时间： 2019年11月15日 09：00
地点： 望江基础教学楼B座318实验室
研读成员： 姚林、刘尚松
Part 1
分享者： 姚林
[1] Sun D , Huang R , Chen Y , et al. PlanningVis: A Visual Analytics Approach to Production Planning in Smart Factories[J]. 2019.
[2] Hazarika S , Li H , Wang K C , et al. NNVA: Neural Network Assisted Visual Analysis of Yeast Cell Polarization Simulation[J]. 2019.
论文简介：
[1] 制造业的生产计划是将有限的资源，如原材料、产品零部件、机器和工人，分配到不同的生产任务。随着工业4.0的到来，大量记录工厂资源状态的数据能够被收集起来，进一步推动生产计划的制定。然而，由于生产数据的体量庞大、产品之间的复杂依赖性、以及市场和工厂的意外变化，对生产计划进行有效的分析是具有挑战性的。
在这篇论文中，作者提出了一种生产计划可视分析方法PlanningVis，以帮助用户结合领域知识和自动算法，在三个层次的细节上快速探索和比较不同的生产计划。系统还支持在原材料供应、生产过程和市场需求突然变化时对生产计划的快速调整。最后，文章通过两个实例分析和领域专家访谈证明了系统的有效性和可用性。
[2] 在计算生物领域，科学家经常设计数学模拟模型来定量描述复杂的生物过程。这些模拟随后被用来深入分析真实的生物现象，如细胞极化。细胞极化是指蛋白质浓度在细胞膜小区域内的不对称定位，是许多微生物生命周期中的一个基本阶段。在仿真过程中，专家需要反复调整输入参数的配置以用于模拟，且仿真的计算开销很大，严重妨碍了执行探索性分析的可能性。
作者将带有dropout层神经网络的不确定性量化技术应用到系统中，将训练好的神经网络作为分析后端来驱动一个交互式可视分析系统。系统允许专家修改输入的参数，并立即将预测的模拟结果可视化，以帮助他们发现新的参数配置。此外，系统提供不同的交互选择，在多个细节层次上进行参数敏感性建议。最后，专家可通过分析系统内不同的权重矩阵、对比原始仿真模型和多项式替代模型的结果，对该系统的框架进行评估。
Part 2
分享者： 刘尚松
[1] Markus John, Martin Baumann, David Schuetz, Steffen Koch, Thomas Ertl. A Visual Approach for the Comparative Analysis of Character Networks in Narrative Texts[J]. 2019.
论文简介：
近年来，数字人文(Digital Humanities)已成为计算机语言学家、人文学者和可视化研究者都感兴趣的领域。在文学研究领域，人文学者通常需要分析小说的情节和人物关系及其演变过程，此类任务需要手动注释和复杂的分析，这非常耗时。
本文提供了一种自然语言处理（NLP）和可视化技术相结合的方法来辅助人文学者的工作。用户可以选择任意文本范围，进行人物网络的对比分析，并且支持深入的文本分析、语义分析。同时为较大和较小的人物网络提供合适的视觉表示，支持邻接矩阵和节点-链接图的切换。
