Diploma and Master Theses (authored and supervised):

D. Pfahler:
"Visualizing High-Dimensional Data with Hierarchically Aggregated Subsets";
Supervisor: E. Gröller; Visual Computing and Human-Centered Technology, 2019; final examination: 2019-10-01.

English abstract:
The number of installed sensors to acquire data, for example electricity meters in smart grids, is increasing rapidly. The huge amount of collected data needs to be analyzed and monitored by transmission-system operators. This task is supported by visual analytics techniques, but traditional multi-dimensional data visualization techniques do not scale very well for high-dimensional data. The main contribution of this thesis is a framework to eÿciently examine and compare such high-dimensional data. The key idea is to divide the data by the semantics of the underlying dimensions into groups. Domain experts are familiar with the meta-information of the data and are able to structure these groups into a hierarchy. Various statistical properties are calculated from the subdivided data. These are then visualized by the proposed system using appropriate means. The hierarchy and the visualizations of the calculated statistical values are displayed in a tabular layout. The rows contain the subdivided data and the columns visualize their statistics. Flexible interaction possibilities with the visual representation help the experts to fulfill their analysis tasks. The tasks include searching for structures, sorting by statistical properties, identifying correlations of the subdivided data, and interactively subdivide or combine the data. A usage scenario evaluates the design of the framework with a data set of the target domain in the energy sector.

German abstract:
Die Anzahl der installierten Sensoren zur Erfassung von Daten, z. B. Stromzähler in Smart Grids, nimmt rasant zu. Diese riesige Menge an gesammelten Daten muss von den Übertragungsnetzbetreibern analysiert und überwacht werden. Diese Aufgabe wird durch Visual Analytics Techniken unterstützt, aber traditionelle multidimensionale Da-tenvisualisierungstechniken skalieren nicht sehr gut für hochdimensionale Daten. Der Hauptbeitrag dieser Arbeit ist ein Rahmenwerk, um solche hochdimensionalen Daten eÿzient zu inspizieren und zu vergleichen. Die zentrale Idee ist es, die Daten durch die Se-mantik der zugrundeliegenden Datendimensionen in Gruppen zu zerteilen. Fach-Experten kennen die Metainformationen der Daten und können diese Gruppen in eine Hierarchie strukturieren. Das System berechnet aus den Gruppen statistische Eigenschaften, welche dann visualisiert werden. Diese visuellen Repräsentationen können verwendet werden, um die analytischen Aufgaben des Benutzers zu unterstützen.

Electronic version of the publication:

Created from the Publication Database of the Vienna University of Technology.