2019年秋季学期视觉计算实验室第九周论文研读预告

时间: 2019年11月22日 09:00
地点: 望江基础教学楼B座318实验室
研读成员: 李龙兴、付铄雯
Part 1
分享者: 李龙兴
[1] Chen S, Li S, Chen S, et al. R-Map: A Map Metaphor for Visualizing Information Reposting Process in Social Media[J]. IEEE transactions on visualization and computer graphics, 2019.
[2] El-Assady M, Sperrle F, Deussen O, et al. Visual Analytics for Topic Model Optimization based on User-Steerable Speculative Execution[J]. IEEE transactions on visualization and computer graphics, 2018, 25(1): 374-384.
论文简介:
[1]单个原始社交媒体帖子可能会在网络上引起大量的重新发布(即转发),涉及成千上万甚至数百万有不同意见的人,这种转发行为会形成转发树,其中一个节点代表一条消息,一个链接代表转发关系。
设计一个同时理解社交媒体转发现象的多层次结构与语义的可视化是具有挑战的。本文提出R-Map,这是一种具有地图隐喻的可视化分析方法,可支持对社交媒体中转发行为进行交互式探索和分析。在R-Map中,可以使用突出显示的关键角色和平铺节点对重新发布的树结构进行空间化。在虚拟地理空间中,重要的重新发布行为,跟随关系和语义关系分别表示为河流,路线和桥梁。系统提供了地图上的其他交互,以支持对信息扩散过程中的时间模式和用户行为的调查。文章通过两个用例和一个正式的用户研究来评估系统的可用性和有效性。

--2019-11-20--4.47.55

图1 R-Map系统主视图

[2]在可视文本分析背景下,主题建模算法被广泛运用,但主题建模的过程大部分是一个“黑匣子”或者需要很专业的人士才能理解与优化。
为解决这些挑战,本文提出了增量层次主题模型(IHTM),能将人的交互集成到算法决策过程的步骤中,在需要时请求人为干预,以有效利用人为决策。为了有效地评估人为干预在模型驱动的分析系统中的潜在后果,本文建立了“推测执行”的概念,提供用户操作预览机制。本文提出了一个可解释的、混合启动的主题建模框架,该框架将“推测执行”集成到了算法决策过程中。本文的方法可视化了新颖的增量式分层主题建模算法的模型空间,并揭示了其内部工作原理。对于更具针对性的优化,建模过程会自动触发各种优化策略的推测执行,并在测量的模型质量下降时请求反馈。用户将建议的优化与当前模型状态进行比较,并在应用其中之一之前预览其对下一个模型迭代的影响。这种受监督的在环过程旨在最大程度地改善反馈,从而获得最小的反馈,并且在三项独立的研究中证明是有效的。

--2019-11-20--4.13.49

图2 主题模型优化视图

Part 2
分享者: 付铄雯
[1] Kevin Hu, Michiel A. Bakker, Stephen Li, Tim Kraska, César Hidalgo. VizML: A Machine Learning Approach to Visualization Recommendation[J].2019.
论文简介:
[1] 在这篇文章中,介绍了VizML——这是一种使用大量数据集和相应可视化功能进行可视化推荐的机器学习方法。该篇论文确定了五个关键的预测任务,并表明相对于随机猜测和较简单的分类器,神经网络分类器在这些任务上均具有较高的测试准确性。该研究还使用了通过众包共识建立的测试集进行基准测试,结果表明神经网络的性能可与人类相媲美。

kkk

图3 VizML
123