时间： 2021年3月24日（周三） 09 : 30
地点： 望江校区基础教学楼B座318实验室
研读成员： 刘尚松 温啸林
Part1
分享者：刘尚松
分享内容：
[1] Fujiwara T, Sakamoto N, Nonaka J, et al. A Visual Analytics Framework for Reviewing Multivariate Time-Series Data with Dimensionality Reduction[J]. IEEE Transactions on Visualization and Computer Graphics, 2020.
[2] So W, Bogucka E P, Scepanovic S, et al. Humane Visual AI: Telling the Stories Behind a Medical Condition[J]. IEEE Transactions on Visualization and Computer Graphics, 2020.
论文简介：
[1] 分析多变量时序数据对于研究现实世界中的各种现象已越来越重要，例如电子健康记录（血压、心率）分析、并行计算机系统的性能诊断、工厂生产线故障检测、交通系统优化等。传感设备日益增长的能力和使用提高了多变量时序数据的粒度、质量和可得性，同时，数据大小和尺寸的增加使分析任务更加艰巨挑战。为了高效地分析量大和高维的数据，降维方法常被用于揭示数据的内在结构和特征。但是降维通常应用于单时间点多变量数据或单一时序数据的子集，因此需要手动检验和关联不同数据子集的降维结果。当数据维度在时间点或属性上都很大时，手动任务变得过于枯燥和不可行。本文提出了一个新的降维框架，它能整体全局地处理时间依赖型多变量数据，以提供数据的全面概览。在该框架中，把降维分为两个步骤。当将数据的实例、时间点和属性视为三位列阵时，第一步将阵列的三个轴降到两个，第二步将二维数据可视化到低维空间。此外，该框架还与对比学习方法和交互式可视化技术相结合，以提高分析人员解释降维结果的能力。作者使用真实世界的数据集进行了四个案例研究，以展示框架的有效性，还进行了与其他降维方法的定性比较。
分享者：温啸林
分享内容：
[1] Wu A, Xie L, Lee B, et al. Learning to Automate Chart Layout Configurations Using Crowdsourced Paired Comparison[J]. arXiv preprint arXiv:2101.03680, 2021.
[2] Law P M, Lo L Y H, Endert A, et al. Causal Perception in Question-Answering Systems[J]. arXiv preprint arXiv:2012.14477, 2020.
论文简介：
[1] 文章提供了一种通过从人的偏好中学习来自动化图表布局的参数配置的方法。 现有的制图工具通常使用预定义启发式方法来确定布局参数，从而产生次优的布局。人们可以通过反复调整多个参数（例如，图表大小，间距）来获得视觉上令人满意的布局。但是，这种反复试验的过程是不系统且耗时的，无法保证得到改进。 为了解决这个问题，文章提出了Layout Quality Quantifier（LQ2）。这是一种机器学习模型，从成对的众包数据中学习知识，对图表布局进行评分。结合优化技术，LQ2可以推荐布局参数，以提高图表的布局质量。文章将LQ2应用于条形图，并进行用户研究通过检查其产生的布局质量来评估其有效性。 结果表明，与外行人调整的布局和基线布局相比，LQ2可以生成更具视觉吸引力的布局。这项工作呈现了量化人类对图表布局的喜好和美学的可行性和用法。
