2020年秋季学期视觉计算实验室第十七周论文研读预告

时间: 2021年01月21日(本周四) 09: 00
地点: 望江校区基础教学楼B座318实验室
研读成员: 胡浩 龙春林
Part 1
分享者 : 胡浩
[1] Kale A, Kay M, Hullman J. Visual reasoning strategies for effect size judgments and decisions[J]. IEEE Transactions on Visualization and Computer Graphics, 2020.
[2] Zhang M, Chen L, Li Q, et al. Uncertainty-Oriented Ensemble Data Visualization and Exploration using Variable Spatial Spreading[J]. IEEE Transactions on Visualization and Computer Graphics, 2020.

论文简介
  [1]不确定性可视化通常强调点估计,或通过可视化比较来支持幅度估计或决策。但是,当设计的方法强调均值时,用户可能会忽略不确定性信息,并将可视化元素的距离误解为幅度的代表。作者提供了来自Mechanical Turk的混合设计实验的结果,实验测试了8种不确定性可视化设计:95%的容纳区间,假设的结果图,密度和分位数点图,每一个都添加和不添加均值。发现将不确定性可视化添加均值对幅度估计和决策均具有较小的偏差影响。作者还通过对用户策略描述进行定性分析,提出通过建模潜在策略集可能存在更好地理解可视化效果的展望。

图1 实验所评估的可视化设计

  [2]作为处理数值模拟中潜在不确定性的一种重要方法,集成模拟已在许多学科中得到广泛应用。可视化是一种很有前途且功能强大的集成仿真分析方法。但是,常规的可视化方法主要旨在简化数据并基于领域专业知识突出显示重要信息而不是提供灵活的数据探索方式。为解决此问题,作者提出了使用属性变量维度作为主要分析维度的整体数据分析的新视角,设计了一个交互式集成分析框架,该框架提供了对集成数据的灵活交互式浏览。最后作者通过分析真实的集成仿真数据集来验证其方法,从领域专家那里收集到的反馈证实了框架的有效性。

图2 集成数据的可视化和探索界面

Part 2
分享者 : 龙春林
[1] Cheng J, Zhao S, Zhang J, et al. Aspect-level Sentiment Classification with HEAT (HiErarchical ATtention) Network[C] ACM, 2017:97-106.
[2] Gao Y, Liu J, Li P, et al. CE-HEAT: An Aspect-level Sentiment Classification Approach with Collaborative Extraction Hierarchical Attention Network[J]. IEEE Access, 2019, PP(99):1-1.

论文简介
  [1]方面级别的情感分类是一种细粒度的情感分析任务,旨在预测不同方面的文本情感,如图3所示。现有方法仅关注情感信息,而忽略了文本中与方面相关的信息,当不相关的情感词对给定方面在语义上有意义时,这可能会导致情感词与方面之间的不匹配。为了解决这个问题,本文提出一种用于方面情感分类的分层注意(HEAT)网络。如图4所示,HEAT网络包含一个层次注意模块,该模块由方面注意力机制和情感注意力机制组成,以便更好地分配文本中与方面匹配的情感词。此外,HEAT网络通过引入伯努利注意力机制来提取方面项和方面层级的情感分类。实验结果表明,受益于方面词汇的知道,该模型在方面级别的情感分类上具有更好的性能。

图3 方面级别情感分类示意图

图4 HEAT模型示意图

  [2]上文工作仅涉及使用方面术语来捕获文本中特定方面的情感信息。当模型错误地提取方面用词时,可能会导致特定方面的情感用词不匹配。然而,由于方面单词的数量远多于情感单词,因此一些不常见的方面术语比不常见的情感术语更难提取。为了解决这个问题,本文提出一种协作提取分层注意力网络。如图5所示,它由两个分层注意力单元组成。一个单元通过情感关注层提取情感特征,并使用情感特征捕获与之相关的方面特征;另一个单元通过方面注意层提取方面特征,并使用方面特征来帮助情感关注层捕获特定于方面的情感信息。实验表明,本文方法比上文具有更好的性能。
图5 基于协作提取层次注意网络
123