EXC: SimTech

Model-based Visual Analysis of Large Spatiotemporal Data

Vast amounts of spatiotemporal data is generated nowadays both via simulations and measurements. Each simulation alone potentially has a large number of time steps, and how it evolves with different time steps is typically of interest in the analysis. The analysis of this data is not only challenging in terms of achieving the necessary performance to drive (interactive) data exploration, but also specifically regarding meaningful visual representations that help to answer certain research questions and eventually lead to new insight. To address both challenges, we generate aggregated, reduced representations that allow to study processes or events of interest across space, time, and potentially even variables, or other comparable simulations or measurements. We integrate approaches from traditional scientific visualization, machine learning, and high-performance visualization.

Specifically, we take a model-based approach, defining a model to explain processes of interest and learning its parameters from the data. The model depicts either (a) its expectations of what should happen in the data according to its understanding or (b) specific events of interest. In case (a), the model represents what is expected to deviate in the two data sets, while the residual from the model to the data set shows the differences to the respective expectation. In case (b), this directly provides the information where and when these events of interest occur.

Framework For Expectation Models

 Model-based Analysis Framework

Model learning and detection

We use machine learning techniques to choose a model, adjust it, and determine parameters for it. For this, our learning procedure is composed of three nested loops: feature selection, model selection, and parameter identification. We then apply the result to our data, to either find deviations from this model or detect events of interest.

Visual analysis based on models

We use the constructed models for visual analysis in two regards. First, we look at the model itself, with the determined relevant features. Second, we particularly focus on visualizing the prediction of the models matched against the data.

Publikationen

  1. Aspandi, D. ; Sukno, F. ; Schuller, B. ; Binefa, X.: An Enhanced Adversarial Network with Combined Latent Features for Spatio-Temporal Facial Affect Estimation in the Wild. In: International Conference on Computer Vision Theory and Applications (VISAPP), International Conference on Computer Vision Theory and Applications (VISAPP). Bd. 16, 2021, S. 172–181
  2. Franke, Max ; Martin, Henry ; Koch, Steffen ; Kurzhals, Kuno: Visual Analysis of Spatio-temporal Phenomena with 1D Projections. In: Computer Graphics Forum, Computer Graphics Forum. Bd. 40, The Eurographics Association and John Wiley & Sons Ltd. (2021), Nr. 3, S. 335--347
  3. Kumar, Ayush ; Howlader, Prantik ; Garcia, Rafael ; Weiskopf, Daniel ; Mueller, Klaus: Challenges in Interpretability of Neural Networks for Eye Movement Data. In: ACM Symposium on Eye Tracking Research and Applications, ACM Symposium on Eye Tracking Research and Applications. Stuttgart, Germany : Association for Computing Machinery, 2020 — ISBN 9781450371346
  4. Heyen, Frank ; Munz, Tanja ; Neumann, Michael ; Ortega, Daniel ; Vu, Ngoc Thang ; Weiskopf, Daniel ; Sedlmair, Michael: ClaVis: An Interactive Visual Comparison System for Classifiers. In: Proceedings of the International Conference on Advanced Visual Interfaces (AVI), Proceedings of the International Conference on Advanced Visual Interfaces (AVI) : ACM, 2020 — ISBN 9781450375351, S. 9:1-9:9
  5. Yi, Shuang ; Sneeuw, Nico ; Foster, James ; Pan, Yuanjin: Intense drought in the Island of Hawaiʻi and its modulation on magma upwelling.
  6. Verma, Gunjan ; Swami, Ananthram: Error Correcting Output Codes Improve Probability Estimation and Adversarial Robustness of Deep Neural Networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 8643–8653
  7. Detlefsen, Nicki Skafte ; Jørgensen, Martin ; Hauberg, Søren: Reliable training and estimation of variance networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 6323–6333
  8. Kalimeris, Dimitris ; Kaplun, Gal ; Nakkiran, Preetum ; Edelman, Benjamin L. ; Yang, Tristan ; Barak, Boaz ; Zhang, Haofeng: SGD on Neural Networks Learns Functions of Increasing Complexity. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 3491–3501
  9. Gebbert, Sören ; Leppelt, Thomas ; Pebesma, Edzer: A Topology Based Spatio-Temporal Map Algebra for Big Data Analysis. In: Data, Data. Bd. 4 (2019), Nr. 2, S. 86
  10. Allen-Zhu, Zeyuan ; Li, Yuanzhi ; Song, Zhao: On the Convergence Rate of Training Recurrent Neural Networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 6673–6685
  11. Loaiza-Ganem, Gabriel ; Perkins, Sean ; Schroeder, Karen ; Churchland, Mark M. ; Cunningham, John P.: Deep Random Splines for Point Process Intensity Estimation of Neural Population Data. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 13346–13356
  12. Khan, Shujaat ; Ahmad, Jawwad ; Sadiq, Alishba ; Naseem, Imran ; Moinuddin, Muhammad: Spatio-Temporal RBF Neural Networks. In: CoRR, CoRR. Bd. abs/1908.01321 (2019)
  13. Ren, Yibin ; Cheng, Tao ; Zhang, Yang: Deep spatio-temporal residual neural networks for road-network-based data modeling. In: International Journal of Geographical Information Science, International Journal of Geographical Information Science. Bd. 33 (2019), Nr. 9, S. 1894–1912
  14. Knyazev, Boris ; Taylor, Graham W. ; Amer, Mohamed R.: Understanding Attention and Generalization in Graph Neural Networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 4204–4214
  15. Ansuini, Alessio ; Laio, Alessandro ; Macke, Jakob H. ; Zoccolan, Davide: Intrinsic dimension of data representations in deep neural networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 6109–6119
  16. Kusmenko, Evgeny ; Nickels, Sebastian ; Pavlitskaya, Svetlana ; Rumpe, Bernhard ; Timmermanns, Thomas: Modeling and Training of Neural Processing Systems. In: Kessentini, M. ; Yue, T. ; Pretschner, A. ; Voss, S. ; Burgueño, L. (Hrsg.) ; Kessentini, M. ; Yue, T. ; Pretschner, A. ; Voss, S. ; Burgueño, L. (Hrsg.): Conference on Model Driven Engineering Languages and Systems (MODELS’19), Conference on Model Driven Engineering Languages and Systems (MODELS’19). Munich : IEEE, 2019, S. 283--293
  17. Fazlyab, Mahyar ; Robey, Alexander ; Hassani, Hamed ; Morari, Manfred ; Pappas, George J.: Efficient and Accurate Estimation of Lipschitz Constants for Deep Neural Networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 11423–11434
  18. Shi, Claudia ; Blei, David M. ; Veitch, Victor: Adapting Neural Networks for the Estimation of Treatment Effects. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 2503–2513
  19. Maheswaranathan, Niru ; Williams, Alex H. ; Golub, Matthew D. ; Ganguli, Surya ; Sussillo, David: Universality and individuality in neural dynamics across large populations of recurrent networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 15603–15615
  20. Yehudai, Gilad ; Shamir, Ohad: On the Power and Limitations of Random Features for Understanding Neural Networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 6594–6604
  21. Liu, Weiyang ; Liu, Zhen ; Rehg, James M. ; Song, Le: Neural Similarity Learning. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 5026–5037
  22. Gao, Ruiqi ; Cai, Tianle ; Li, Haochuan ; Hsieh, Cho-Jui ; Wang, Liwei ; Lee, Jason D.: Convergence of Adversarial Training in Overparametrized Neural Networks. In: Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.) ; Wallach, H. M. ; Larochelle, H. ; Beygelzimer, A. ; d’Alché Buc, F. ; Fox, E. A. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2019, S. 13009–13020
  23. Li, Yuanzhi ; Liang, Yingyu: Learning Overparameterized Neural Networks via Stochastic Gradient Descent on Structured Data. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 8168–8177
  24. Frey, Steffen: Spatio-Temporal Contours from Deep Volume Raycasting. In: Computer Graphics Forum, Computer Graphics Forum. Bd. 37, Wiley (2018), Nr. 3, S. 513–524. — 20th Eurographics/IEEE VGTC Conference on Visualization (EuroVis), Brno,  Czech Republic, Jun 04-08, 2018
  25. Morcos, Ari S. ; Raghu, Maithra ; Bengio, Samy: Insights on representational similarity in neural networks with canonical correlation. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 5732–5741
  26. Virmaux, Aladin ; Scaman, Kevin: Lipschitz regularity of deep neural networks: analysis and efficient estimation. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 3839–3848
  27. Olson, Matthew ; Wyner, Abraham J. ; Berk, Richard: Modern Neural Networks Generalize on Small Data Sets. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 3623–3632
  28. Geirhos, Robert ; Temme, Carlos R. Medina ; Rauber, Jonas ; Schütt, Heiko H. ; Bethge, Matthias ; Wichmann, Felix A.: Generalisation in humans and deep neural networks. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 7549–7561
  29. Smieja, Marek ; Struski, Lukasz ; Tabor, Jacek ; Zielinski, Bartosz ; Spurek, Przemyslaw: Processing of missing data by neural networks. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 2724–2734
  30. Sengupta, Anirvan M. ; Pehlevan, Cengiz ; Tepper, Mariano ; Genkin, Alexander ; Chklovskii, Dmitri B.: Manifold-tiling Localized Receptive Fields are Optimal in Similarity-preserving Neural Networks. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 7080–7090
  31. Zhang, Muhan ; Chen, Yixin: Link Prediction Based on Graph Neural Networks. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 5171–5181
  32. Jacot, Arthur ; Hongler, Clément ; Gabriel, Franck: Neural Tangent Kernel: Convergence and Generalization in Neural Networks. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 8580–8589
  33. Gabrié, Marylou ; Manoel, Andre ; Luneau, Clément ; Barbier, Jean ; Macris, Nicolas ; Krzakala, Florent ; Zdeborová, Lenka: Entropy and mutual information in models of deep neural networks. In: Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.) ; Bengio, S. ; Wallach, H. M. ; Larochelle, H. ; Grauman, K. ; Cesa-Bianchi, N. ; Garnett, R. (Hrsg.): NeurIPS, NeurIPS, 2018, S. 1826–1836
  34. Nie, Laisen ; Li, Yongkang ; Kong, Xiangjie: Spatio-Temporal Network Traffic Estimation and Anomaly Detection Based on Convolutional Neural Network in Vehicular Ad-Hoc Networks. In: IEEE Access, IEEE Access. Bd. 6 (2018), S. 40168–40176
  35. Frey, Steffen: Sampling and Estimation of Pairwise Similarity in Spatio-Temporal Data Based on Neural Networks. In: Informatics, Informatics. Bd. 4 : Multidisciplinary Digital Publishing Institute (MDPI), 2017, S. 27
  36. Song, Le ; Vempala, Santosh ; Wilmes, John ; Xie, Bo: On the Complexity of Learning Neural Networks. In: Guyon, I. ; von Luxburg, U. ; Bengio, S. ; Wallach, H. M. ; Fergus, R. ; Vishwanathan, S. V. N. ; Garnett, R. (Hrsg.) ; Guyon, I. ; von Luxburg, U. ; Bengio, S. ; Wallach, H. M. ; Fergus, R. ; Vishwanathan, S. V. N. ; Garnett, R. (Hrsg.): NIPS, NIPS, 2017, S. 5514–5522
  37. Wolf, Sebastian ; Barbosa, Sara ; Bücher, Joachim ; Takors, Ralf: Automatic network generation describes differential gene data in user friendly and expeditiously analyzable network views. In: Genetics, B. ; Genomics (Hrsg.) Bd. 2 (2017), Nr. 1, S. 1–14
  38. Le, Huy Viet ; Schwind, Valentin ; Göttlich, Philipp ; Henze, Niels: PredicTouch: A System to Reduce Touchscreen Latency using Neural Networks and Inertial Measurement Units. In: ACM (Hrsg.) Proceedings of the 2017 International Conference on Interactive Surfaces and Spaces, Proceedings of the 2017 International Conference on Interactive Surfaces and Spaces. Bd. 17, ACM (2017)
  39. Mayer, Sven ; Le, Huy Viet ; Henze, Niels: Estimating the Finger Orientation on Capacitive Touchscreens Using Convolutional Neural Networks. In: ACM (Hrsg.) Proceedings of the 2017 International Conference on Interactive Surfaces and Spaces, Proceedings of the 2017 International Conference on Interactive Surfaces and Spaces. Bd. 17, ACM (2017)
  40. Inan, Hakan ; Erdogdu, Murat A. ; Schnitzer, Mark J.: Robust Estimation of Neural Signals in Calcium Imaging. In: Guyon, I. ; von Luxburg, U. ; Bengio, S. ; Wallach, H. M. ; Fergus, R. ; Vishwanathan, S. V. N. ; Garnett, R. (Hrsg.) ; Guyon, I. ; von Luxburg, U. ; Bengio, S. ; Wallach, H. M. ; Fergus, R. ; Vishwanathan, S. V. N. ; Garnett, R. (Hrsg.): NIPS, NIPS, 2017, S. 2901–2910
  41. Hauser, Michael ; Ray, Asok: Principles of Riemannian Geometry in Neural Networks. In: Guyon, I. ; von Luxburg, U. ; Bengio, S. ; Wallach, H. M. ; Fergus, R. ; Vishwanathan, S. V. N. ; Garnett, R. (Hrsg.) ; Guyon, I. ; von Luxburg, U. ; Bengio, S. ; Wallach, H. M. ; Fergus, R. ; Vishwanathan, S. V. N. ; Garnett, R. (Hrsg.): NIPS, NIPS, 2017, S. 2807–2816
  42. Kehrbusch, Philipp ; Richenhagen, Johannes ; Rumpe, Bernhard ; Schloßer, Axel ; Schulze, Christoph: Interface-based Similarity Analysis of Software      Components for the Automotive Industry. In: International Systems and Software Product Line      Conference (SPLC ’16), International Systems and Software Product Line      Conference (SPLC ’16). Beijing, China : ACM, 2016, S. 99--108
  43. Senanayake, Ransalu ; Ott, Lionel ; O’Callaghan, Simon Timothy ; Ramos, Fabio Tozeto: Spatio-Temporal Hilbert Maps for Continuous Occupancy Representation in Dynamic Environments. In: Lee, D. D. ; Sugiyama, M. ; Luxburg, U. V. ; Guyon, I. ; Garnett, R. (Hrsg.) ; Lee, D. D. ; Sugiyama, M. ; Luxburg, U. V. ; Guyon, I. ; Garnett, R. (Hrsg.): NIPS, NIPS, 2016, S. 3918–3926
  44. Xu, Pingmei ; Sugano, Yusuke ; Bulling, Andreas: Spatio-Temporal Modeling and Prediction of Visual Attention in Graphical User Interfaces. In: Proceedings of the CHI Conference on Human Factors in Computing Systems, Proceedings of the CHI Conference on Human Factors in Computing Systems, 2016. — best paper honourable mention award, S. 3299–3310
  45. Müller, Christoph ; Krone, Michael ; Scharnowski, Katrin ; Reina, Guido ; Ertl, Thomas: An Evaluation of the Utility of Large High-Resolution Displays for Comparative Scientific Visualisation. In: International Journal of Software and Informatics (IJSI), International Journal of Software and Informatics (IJSI). Bd. 9 (2016), Nr. 3, S. 355–370
  46. Li, Ping ; Mitzenmacher, Michael ; Slawski, Martin: Quantized Random Projections and Non-Linear Estimation of Cosine Similarity. In: Lee, D. D. ; Sugiyama, M. ; Luxburg, U. V. ; Guyon, I. ; Garnett, R. (Hrsg.) ; Lee, D. D. ; Sugiyama, M. ; Luxburg, U. V. ; Guyon, I. ; Garnett, R. (Hrsg.): NIPS, NIPS, 2016, S. 2748–2756
  47. Dosovitskiy, Alexey ; Brox, Thomas: Generating Images with Perceptual Similarity Metrics based on Deep Networks. In: Lee, D. D. ; Sugiyama, M. ; Luxburg, U. V. ; Guyon, I. ; Garnett, R. (Hrsg.) ; Lee, D. D. ; Sugiyama, M. ; Luxburg, U. V. ; Guyon, I. ; Garnett, R. (Hrsg.): NIPS, NIPS, 2016, S. 658–666
  48. Frey, Steffen ; Sadlo, Filip ; Ertl, Thomas: Balanced Sampling and Compression for Remote Visualization. In: Proceedings of the SIGGRAPH Asia Symposium on High Performance Computing, Proceedings of the SIGGRAPH Asia Symposium on High Performance Computing : ACM, 2015 — ISBN 978-1-4503-3929-2, S. 1–4
  49. Lv, Wanghan ; Wang, Huali: Joint DOA and frequency estimation based on spatio-temporal co-prime sampling. In: WCSP, WCSP : IEEE, 2015 — ISBN 978-1-4673-7687-7, S. 1–5
  50. Friedrich, Jens ; Gebele, Matthias ; Lechler, Armin ; Verl, Alexander: Determining the width and depths of cut in milling on the basis of a multi-dexel model. In: International Journal of Mechanical, Aerospace, Induastrial, Mechatronic and Manufacturing Engineering, International Journal of Mechanical, Aerospace, Induastrial, Mechatronic and Manufacturing Engineering. Bd. 9 (2015), Nr. 10, S. 1981–1986
  51. Hayashi, Hideki ; Asahara, Akinori ; Sugaya, Natsuko ; Ogawa, Yuichi ; Tomita, Hitoshi: Spatio-temporal similarity search method for disaster estimation. In: BigData, BigData : IEEE Computer Society, 2015 — ISBN 978-1-4799-9926-2, S. 2462–2469
  52. Zheng, Yang ; Ductan, Annies ; Thomas, Devin ; Eltabakh, Mohamed Y.: Complex Patten Processing in Spatio-temporal Databases. In: Helfert, M. ; Holzinger, A. ; Belo, O. ; Francalanci, C. (Hrsg.) ; Helfert, M. ; Holzinger, A. ; Belo, O. ; Francalanci, C. (Hrsg.): DATA, DATA : SciTePress, 2014 — ISBN 978-989-758-035-2, S. 157–169
  53. Luo, Guoliang ; Cordier, Frederic ; Seo, Hyewon: Similarity of Deforming Meshes Based on Spatio-temporal Segmentation. In: Bustos, B. ; Tabia, H. ; Vandeborre, J.-P. ; Veltkamp, R. C. (Hrsg.) ; Bustos, B. ; Tabia, H. ; Vandeborre, J.-P. ; Veltkamp, R. C. (Hrsg.): 3DOR, 3DOR : Eurographics Association, 2014 — ISBN 978-3-905674-58-3, S. 77–84
  54. Savin, Cristina ; Denève, Sophie: Spatio-temporal Representations of Uncertainty in Spiking Neural Networks. In: Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.) ; Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2014, S. 2024–2032
  55. Piao, Xinglin ; Hu, Yongli ; Sun, Yanfeng ; Yin, Baocai ; Gao, Junbin: Correlated Spatio-Temporal Data Collection in Wireless Sensor Networks Based on Low Rank Matrix Approximation and Optimized Node Sampling. In: Sensors, Sensors. Bd. 14 (2014), Nr. 12, S. 23137–23158
  56. Hennequin, Guillaume ; Aitchison, Laurence ; Lengyel, Máté: Fast Sampling-Based Inference in Balanced Neuronal Networks. In: Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.) ; Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2014, S. 2240–2248
  57. Montúfar, Guido F. ; Pascanu, Razvan ; Cho, KyungHyun ; Bengio, Yoshua: On the Number of Linear Regions of Deep Neural Networks. In: Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.) ; Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2014, S. 2924–2932
  58. Yang, Yingzhen ; Liang, Feng ; Yan, Shuicheng ; Wang, Zhangyang ; Huang, Thomas S.: On a Theory of Nonparametric Pairwise Similarity for Clustering: Connecting Clustering to Classification. In: Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.) ; Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2014, S. 145–153
  59. Livni, Roi ; Shalev-Shwartz, Shai ; Shamir, Ohad: On the Computational Efficiency of Training Neural Networks. In: Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.) ; Ghahramani, Z. ; Welling, M. ; Cortes, C. ; Lawrence, N. D. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2014, S. 855–863
  60. Iam on, Natthakan ; Boongoen, Tossapon: Pairwise Similarity for Cluster Ensemble Problem: Link-Based and Approximate Approaches. In: Hameurlain, A. ; Küng, J. ; Wagner, R. R. (Hrsg.) Trans. Large-Scale Data- and Knowledge-Centered Systems, Trans. Large-Scale Data- and Knowledge-Centered Systems. Bd. 9, Springer (2013), S. 95–122 — ISBN 978-3-642-40068-1
  61. Benedek, Csaba ; Jankó, Zsolt ; Chetverikov, Dmitry ; Szirányi, Tamás: Mixed Reality by Understanding and Integrating Spatio-Temporal Data of a LIDAR and a 4D Studio. In: ERCIM News, ERCIM News. Bd. 2013 (2013), Nr. 95
  62. Gelernter, Judith ; Cao, Dong ; Carley, Kathleen M.: Extraction of Spatio-Temporal Data for Social Networks. In: Özyer, T. ; Rokne, J. G. ; Wagner, G. ; Reuser, A. H. P. (Hrsg.) ; Özyer, T. ; Rokne, J. G. ; Wagner, G. ; Reuser, A. H. P. (Hrsg.): The Influence of Technology on Social Network Analysis and Mining, The Influence of Technology on Social Network Analysis and Mining. Bd. 6 : Springer, 2013 — ISBN 978-3-7091-1345-5, S. 351–372
  63. Niedermayer, Johannes ; Züfle, Andreas ; Emrich, Tobias ; Renz, Matthias ; Mamoulis, Nikos ; Chen, Lei ; Kriegel, Hans-Peter: Similarity Search on Uncertain Spatio-temporal Data. In: Brisaboa, N. R. ; Pedreira, O. ; Zezula, P. (Hrsg.) ; Brisaboa, N. R. ; Pedreira, O. ; Zezula, P. (Hrsg.): SISAP, SISAP. Bd. 8199 : Springer, 2013 — ISBN 978-3-642-41061-1, S. 43–49
  64. Burch, Michael ; Raschke, Michael ; Weiskopf, Daniel: Exploring Spatio-Temporal Data Modeled as Dynamic Weighted Relations. In: 2013, K. (Hrsg.) ; 2013, K. (Hrsg.): Proceedings of the KI 2013 Workshop „Visual and Spatial Cognition“, Proceedings of the KI 2013 Workshop „Visual and Spatial Cognition“, 2013
  65. Ghaddar, Alia ; Razafindralambo, Tahiry ; Simplot-Ryl, Isabelle ; Simplot-Ryl, David ; Tawbi, Samar ; Hijazi, Abbas: Investigating Data Similarity and Estimation Through Spatio-Temporal Correlation to Enhance Energy Efficiency in WSNs. In: Ad Hoc & Sensor Wireless Networks, Ad Hoc & Sensor Wireless Networks. Bd. 16 (2012), Nr. 4, S. 273–295
  66. Lena, Pietro Di ; Baldi, Pierre ; Nagata, Ken: Deep Spatio-Temporal Architectures and Learning for Protein Structure Prediction. In: Bartlett, P. L. ; Pereira, F. C. N. ; Burges, C. J. C. ; Bottou, L. ; Weinberger, K. Q. (Hrsg.) ; Bartlett, P. L. ; Pereira, F. C. N. ; Burges, C. J. C. ; Bottou, L. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2012, S. 521–529
  67. Maggini, Marco ; Melacci, Stefano ; Sarti, Lorenzo: Learning from pairwise constraints by Similarity Neural Networks. In: Neural Networks, Neural Networks. Bd. 26 (2012), S. 141–158
  68. Wu, Juebo ; Feng, Chen-Chieh ; Chen, Chih-Yuan: Ontology Similarity Measurement Method in Rapid Data Integration. In: Helfert, M. ; Francalanci, C. ; Filipe, J. (Hrsg.) ; Helfert, M. ; Francalanci, C. ; Filipe, J. (Hrsg.): DATA, DATA : SciTePress, 2012 — ISBN 978-989-8565-18-1, S. 237–240
  69. Gunopulos, Dimitrios ; Trajcevski, Goce: Similarity in (spatial, temporal and) spatio-temporal datasets. In: Rundensteiner, E. A. ; Markl, V. ; Manolescu, I. ; Amer-Yahia, S. ; Naumann, F. ; Ari, I. (Hrsg.) ; Rundensteiner, E. A. ; Markl, V. ; Manolescu, I. ; Amer-Yahia, S. ; Naumann, F. ; Ari, I. (Hrsg.): EDBT, EDBT : ACM, 2012 — ISBN 978-1-4503-0790-1, S. 554–557
  70. Frey, Steffen ; Sadlo, Filip ; Ertl, Thomas: Visualization of Temporal Similarity in Field Data. In: IEEE Transactions on Visualization and Computer Graphics (SciVis), IEEE Transactions on Visualization and Computer Graphics (SciVis), 2012
  71. Kar, Purushottam ; Jain, Prateek: Similarity-based Learning via Data Driven Embeddings. In: Shawe-Taylor, J. ; Zemel, R. S. ; Bartlett, P. L. ; Pereira, F. C. N. ; Weinberger, K. Q. (Hrsg.) ; Shawe-Taylor, J. ; Zemel, R. S. ; Bartlett, P. L. ; Pereira, F. C. N. ; Weinberger, K. Q. (Hrsg.): NIPS, NIPS, 2011, S. 1998–2006
  72. Meng, Tai ; Entezari, Alireza ; Smith, Benjamin ; Möller, Torsten ; Weiskopf, Daniel ; Kirkpatrick, Arthur E.: Visual Comparability of 3D Regular Sampling and Reconstruction. In: IEEE Transactions on Visualization and Computer Graphics, IEEE Transactions on Visualization and Computer Graphics. (2011)
  73. May, Robert J. ; Maier, Holger R. ; Dandy, Graeme C.: Data splitting for artificial neural networks using SOM-based stratified sampling. In: Neural Networks, Neural Networks. Bd. 23 (2010), Nr. 2, S. 283–294
  74. Xia, Ying ; Wang, Guoyin ; Zhang, Xu ; Kim, Gyoung Bae ; Bae, Hae-Young: Research of Spatio-temporal Similarity Measure on Network Constrained Trajectory Data. In: Yu, J. ; Greco, S. ; Lingras, P. ; Wang, G. ; Skowron, A. (Hrsg.) ; Yu, J. ; Greco, S. ; Lingras, P. ; Wang, G. ; Skowron, A. (Hrsg.): RSKT, RSKT. Bd. 6401 : Springer, 2010 — ISBN 978-3-642-16247-3, S. 491–498
  75. Klenk, Sebastian ; Heidemann, Gunther: A Sparse Coding Based Similarity Measure. In: DMIN 2009, DMIN 2009, 2009
  76. Luttinen, Jaakko ; Ilin, Alexander: Variational Gaussian-process factor analysis for modeling spatio-temporal data. In: Bengio, Y. ; Schuurmans, D. ; Lafferty, J. D. ; Williams, C. K. I. ; Culotta, A. (Hrsg.) ; Bengio, Y. ; Schuurmans, D. ; Lafferty, J. D. ; Williams, C. K. I. ; Culotta, A. (Hrsg.): NIPS, NIPS : Curran Associates, Inc., 2009 — ISBN 9781615679119, S. 1177–1185
  77. Kaiser, Benedikt ; Heidemann, Gunther: Qualitative analysis of spatio-temporal event detectors. In: ICPR 2008, ICPR 2008, 2008
  78. Castro, Dotan Di ; Volkinshtein, Dmitry ; Meir, Ron: Temporal Difference Based Actor Critic Learning - Convergence and Neural Implementation. In: Koller, D. ; Schuurmans, D. ; Bengio, Y. ; Bottou, L. (Hrsg.) ; Koller, D. ; Schuurmans, D. ; Bengio, Y. ; Bottou, L. (Hrsg.): NIPS, NIPS : Curran Associates, Inc., 2008, S. 385–392
  79. Spatio-temporal Similarity Search. In: Shekhar, S. ; Xiong, H. (Hrsg.) ; Shekhar, S. ; Xiong, H. (Hrsg.): Encyclopedia of GIS, Encyclopedia of GIS : Springer, 2008 — ISBN 978-0-387-30858-6, S. 1128
  80. Nagy, Zoltán ; Kék, László ; Kincses, Zoltán ; Kiss, András ; Szolgay, Péter: Exploitation of Cell Multi-Processor Array in Solution of Spatio-Temporal Dynamics. In: ERCIM News, ERCIM News. Bd. 2008 (2008), Nr. 74
  81. Meng, Tai ; Smith, Benjamin ; Entezari, Alireza ; Kirkpatrick, Arthur E. ; Weiskopf, Daniel ; Kalantari, Leila ; Möller, Torsten: On Visual Quality of Optimal 3D Sampling and Reconstruction. In: Proceedings of Graphics Interface 2007, Proceedings of Graphics Interface 2007, 2007
  82. Kraus, Martin ; Strengert, Magnus ; Klein, Thomas ; Ertl, Thomas: Adaptive Sampling in Three Dimensions for Volume Rendering on GPUs. In: Proceedings Asia Pacific Symposium on Visualization 2007, Proceedings Asia Pacific Symposium on Visualization 2007, 2007
  83. Allen, Gove N. ; March, Salvatore T.: The Effects of State-Based and Event-Based Data Representation on User Performance in Query Formulation Tasks. In: MIS Quarterly, MIS Quarterly. Bd. 30 (2006), Nr. 2, S. 269–290
  84. Hwang, Jung-Rae ; Kang, Hye-Young ; Li, Ki-Joune: Spatio-temporal Similarity Analysis Between Trajectories on Road Networks. In: Akoka, J. ; Liddle, S. W. ; Song, I.-Y. ; Bertolotto, M. ; Comyn-Wattiau, I. ; Cherfi, S. S.-S. ; van den Heuvel, W.-J. ; Thalheim, B. ; u. a. (Hrsg.) ; Akoka, J. ; Liddle, S. W. ; Song, I.-Y. ; Bertolotto, M. ; Comyn-Wattiau, I. ; Cherfi, S. S.-S. ; van den Heuvel, W.-J. ; Thalheim, B. ; u. a. (Hrsg.): ER (Workshops), ER (Workshops). Bd. 3770 : Springer, 2005 — ISBN 3-540-29395-7, S. 280–289
  85. Sutton, Richard S. ; Rafols, Eddie J. ; Koop, Anna: Temporal Abstraction in Temporal-difference Networks. In: NIPS, NIPS, 2005, S. 1313–1320
  86. Bandyopadhyay, Seema ; Tian, Qingjiang ; Coyle, Edward J.: Spatio-temporal sampling rates and energy efficiency in wireless sensor networks. In: IEEE/ACM Trans. Netw., IEEE/ACM Trans. Netw. Bd. 13 (2005), Nr. 6, S. 1339–1352
  87. Sheinin, Vadim: Motion estimation based on spatio-temporal correlations and pixel decimation. In: Said, A. ; Apostolopoulos, J. G. (Hrsg.) ; Said, A. ; Apostolopoulos, J. G. (Hrsg.): Electronic Imaging: Image and Video Communications and Processing, Electronic Imaging: Image and Video Communications and Processing. Bd. 5685 : SPIE, 2005 — ISBN 9780819456588
  88. Lange, Tilman ; Buhmann, Joachim M.: Fusion of Similarity Data in Clustering. In: NIPS, NIPS, 2005, S. 723–730
  89. Figueroa, Miguel ; Bridges, Seth ; Diorio, Chris: On-Chip Compensation of Device-Mismatch Effects in Analog VLSI Neural Networks. In: NIPS, NIPS, 2004, S. 441–448
  90. Bandyopadhyay, Seema ; Coyle, Edward J.: Spatio-Temporal Sampling Rates and Energy Efficiency in Wireless Sensor Networks. In: INFOCOM, INFOCOM : IEEE, 2004 — ISBN 0-7803-8355-9
  91. Dua, Sumeet ; Iyengar, S. S.: Managing Spatio-Temporal Data. In: Mehta, D. P. ; Sahni, S. (Hrsg.) ; Mehta, D. P. ; Sahni, S. (Hrsg.): Handbook of Data Structures and Applications, Handbook of Data Structures and Applications : Chapman and Hall/CRC, 2004 — ISBN 978-1-4200-3517-9
  92. Ganesan, Deepak ; Ratnasamy, Sylvia ; Wang, Hanbiao ; Estrin, Deborah: Coping with irregular spatio-temporal sampling in sensor networks. In: Computer Communication Review, Computer Communication Review. Bd. 34 (2004), Nr. 1, S. 125–130
  93. Yoon, Hyo Sun ; Lee, Gueesang: Motion estimation based on spatio-temporal correlations. In: ICIP (2), ICIP (2), 2003, S. 359–362
  94. Güting, Ralf Hartmut ; Böhlen, Michael H. ; Erwig, Martin ; Jensen, Christian S. ; Lorentzos, Nikos A. ; Nardelli, Enrico ; Schneider, Markus ; Viqueira, José Ramon Rios: Spatio-temporal Models and Languages: An Approach Based on Data Types. In: Koubarakis, M. ; Sellis, T. K. ; Frank, A. U. ; Grumbach, S. ; Güting, R. H. ; Jensen, C. S. ; Lorentzos, N. A. ; Manolopoulos, Y. ; u. a. (Hrsg.) ; Koubarakis, M. ; Sellis, T. K. ; Frank, A. U. ; Grumbach, S. ; Güting, R. H. ; Jensen, C. S. ; Lorentzos, N. A. ; Manolopoulos, Y. ; u. a. (Hrsg.): Spatio-Temporal Databases: The CHOROCHRONOS Approach, Spatio-Temporal Databases: The CHOROCHRONOS Approach. Bd. 2520 : Springer, 2003 — ISBN 3-540-40552-6, S. 117–176
  95. Navarro, Daniel J. ; Lee, Michael D.: Combining Dimensions and Features in Similarity-Based Representations. In: Becker, S. ; Thrun, S. ; Obermayer, K. (Hrsg.) ; Becker, S. ; Thrun, S. ; Obermayer, K. (Hrsg.): NIPS, NIPS : MIT Press, 2002 — ISBN 0-262-02550-7, S. 59–66
  96. Wainwright, Martin J. ; Sudderth, Erik B. ; Willsky, Alan S.: Tree-Based Modeling and Estimation of Gaussian Processes on Graphs with Cycles. In: Leen, T. K. ; Dietterich, T. G. ; Tresp, V. (Hrsg.) ; Leen, T. K. ; Dietterich, T. G. ; Tresp, V. (Hrsg.): NIPS, NIPS : MIT Press, 2000, S. 661–667
  97. Luttermann, Hartmut ; Grauer, Manfred: Using Interactive, Temporal Visualizations for WWW-based Presentation and Exploration of Spatio-Temporal Data. In: Böhlen, M. H. ; Jensen, C. S. ; Scholl, M. (Hrsg.) ; Böhlen, M. H. ; Jensen, C. S. ; Scholl, M. (Hrsg.): Spatio-Temporal Database Management, Spatio-Temporal Database Management. Bd. 1678 : Springer, 1999 — ISBN 3-540-66401-7, S. 100–118
  98. Stiles, Bryan W. ; Ghosh, Joydeep: Habituation based neural networks for spatio-temporal classification. In: Neurocomputing, Neurocomputing. Bd. 15 (1997), Nr. 3–4, S. 273–307
  99. Kobayashi, Haruo ; Matsumoto, Takashi ; Sanekata, Jun: Two-dimensional spatio-temporal dynamics of analog image processing neural networks. In: IEEE Trans. Neural Networks, IEEE Trans. Neural Networks. Bd. 6 (1995), Nr. 5, S. 1148–1164
  100. Hiraki, Kazuo ; Anzai, Yuichiro: Towards Acquiring Spatio-Temporal Knowledge from Sensor Data. In: Frank, A. U. ; Campari, I. ; Formentini, U. (Hrsg.) ; Frank, A. U. ; Campari, I. ; Formentini, U. (Hrsg.): Spatio-Temporal Reasoning, Spatio-Temporal Reasoning. Bd. 639 : Springer, 1992 — ISBN 3-540-55966-3, S. 368–378
Zum Seitenanfang