时间： 2018年05月23日 09：30
地点： 基础教学楼B座318实验室
研读成员： 彭第、黄涵彬
分享者一： 彭第
[1] Yue X , Shu X , Zhu X , et al. BitExTract: Interactive Visualization for Extracting Bitcoin Exchange Intelligence[J]. IEEE Transactions on Visualization and Computer Graphics, 2019.
[2] Chen Q , Yue X , Plantaz X , et al. ViSeq: Visual Analytics of Learning Sequence in Massive Open Online Courses[J]. IEEE Transactions on Visualization and Computer Graphics, 2018.
论文简介：
[1] 现如今，比特币等新兴加密货币的繁荣已经成为了人们关注的焦点，加密货币交易所则扮演着通往这个世界的门户。因此，深入地分析交易所的交易模式可以揭示比特币市场的演变和趋势，交易的参与者也可以从中获得可信的提示。目前比特币领域的从业者、金融领域的研究人员都关注到了这一充满活力的市场，他们希望洞察幕后的商业智能。然而，探索和比较多个交易所的任务受限于当前没有有效的工具。
以往的比特币数据可视化方法主要集中于跟踪可疑的交易日志，但要分析交易及其与现有交易的关系时很麻烦的。在这篇论文中，作者提出了BitExTract这一可视分析系统，这是从交易所和交易所以及交易所和客户两个角度来探讨比特币交易模式的第一次尝试。这个系统通过大量的序列视图观察交易所之间的交易，总结了比特币市场的演变。通过一个以自我为中心的节点链接图描述了交易所的交易网络及其时间交易分布。此外，在时间轴的设计上还允许检查和比较不同交易所之间交易的演变模式。最后通过案例研究证明了系统的有效性和可用性。
[2] 一直以来，围绕MOOC数据展开的可视化和可视分析研究都是这个领域的重要课题之一。这些数据不仅包含学习者的概况信息和学习结果，还包含有每个学习者何时以及执行哪种类型的学习活动的顺序信息。例如，在完成作业之前，学习者可能会先查看课程视频。分析学习序列有助于理解学习序列与学习成绩之间的关系，从而进一步表征不同的学习群体。
然而，鲜有针对学习活动的顺序进行的研究。这这篇文章中，作者介绍了一个新颖的可视分析系统ViSeq。它可以协助洞察顺序信息，并通过可视化展示不同学习群体的学习顺序，帮助用户更好地理解学习行为背后的原因。
这个系统包含四个联动的视图，包括用于识别学习群体的projection view（投影视图）、用于显示选定群体中整体顺序模式的pattern view（模式视图）、用于说明连续事件之间的转换的sequence view（序列视图），以及用于比较选定个人学习序列的individual view（个人视图）。最后，作者通过案例分析和专家访谈完成了系统的有效性和实用性评估。
分享者二： 黄涵彬
[1] Frankle J, Carbin M. The lottery ticket hypothesis: Finding sparse, trainable neural networks[J]. arXiv preprint arXiv:1803.03635, 2018.
论文简介：
神经网络剪枝技术可以将受训练过的网络的参数减少90％以上，在不影响准确性的情况下，降低存储要求并提高计算性能。然而，目前的经验是通过剪枝产生稀疏架构，而这种剪枝结果很难从头重新训练，导致难以提高训练性能。
作者发现了一种标准的剪枝技术。它能够自然地产生出一种子网络（这种子网络已经初始化，所以能有效地进行训练）。基于这种结果，作者提出了彩票假设：任何密集、随机初始化的前馈网络都包含一种子网络（作者称之为：中奖彩票）。当隔离训练时，这种子网络可以在相似的迭代次数内达到与原始网络相当的测试精度。
自此作者提出了一种算法来识别中奖彩票，也设计了一系列支持彩票假设的实验。结果“中奖彩票”的规模仅为MNIST和CIFAR10的几种全连接和卷积式前馈架构的网络的规模的10-20％。同时，达到了比原始网络更快的学习速度和更高的测试精度。
文章的贡献：
（1）证明了剪枝得到的可训练子网络在相同迭代次数的情况下可以达到与原始网络一致的精度。
（2）表明了”中奖彩票”比原始网络学得更快，同时达到更高的测试准确度并能更好地泛化。
（3）建议将彩票假设作为神经网络子网络的可解释理论。