Graphs have been successfully employed in avariety of problems and applications, being the object of study in modeling, analysis and construction of visual representations. While different approaches exist for graph visualization,most of them suffer from the severe clutter when the number of nodes or edges is large. Among the approaches that handle such problem, edge bundling techniques attained relative success on improving the quality of the visual representations by bending and aggregating edges in order to produce an organized layout. Despite this success, most of the exiting techniques create edge bundles based only on the visual space information, that is, there is no explicit connection between the edge bundling layout and the original data. There fore, these techniques generates less meaningful bundles and may lead users to misinterpret the data. This masters research presents a novel edge bundling technique based on the similarity relationships among vertices. We developed such technique based on two assumptions. First, it supports the hypothesis that edge bundling can better represent the data when there is an inherent connection between the proximity among the elements in the information space and the proximity between edges in the edge bundling layout. We address this question by presenting a similarity bundling framework, that considers the similarity between vertices when performing the edges bending. To guide the bundling, we create a similarity hierarchy, called backbone. This is based on a multilevel partition of the data, which groups edges of similar vertices. Second, we also support that a multiscale representation improves the visual and complexity scalability of bundling layouts. We present a multiscale edge bundling, which allows an overview plus detailed exploration, coarsening or revealing the bundling at different levelsof the same visualization. Our evaluation framework shows that our backbone produces a balanced hierarchy with a good representation of similarity relationships among vertices. Moreover, the edge bundling layout guided by the backbone reduces the visual clutter and surpass state-of-the-art techniques in displaying global and local edge patterns. / Grafos são empregados com sucesso em uma grande variedade de problemas e aplicações, sendo objeto de estudo na modelagem, análise e na construção de representações visuais. Embora existam diferentes formas para a visualização de grafos, a maioria delas sofrem pela desorganização do espaço visual quando o número de vértices ou arestas é alto. Entre as abordagens que lidam com este problema, as técnicas de agrupamentos visuais de arestas obtiveram sucesso na melhora da representação visual pelo encurvamento e agrupamento de arestas que aperfeiçoam a organização da representação. Apesar deste sucesso, a maioria das técniques criam grupos de arestas baseados apenas na informação do espaço visual, não existindo conexão explícita entre o desenho no espaço visual e o conjunto de dados original. Dessa forma, estas técnicas produzem agrupamentos de arestas com baixa significância e podem levar o usuário a uma interpretação incorreta da informação. Esta pesquisa de mestrado apresenta uma nova técnica de agrupamento visual de arestas baseado nas relações de similaridade entre os vértices. Nós desenvolvemos esta técnica com base em duas premissas. Primeiro, ela defende a hipótese que a representação por agrupamento de arestas pode representar melhor o conjunto de dados se existir uma conexão inerente entre a proximidade dos elementos no espaço de informação e a proximidade entre arestas no desenho de arestas agrupadas. Nós atendemos esta questão apresentando um arcabouço para o agrupamento de arestas baseado em similaridade, que considera a similaridade entre vértices para realizar o encurvamento das arestas. Para guiar este encurvamento, nós criamos uma estrutura de similaridade, denominada backbone. Esta estrutura é baseada em um particionamento multi-nível do conjunto de dados, que agrupa arestas de vértices similares. A segunda premissa, nós também defendemos que uma representação multiescala melhora a escalabilidade computacional e visual da representação visual de arestas agrupadas. Nós apresentamos um agrupamento visual multi-nível de arestas que permite uma exploração generalizada e detalhada, revelando detalhes em múltiplos níveis da visualização. Nosso processo de avaliação mostra que a construção do backbone produz uma hierarquia balanceada e com boa representação das relações de similaridade entre os vértices. Além disso, a visualização com arestas guiadas pelo backbone reduz a desordem visual e melhora as técnicas do estado-da-arte na identificação de padrões de arestas globais e locais.

A análise de séries temporais gera muitos desafios para profisionais em um grande número de domínios. Várias soluções de visualização integrada com algoritmos de mineração já foram propostas para tarefas exploratórias em coleções de séries temporais. À medida que o conjunto de dados cresce, estas soluções falham em promover uma boa associação entre séries temporais similares. Neste trabalho, é apresentada uma ferramenta para a análise exploratória e mineração de conjuntos de séries temporais que adota uma representação visual baseada em medidas de dissimilaridade entre séries. Esta representação é criada usando técnicas rápidas de projeção, de forma que as séries temporais possam ser visualizadas em espaços bidimensionais. Vários tipos de atributos visuais e conexões no grafo resultante podem ser utilizados para suportar a exploração dessa representação. Também é possível aplicar algumas tarefas de mineração de dados, como a classificação, para apoiar a busca por padrões. As visualizações resultantes têm se mostrado muito úteis na identificação de grupos de séries com comportamentos similares, que são mapeadas para a mesma vizinhança no espaço bidimensional. Grupos visuais de elementos, assim como outliers, são facilmente identficáveis. A ferramenta é avaliada por meio de sua aplicação a vários conjuntos de séries. Um dos estudos de caso explora dados de vazões de usinas hidrelétricas no Brasil, uma aplicação estratégica para o planejamento energético. / Time series analysis poses many challenges to professionals in a wide range of domains. Several visualization solutions integrated with mining algorithms have been proposed for exploratory tasks on time series collections. As the data sets grow large, though, the visual alternatives do not allow for a good association between similar time series. In this work, we introduce a tool for exploratory visualization and mining of large time series data sets that adopts a visual representation based on distance measures between series. This representation is created employing fast projection techniques, so the time series can be viewed in two-dimensional spaces. Various types of visual attributes and connection on the resulting graph can be applied to support exploration. It also supports data mining tasks, such as classification, to search for patterns. The resulting visualizations have proved very useful for identifying groups of series with similar behavior, which are mapped to the close neighborhoods in twodimensional spaces. Visual clusters of elements, as well as outliers, are easily identifiable. Case studies on several domains are presented to validate the tool. One of them is on a data set of stream ows in hydroelectric power plants in Brazil, a strategic application for energy planning.

A Engenharia de Software evolui gradativamente para uma disciplina científica baseada em observação, formulação teórica e experimentação. Nesse contexto, estudos experimentais têm sido conduzidos para proporcionar evidências sobre a qualidade e a produtividade de técnicas, ferramentas e métodos de desenvolvimento de software. Porém, resultados obtidos a partir de pesquisas experimentais são úteis somente se os pesquisadores puderem consolidá-las em um contexto significativo de conhecimento. O projeto Readers: A Collaborative Research to Develop, Validate and Package Reading Techniques for Software Defect Detection aborda diversos aspectos envolvidos na construção de um corpo significativo de resultados a partir de experimentos controlados. Nesse contexto, sustenta-se que a aplicação de meios alternativos de análise e exploração de dados dos experimentos conduzidos pode colaborar para a evolução do Pacote de Laboratório, e como efeito colateral, contribuir com a formação do corpo de conhecimento almejado. Este projeto propõe mecanismos para integrar técnicas de visualização exploratória à análise de dados de experimentos controlados. Para isso, foram propostas adequações ao processo de experimentação, bem como um processo de visualização para Engenharia de Software Experimental ? V iDAESE. Para ilustrar o V iDAESE, ciclos de análises são apresentados, juntamente com as conclusões obtidas em cada um. As análises visuais apóiam o processo de consolidação de conhecimento a partir dos dados e a melhoria do Pacote de Laboratório. Adicionalmente, uma abordagem para simulação de dados experimentais foi proposta, permitindo explorar cenários que apóiem o planejamento de experimento. / A Engenharia de Software evolui gradativamente para uma disciplina científica baseada em observação, formulação teórica e experimentação. Nesse contexto, estudos experimentais têm sido conduzidos para proporcionar evidências sobre a qualidade e a produtividade de técnicas, ferramentas e métodos de desenvolvimento de software. Porém, resultados obtidos a partir de pesquisas experimentais são úteis somente se os pesquisadores puderem consolidá-las em um contexto significativo de conhecimento. O projeto Readers: A Collaborative Research to Develop, Validate and Package Reading Techniques for Software Defect Detection aborda diversos aspectos envolvidos na construção de um corpo significativo de resultados a partir de experimentos controlados. Nesse contexto, sustenta-se que a aplicação de meios alternativos de análise e exploração de dados dos experimentos conduzidos pode colaborar para a evolução do Pacote de Laboratório, e como efeito colateral, contribuir com a formação do corpo de conhecimento almejado. Este projeto propõe mecanismos para integrar técnicas de visualização exploratória à análise de dados de experimentos controlados. Para isso, foram propostas adequações ao processo de experimentação, bem como um processo de visualização para Engenharia de Software Experimental ? V iDAESE. Para ilustrar o V iDAESE, ciclos de análises são apresentados, juntamente com as conclusões obtidas em cada um. As análises visuais apóiam o processo de consolidação de conhecimento a partir dos dados e a melhoria do Pacote de Laboratório. Adicionalmente, uma abordagem para simulação de dados experimentais foi proposta, permitindo explorar cenários que apóiem o planejamento de experimento.

Com base em métodos de extração de características de imagens e extração de vocabulários de textos, podemos empregar técnicas para posicionamento de dados multidimensionais no plano para mapear conjuntos de dados em espaços visuais, auxiliando usúarios na interpretação e análise dos dados. Alguns desses métodos constroem árvores de similaridade, impondo uma hierarquia sobre as relações entre as características extraídas dos dados. Em um ambiente de análise exploratória, é natural que se procurem métodos e técnicas capazes de manipular e interagir com os dados de forma rápida e eficiente. Nesse contexto, o trabalho visa implementar e aplicar técnicas conhecidas de navegação e interação em árvores no contexto de visualizações baseadas em posicionamento de pontos no plano. Em particular as técnicas NJ e MST, implementadas e utilizadas com sucesso na ferramenta PEx-Image, tornaram-se pontos chave para o auxílio na exploração dos dados através das apresentações radial e hiperbólica, implementadas juntamente com ferramentas de exploração. Este trabalho implementa e apresenta a capacidade exploratória dessas duas formas de apresentação de árvores sobre as visualizações NJ e MST. / Based on methods of feature extraction for images and vocabulary exploration for text, we can apply point placement techniques to multidimensional data in order to map data sets into visual spaces, assisting users on data analysis and interpretation. Some of these methods build similarity trees, imposing a hierarchy on the relationship between the characteristics extracted from data. In an exploratory analysis environment, it is natural to use methods and techniques capable of manipulating and interacting data quickly and eciently. In this context, this paper aims to implement and apply known techniques of tree navigation and interaction in the context of point placement visualizations. In particular the NJ and MST techniques, implemented and successfully used in the system PEx-Image, are the main focus for helping data exploration through Radial and Hyperbolic Layouts, implemented with exploration tools. This work implements Radial and Hyperbolic layouts to support exploration of NJ and MST views

Orientadores: Celmar Guimarães da Silva, Luiz Camolesi Júnior / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia / Made available in DSpace on 2018-08-20T16:53:09Z (GMT). No. of bitstreams: 1 Melo_MarivaldoFelipede_M.pdf: 9855716 bytes, checksum: 793ed5d070fcd3285d9dc52d700caecf (MD5) Previous issue date: 2012 / Resumo: Algoritmos de reordenação são importantes para analise de dados matriciais, pois encontram automaticamente permutações de linhas e colunas que agrupam valores semelhantes em uma matriz, visando facilitar a busca visual por padrões e tendências nos dados. Alem disso, esses algoritmos tendem a reduzir a sobrecarga cognitiva do usuário, tendo em vista que, diferentemente das abordagens anteriores a seriação, o usuário não precisa permutar manualmente linhas e colunas para encontrar padrões. Entre os algoritmos de reordenação de matrizes pesquisados, destaca-se o PQR-Sort, por sua natureza não-heuristica e baixa complexidade assintótica de tempo de execução. Com base nesse algoritmo, este trabalho objetiva produzir versões aprimoradas do PQR-Sort visando melhorar a qualidade das matrizes por ele reordenadas (medida por funções de avaliação). Como principais resultados, foram criados dois novos algoritmos, PQR-Sort with Sorted Restrictions e PQR-Sort + BC, cujos resultados são melhores que os do algoritmo PQR-Sort de acordo com funções de avaliação de caráter local e global, respectivamente. O trabalho apresenta ainda um estudo de caso sobre a aplicação dos algoritmos propostos a um conjunto de dados real / Abstract: Reordering algorithms are important in matrix data analysis, because they automatically find row and column permutations that group similar data in a table, in order to ease finding patterns and trends in the data. Furthermore, these algorithms tend to reduce the user's cognitive overload, since, unlike previous reordering approaches, users don't need to swap rows and columns manually in order to find patterns. Within the surveyed reordering algorithms, PQR-Sort stands out because of its nonheuristic nature and low asymptotic time complexity. Based on this algorithm, this work aims to produce enhanced versions of PQR-Sort in order to improve the quality of the reordered matrix (measured by evaluators). Among its main results is the creation of two new algorithms: PQRSort with sorted Restrictions and PQR-Sort + BC, which perform better than PQR-Sort according to local e global evaluators, respectively. This work also presents a study case about the proposed algorithms' application in a real dataset / Mestrado / Tecnologia e Inovação / Mestre em Tecnologia

O processo automático de classificação de dados em geral, e em particular de classificação de imagens, é uma tarefa computacionalmente intensiva e variável em termos de precisão, sendo consideravelmente dependente da configuração do classificador e da representação dos dados utilizada. Muitos dos fatores que afetam uma adequada aplicação dos métodos de classificação ou categorização para imagens apontam para a necessidade de uma maior interferência do usuário no processo. Para isso são necessárias mais ferramentas de apoio às várias etapas do processo de classificação, tais como, mas não limitadas, a extração de características, a parametrização dos algoritmos de classificação e a escolha de instâncias de treinamento adequadas. Este doutorado apresenta uma metodologia para Classificação Visual de Imagens, baseada na inserção do usuário no processo de classificação automática através do uso de técnicas de visualização. A ideia é permitir que o usuário participe de todos os passos da classificação de determinada coleção, realizando ajustes e consequentemente melhorando os resultados de acordo com suas necessidades. Um estudo de diversas técnicas de visualização candidatas para a tarefa é apresentado, com destaque para as árvores de similaridade, sendo apresentadas melhorias do algoritmo de construção em termos de escalabilidade visual e de tempo de processamento. Adicionalmente, uma metodologia de redução de dimensionalidade visual semi-supervisionada é apresentada para apoiar, pela utilização de ferramentas visuais, a criação de espaços reduzidos que melhorem as características de segregação do conjunto original de características. A principal contribuição do trabalho é um sistema de classificação visual incremental que incorpora todos os passos da metodologia proposta, oferecendo ferramentas interativas e visuais que permitem a interferência do usuário na classificação de coleções incrementais com configuração de classes variável. Isso possibilita a utilização do conhecimento do ser humano na construção de classificadores que se adequem a diferentes necessidades dos usuários em diferentes cenários, produzindo resultados satisfatórios para coleções de dados diversas. O foco desta tese é em categorização de coleções de imagens, com exemplos também para conjuntos de dados textuais / Automatic data classification in general, and image classification in particular, are computationally intensive tasks with variable results concerning precision, being considerably dependent on the classifier´s configuration and data representation. Many of the factors that affect an adequate application of classification or categorization methods for images point to the need for more user interference in the process. To accomplish that, it is necessary to develop a larger set of supporting tools for the various stages of the classification set up, such as, but not limited to, feature extraction, parametrization of the classification algorithm and selection of adequate training instances. This doctoral Thesis presents a Visual Image Classification methodology based on the user´s insertion in the classification process through the use of visualization techniques. The idea is to allow the user to participate in all classification steps, adjusting several stages and consequently improving the results according to his or her needs. A study on several candidate visualization techniques is presented, with emphasis on similarity trees, and improvements of the tree construction algorithm, both in visual and time scalability, are shown. Additionally, a visual semi-supervised dimensionality reduction methodology was developed to support, through the use of visual tools, the creation of reduced spaces that improve segregation of the original feature space. The main contribution of this work is an incremental visual classification system incorporating all the steps of the proposed methodology, and providing interactive and visual tools that permit user controlled classification of an incremental collection with evolving class configuration. It allows the use of the human knowledge on the construction of classifiers that adapt to different user needs in different scenarios, producing satisfactory results for several data collections. The focus of this Thesis is image data sets, with examples also in classification of textual collections

Este trabalho apresenta o Super Spider: um sistema de exploração visual baseado no Spider Cursor, que abrange várias técnicas interativas da área de Visualização Computacional e conta com novos recursos de auxílio à investigação visual, além de ser uma ferramenta portável e flexível. / This work presents the Super Spider: a visual exploration system, based on Spider Cursor, that embraces many interactive techniques of Computer Visualization area and take into account innovative techniques to aid visual investigation, besides consisting of a portable and flexible tool.

O crescente uso de ambientes virtuais de aprendizagem faz com que os professores e desenvolvedores precisem avaliar qual o melhor formato de visualização a ser utilizado. Infográfico é tipo de visualização de informação que vem ganhando popularidade no contexto educacional. Ele utiliza figuras, gráficos e curtas explicações textuais associados à elementos de design, para transformar informações complexas em visualizações simples. No entanto, poucos trabalhos empíricos investigam a interferência do formato infográfico no processo de aprendizagem e consideram a influência dos estados afetivos (em particular a satisfação) e a preferência (i.e. estilo de aprendizagem) do aluno na sua capacidade de reter informação quando o material apresentado é o infográfico. Esse trabalho de mestrado tem como objetivo investigar os benefícios educacionais do uso de infográficos como material de aprendizagem comparando-os com materiais tradicionais, texto puro e gráfico+texto. Também visa analisar a influência de outras variáveis experimentais no processo de aprendizagem como complexidade do infográfico, satisfação e estilo de aprendizagem. Para isso, foi executado um experimento com 74 alunos de graduação distribuídos entre três formatos de materiais de aprendizagem (i.e. infográficos, gráficos+texto e texto puro) em uma sessão de aprendizagem individual suportada por computador. Os sujeitos foram avaliados quanto à aprendizagem imediata, retenção e perda de conhecimento, satisfação, estilos de aprendizagem e tempo. Os resultados obtidos sugerem que os infográficos são tão bons para a aprendizagem e retenção de conhecimento quanto os materiais tradicionais. Não foram encontradas evidências de que os estilos de aprendizagem visual ou verbal têm impacto na aprendizagem ou na satisfação dos alunos. Além disso, foram encontrados indícios de que satisfações positivas podem resultar em uma maior retenção de conhecimento. Para analisar a variável complexidade, foi proposto um framework para classificação dos infográficos. Pode-se concluir que, de fato, infográficos classificados como de baixa complexidade proporcionam maior aprendizagem. No entanto, o aprendizado por meio dos infográficos de complexidade alta não foi significativamente menor. É possível atribuir essa queda não significativa à natureza explicativa dos infográficos, capaz de estabilizar o aprendizado do aluno a partir de um determinado nível de complexidade, mesmo que a complexidade aumente. / The increasing use of virtual learning environments lead teachers and developers to assess what is the best visualization format to use. Infographic is an information visualization format that has gained the educational context. It uses figures, graphs, and short textual explanations associated with design elements, to transform complex information into simple display. However, few empirical studies investigate the interference of the infographic format in the learning process and consider the influence of affective states (in particular enjoyment) and preference (i.e., learning styles) in students information retention when using infographics. This masters dissertation aims at investigating the educational benefits of using infographics as learning material and comparing them to traditional materials, pure text and graphic+text. In addition, it aims at analysing the influence of other experimental variables such as infographics complexity, students satisfaction and learning style. For this, an experiment was carried out with 74 undergraduate students distributed among three formats of learning materials (i.e., infographics, graphics+text and pure text) in a computer-supported individual learning session. Subjects were evaluated about immediate learning, retention and loss of knowledge, satisfaction, learning styles and time. The results suggest that infographics are as good for learning and retention as traditional materials. There is no evidence that visual or verbal learning styles impact on student learning or enjoyment. In addition, evidence has been found that positive satisfactions may result in greater retention of information. To analyze the infographics complexity, a framework was proposed to classify infographics. It can be concluded that, in fact, infographics classified as low complexity provide greater results for learning. However, learning through infographics of high complexity was not significantly smaller. It is possible to assign this non-significant dacay to the infographics explanatory nature, capable of steading the students learning from a certain level of complexity.

Há várias décadas, pesquisadores em ciências sociais buscam formas gráficas para expressar as relações humanas na sociedade. O advento do computador e, mais recentemente, da internet, possibilitou o surgimento de um campo que tem despertado a atenção de estudiosos das áreas de visualização de informação e de ciências sociais, o da visualização de redes sociais. Esse campo tem o potencial de revelar e explorar padrões que podem beneficiar um número muito grande de aplicações e indivíduos em áreas tais como comércio, segurança em geral, redes de conhecimento e pesquisa de mercado. Grande parte dos algoritmos de visualização de redes sociais são baseados em grafos, destacando relacionamentos entre indivíduos e grupos de indivíduos, mas dando pouca atenção aos seus demais atributos. Assim, este trabalho apresenta um conjunto de soluções para representar e explorar visualmente redes sociais levando em consideração tais atributos. A primeira solução faz uso de redes heterogêneas, onde tanto indivíduos quanto comunidades são representados no grafo; a segunda solução utiliza técnicas de visualização baseadas em projeção multidimensional, que promovem o posicionamento dos dados no plano de acordo com algum critério de similaridade baseado em atributo; e a última solução coordena múltiplas visões para focar rapidamente em regiões de interesse. Os resultados indicam que as soluções proveem um poder de representação e identificação de conceitos não facilmente detectados por formas convencionais de visualização e exploração de grafos, com indícios fornecidos através dos estudos de caso e da realização de avaliações com usuários. Este trabalho fornece um estudo das áreas de visualização em grafos para a análise de redes sociais bem como uma implementação das soluções de integração da visualização em redes com as projeções multidimensionais / For decades, social sciences researchers have searched for graphical forms to express human social relationships. The development of computer science and more recently of the Internet has given rise to a new field of research for visualization and social sciences professionals, that of social network visualization. This field can potentially offer new opportunities in reveal new patterns that can benefit a large number of applications and individuals in fields such as commerce, security, knowledge networks and marketing. A large part of social network visualization algorithms and systems relies on graph representations, highlighting relationships amongst individuals and groups of individuals, but mostly neglecting the other available attributes of individuals. Thus, this work presents a set of tools to represent and explore social networks visually, taking into consideration the attributes of the nodes. The first technique employs heterogeneous networks, where both individuals and communities are represented in the graph; the second solution uses visualization techniques based on multidimensional projection, which promote the placement of data in the plane according to some similarity criterion based on attribute; still another proposed technique coordinates multiple views in order to speed up focus in regions of interest in the data sets. The results indicate that the solutions promote high degree of representation power and that concept identification not easily obtained via other methods is possible; the evidence comes from case studies as well as a user evaluation. This work includes a study in the area of graph visualization for social network analysis as well as a system implementing the proposed solutions, that integrate network visualization and multidimensional projections to extract patterns from social networks

The continuously advent of new technologies have made a rich and growing type of information sources available to analyses and investigation. In this context, multidimensional data analysis is considerably important when dealing with such large and complex datasets. Among the possibilities when analyzing such kind of data, applying visualization techniques can help the user find and understand patters, trends and establish new goals. Some applications examples of visualization of multidimensional data analysis goes from image classification, semantic word clouds, cluster analysis of document collection to exploration of multimedia content. This thesis presents several visualization methods to interactively explore multidimensional datasets aimed from specialized to casual users, by making use of both static and dynamic representations created by multidimensional projections. Firstly, we present a multidimen- sional projection technique which faithfully preserves distance and can handle any type of high-dimensional data, demonstrating applications scenarios in both multimedia and text docu- ments collections. Next, we address the task of interpreting projections in 2D, by calculating neighborhood errors. Hereafter, we present a set of interactive visualizations that aim to help users with these tasks by revealing the quality of a projection in 3D, applied in different high dimensional scenarios. In the final part, we address two different approaches to get insight into multimedia data, in special soccer sport videos. While the first make use of multidimensional projections, the second uses efficient visual metaphor to help non-specialist users in browsing and getting insights in soccer matches. / O advento contínuo de novas tecnologias tem criado um tipo rico e crescente de fontes de informação disponíveis para análise e investigação. Neste contexto, a análise de dados multidi- mensional é consideravelmente importante quando se lida com grandes e complexos conjuntos de dados. Dentre as possibilidades ao analisar esses tipos de dados, a aplicação de técnicas de visualização pode auxiliar o usuário a encontrar e entender os padrões, tendências e estabelecer novas metas. Alguns exemplos de aplicações de visualização de análise de dados multidimen- sionais vão de classificação de imagens, nuvens semântica de palavras, e análise de grupos de coleção de documentos, à exploração de conteúdo multimídia. Esta tese apresenta vários métodos de visualização para explorar de forma interativa conjuntos de dados multidimensionais que visam de usuários especializados aos casuais, fazendo uso de ambas representações estáticas e dinâmicas criadas por projeções multidimensionais. Primeiramente, apresentamos uma técnica de projeção multidimensional que preserva fielmente distância e que pode lidar com qualquer tipo de dados com alta-dimensionalidade, demonstrando cenários de aplicações em ambos os casos de multimídia e coleções de documentos de texto. Em seguida, abordamos a tarefa de interpretar as projeções em 2D, calculando erros de vizinhança. Posteriormente, apresentamos um conjunto de visualizações interativas que visam ajudar os usuários com essas tarefas, revelando a qualidade de uma projeção em 3D, aplicadas em diferentes cenários de alta dimensionalidade. Na parte final, discutimos duas abordagens diferentes para obter percepções sobre dados multimídia, em particular vídeos de futebol. Enquanto a primeira abordagem utiliza projeções multidimensionais, a segunda faz uso de uma eficiente metáfora visual para auxiliar usuários não especialistas em navegar e obter conhecimento em partidas de futebol.