时间： 2018年12月14日 09：30
地点： 望江基础教学楼B座318实验室
Part 1
研读成员：罗富智
研读内容简介：本次论文研读的主题为可视化视图的自动选择与设计。第一篇围绕如何为时间序列数据选择视图，第二篇围绕如何从单个数据表提取topk个可视化图表，第三篇围绕如何依据已有可视化知识库生成最佳可视化设计。
研读内容一：
- 论文标题：Line graph or scatter plot? automatic selection of methods for visualizing trends in time series
- 论文来源： IEEE TVCG 2018
- 论文简介：
文章关注的问题为对时间序列数据进行分析时，应该选用散点图还是折线图？文章提出了一种自动视图选择算法，对数据的总体趋势进行可视化。主要流程为：
1.对数据进行LOESS拟合得到趋势曲线；
2.通过核密度估计函数将趋势曲线、散点图、折线图转换为密度场；
3.将散点图、折线图得到的密度场与趋势曲线进行一致性比较，选择一致性较高的方法进行可视化。
文章实验结果表明，算法与大多数用户选择是一致的。同时，文章发现离群值、噪声、纵横比对可视化选择有显著影响。
研读内容二：
- 论文标题：DeepEye: Towards Automatic Data Visualization
- 论文来源： ICDE 2018
- 论文简介：
文章关注的问题为如何对给定数据集自动生成topk个可视化图表。文章不考虑图表设计本身，只关注如何选取属性组合进行可视化。由于属性组合数较大，文章方法为：
1.通过训练二元分类器筛选有意义的可视化；
2.结合learing-to-rank模型和基于偏序（专家规则）的方法对可视化进行排序；
3.基于图形和规则的优化方法完成topk可视化选择。
实验表明该方法有助于用户对数据进行快速地概览。
研读内容三：
- 论文标题：Formalizing visualization design knowledge as constraints: actionable and extensible models in Draco
- 论文来源： IEEE TVCG 2018
- 论文简介：
文章提出了一个可视化框架，整合可视化设计研究成果，将这些知识应用到自动化设计工具中，以促进有效编码。文章将可视化设计知识建模为约束集合，并结合一种从实验数据学习软约束权重的方法，通过最小化惩罚损失完成可视化设计推荐。
Part 2
研读成员：邱炜立
研读内容：
- 论文标题：Visual Analytics in Deep Learning: An Interrogative Survey for the Next Frontiers
- 论文来源：IEEE Transactions on Visualization and Computer Graphics, 2018
- 分享理由：
- 就现有的深度学习场景中的可视化和可视分析工作进行了整理与分析：以浅显易懂的5W1H角度切入，可帮助读者快速地获取相关材料的研究要点
- 提出了一个用于描述相关工作的综合性框架：特点是以人为中心、以疑问为导向，目前暂无类似的工作
- 同时在AI领域进行了讨论：强调了可视化在处理AI的几个关键问题（如神经网络的可解释性、安全性等）上是十分重要的，不局限于深度学习
- 指明了几个重点的研究方向和开放性问题：参考价值较高
- 论文简介：
近年来，深度学习以其卓越的性能在解决一些曾经困难的问题上取得了飞速的发展，引人瞩目。然而，深度神经网络内部的结构是复杂且非线性的，故有时人们难以对其背后发挥作用的决策过程进行解释。随着深度学习的应用领域越发广泛，为用户提供相关工具就显得十分重要了。这类工具不仅应就模型工作的正确与否进行展示，还应对性能的提升有指导意义。标准化的神经网络工具有助于深度学习的普及，而可视化分析系统则对模型的解释、调试和改进有很大帮助。本文对深度学习中的可视化分析进行了综述，回顾了其简短而极具影响的历史，并使用以人为中心的疑问型分析框架（human-centered interrogative framework），从5W1H的角度对最新的研究成果进行了概括，最后提出了研究方向和开放性问题。本文有助于可视化分析和深度学习领域的研究人员和实践者快速地了解相关领域的关键方向。