, in der automatische und menschliche Analyse Hand in Hand gehen.