Interaktive und Visuelle Analyse von Netzwerken

Netzwerkclustering-Methoden spielen bei der Erforschung von großen und komplexen Systemen in vielen Bereichen der Wissenschaft eine wichtige Rolle. Community Detection ist eine weit verbreitete Methode bei der Analyse von Netzwerken. Hierbei werden Node-Sets vielmehr innerhalb als zwischen den Modulen aufgezeigt. Visuelle Analyse kann jedoch vor allem bei den Zwischenstufen zu Graphenclustering und Community Detection wesentliche Einblicke in Unsicherheit und Schwankungen von Clustering-Entscheidungen liefern. Bis heute existiert kein Framework, welches Techniken zum Graphenclustering, die Erforschung der Parameter dieser Techniken, sowie interaktive Visualisierung miteinander vereint. Nur durch die enge Verbindung dieser Grundpfeiler der Netzwerkanalyse und Visualisierung kann eine optimale Informationsgewinnung und Erkenntnis entstehen. Im Rahmen des IVAN-Projekts wird ein Open Source Software-Framework auf Basis von Forschungsarbeit zu Advanced Network Clustering Algorithmen, neuen dynamischen Netzwerkvisualisierungen und visueller Analyse entwickelt, um die interaktive Erforschung von Netzwerkclustering-Algorithmen zu ermöglichen. Dadurch können Netzwerkanalytiker aussagekräftige Clusterings in allgemeiner Form berechnen, die in einer Vielzahl an unterschiedlichen Bereichen angewendet werden können. Das Framework wird bei einer großen Bandbreite von anspruchsvollen Netzwerkdaten angewendet, welche sich in Größe, Netzwerkdichte und Komplexität unterscheiden. Die Methodik wird anhand von synthetischen Daten mit bekannten Referenzwerten validiert (z.B. das Stanford Large Network Dataset, SNAP), aber auch an sozialen Netzwerken, einem großen Koautorschaftsnetzwerk, sowie an EEG- und fMRI-Netzwerken. Unsere Tools werden als Open Source Softwarebibliotheken konzipiert, einschließlich eines interaktiven Visualisierungstools für Endnutzeranwendungen. Dies ist ein Kooperationsprojekt zwischen Forschern des INRIA France, der EPFL Lausanne und der Universität Wien.

Interactive and Visual Analysis of Networks (IVAN) war ein interdisziplinäres Projekt zur Entwicklung visueller Analysesysteme für die Erforschung dynamischer oder zeitabhängiger Netzwerke (von kleinem bis großem Maßstab). In diesem Projekt arbeiteten wir mit Fachleuten aus verschiedenen Bereichen zusammen, darunter Medizin und digitale Geisteswissenschaften, die mit Netzwerkdaten arbeiten. Wir führten mehrere Kreativitätsworkshops durch, um ihre Probleme zu beschreiben und Lösungen zu finden. In einem Forschungspapier berichteten wir über unsere Erfahrungen bei der Durchführung dieser Workshops und erweiterten bestehende Richtlinien. Unsere Mitarbeiter an der EPFL entwickelten einen neuartigen Algorithmus zum Zoomen auf bestimmte Netzwerkteile. Dieser Algorithmus erzeugt Hunderte von Streudiagrammen, was deren Analyse und Vergleich erschwert. Um diesen Prozess zu erleichtern, haben wir eine neue Technik namens "ClusterCover" entwickelt, die es ermöglicht, Cluster von Streudiagrammen zu bewerten, indem sie den Inhalt der Cluster auf vier verschiedenen visuellen Abstraktionsebenen zusammenfasst (Vertrauensellipsen, konvexe Hüllen, konkave Hüllen und alle Datenpunkte). Wir haben auch mit Neurowissenschaftlern zusammengearbeitet, die mit EEG-Daten von Epilepsiepatienten arbeiten. Während die Ergebnisse unserer Anforderungsanalyse zeigten, dass sie in erster Linie die mathematische Analyse zur Untersuchung der Daten nutzen, fanden wir heraus, dass die visuelle Untersuchung vor der statistischen Prüfung diesen Prozess verbessern könnte. Daher haben wir zwei High-Fidelity-Prototypen für die Analyse von Multifrequenz-EEG-Daten entwickelt. Die Evaluierung der Prototypen mit Fachleuten und Laien zeigte das große Potenzial unserer visuellen Analysewerkzeuge.