时间 ： 2021年04月07日 09: 30
地点 ： 望江校区基础教学楼B座318实验室
研读与汇报成员 ： 张馨艺、李长林
Part 1
分享者： 张馨艺
分享内容 ：
[1] Ye S, Chen Z, Chu X, et al. Shuttlespace: Exploring and analyzing movement trajectory in immersive visualization[J]. IEEE transactions on visualization and computer graphics, 2020.
[2] Wu J, Guo Z, Wang Z, et al. Visual analytics of multivariate event sequence data in racquet sports[C]. 2020 IEEE Conference on Visual Analytics Science and Technology (VAST). IEEE, 2020: 36-47.
论文简介：
[1] “Shuttlespace”，一个帮助专家分析羽毛球运动轨迹数据的沉浸式分析系统。运动中的运动轨迹，如球员和球的运动轨迹，都包含了丰富的行为信息，被教练和分析人员广泛分析用以提高球员的表现。然而，现有的视觉分析系统通常通过抽象方式在球场图中呈现轨迹，使得专家很难想象球场上的情况，也很难理解球员为什么以某种方式行动。
随着虚拟现实（VR）等沉浸式技术的最新发展，专家们逐渐有机会从玩家的角度来观察、感受、探索和理解这些3D轨迹。然而，很少有研究从VR角度来支持体育数据的沉浸式分析。其中具体的挑战来自于VR中的数据呈现（例如，如何无缝结合2D和3D可视化）和交互（例如，如何在没有键盘和鼠标的情况下自然地与数据交互）。为了应对这些挑战，本文与为顶级国家羽毛球队工作的领域专家密切合作，设计实现了“Shuttlespace”。本系统利用了1）周边视觉概念来结合2D和3D可视化；2）VR控制器通过笔触隐喻来支持自然交互。最后，本文通过三个案例研究证明了Shuttlespace的有效性，并进一步与专家进行了访谈，证实了本文的第一人称沉浸式分析系统对于分析羽毛球数据是合适且有效的。
[2] 本文提出了一个通用的可视化分析框架，用以支持基于球拍运动（如网球和羽毛球）数据的战术分析。该方法将比赛中的每一回合模拟为一系列Stokes（即事件），直到某方运动员得分。每次击球都可以用一组属性来描述，例如球的位置和用于击球的技术（例如网球中的击球和截击）。因此，上述碰撞序列可以看作是一个多元事件序列。通过对比赛中经常出现的多变量子序列（即战术模式）的检测和分析，运动员可以了解对手的打法风格，从而识别对手的系统弱点，制定对抗策略。
为了有效地支持这种分析，本文提出了一种可配置的多变量序列模式挖掘算法，该算法支持字定义事件属性的权重，使领域专家能够根据自己指定的属性获取频繁的策略模式。此外，本文还提出了一种可重新配置的字形设计，以帮助用户同时分析多个事件属性。该框架进一步支持对战术模式的比较分析，例如不同运动员或同一运动员在不同条件下的战术模式。通过在网球和羽毛球比赛中收集的两个数据集上应用该框架，证明了该系统在运动战术分析中是通用的和有效的，并且可以帮助识别运动员个人使用的典型技术。最后，根据领域专家的反馈，讨论了该方法的优点和局限性。
Part 2
分享者： 李长林
分享内容 ：
[1] Choi M, Park C, Yang S, et al. Aila: Attentive interactive labeling assistant for document classification through attention-based deep neural networks[C]//Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. 2019: 1-12.
[2] Wu T, Wongsuphasawat K, Ren D, et al. Tempura: Query Analysis with Structural Templates[C]//Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. 2020: 1-12.
论文简介：
[1]文档标签是构建各种机器学习应用程序的关键步骤。然而，这一步可能是费时费力的，需要大量的人力努力。为了支持一个高效的文档标注环境，作者提出了一个名为细心交互式标注助手(AILA)的系统。在其核心，AILA使用了交互式注意模块(IAM)，这是一个新颖的模块，可以视觉地突出显示文档中的单词，标记人员在标记文档时可能会注意到这些单词。IAM利用了基于注意的深度神经网络，它不仅支持预测哪些单词需要突出显示，而且允许标签者在标记时指出应该被赋予高注意权重的单词，以提高未来单词预测的质量。本研究通过比较有IAM和没有IAM的情况来评估标记的效率和准确性。结果表明，与无IAM条件相比，有IAM条件下被试的标注效率显著提高，而两种条件下的标注准确率基本相同。
[2]分析来自搜索引擎和智能助手的查询是困难的。一个关键的挑战是将查询组织成可解释的、上下文保持的、有代表性的和灵活的组。作者提出了一种以语言特征形式代替符号的结构模板，即抽象查询，作为一种查询分组方法。模板允许分析人员在不同粒度上创建结构相似的查询组。作者引入了Tempura，这是一个交互式工具，分析人员可以使用结构化模板来研究查询数据集。Tempura通过选择一个有代表性的模板子集来显示查询分布，从而总结出一个查询数据集。该工具还通过建议可能产生进一步探索的相关模板来帮助分析人员导航模板空间。研究表明，天罗可以帮助分析师检查查询数据集的分布情况。发现标记错误，发现模型错误模式和异常值。
