Improved Cluster Tracking for Visualization of Large Dynamic Graphs - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Conference Papers Year : 2013

Improved Cluster Tracking for Visualization of Large Dynamic Graphs

Abstract

Analysis and visualization of dynamic graphs is a challenging problem. Clustering can be applied to dynamic graphs in order to generate interactive visualizations with both high stability and good layout quality. However, the existing implementation is naïve and unoptimized. Here we present new algorithms to improve both the temporal clustering results and the efficiency of the cluster tracking calculation, and evaluate the results and performance.
L’analyse et la visualisation de graphes dynamiques est un problème difficile. Une méthode de clustering que nous avons développée lors d’un précédent travail peut être appliquée à de tels graphes afin de générer des visualisations interactives à la fois stables et de bonne qualité. Cependant, l’implémentation existante est naïve et non optimisée. Dans cet article, nous présentons de nouveaux algorithmes pour améliorer à la fois les résultats du clustering dynamique et la rapidité des calculs. Nous comparons les résultats et le rendement par rapport à la méthode précédente.
Fichier principal
Vignette du fichier
muelder_al_2013.pdf (782.98 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

lirmm-00798064 , version 1 (30-09-2016)

Identifiers

  • HAL Id : lirmm-00798064 , version 1

Cite

Chris Muelder, Arnaud Sallaberry, Kwan-Liu Ma. Improved Cluster Tracking for Visualization of Large Dynamic Graphs. EGC: Extraction et Gestion des Connaissances, Jan 2013, Toulouse, France. pp.21-32. ⟨lirmm-00798064⟩
120 View
180 Download

Share

Gmail Facebook X LinkedIn More