时间：2021年12月9日(本周四) 09: 30
地点：望江校区基础教学楼B座318实验室
研读成员：温啸林 周渝博 李伊瑶
Part1
研读成员：温啸林
分享内容：
[1]Van Beusekom N, Meulemans W, Speckmann B. Simultaneous Matrix Orderings for Graph Collections[J]. IEEE Transactions on Visualization and Computer Graphics, 2021.
论文简介：
无向图经常被用来模拟处理交互对象的现象，如社交网络、大脑活动和通信网络。无向图的拓扑可以用邻接矩阵捕获，这个矩阵可以直接可视化，从而深入了解图的结构。矩阵可视化中出现的视觉模式主要取决于它的行和列的顺序，定义的排序质量，然后自动计算高质量的排序都是具有挑战性的问题，已经存在一些有效的启发式算法。通常，图不是孤立存在的，而是作为同一顶点集上的图集合的一部分，例如，随时间推移的大脑扫描或不同的人的扫描。为了使这样的图集合可视化，我们需要一个单一的排序，它同时适用于所有矩阵。当前最先进的解决这个问题的方法是在所有图上取一个(加权的)并集，并应用现有的启发式。然而，这种结合导致了信息的丢失，特别是在图中不同的部分。本文提出了一种集合感知的方法来避免这种信息丢失，并将其应用于两种流行的启发式方法：叶序法和重心法。事实上的标准计算质量度量矩阵排序只捕获块对角模式。相反，本文建议使用Moran 's I，一种空间自相关度量，它捕获了所有已建立的模式。Moran's I改进了之前提出的压力测量方法。此外，流行的叶序方法启发式地优化了类似的措施，进一步支持在此背景下使用Moran's I。一个最大化Moran 's I的排序可以通过旅行商问题(TSP)的解决方案来计算。本文使用Moran’s I作为质量度量，在真实世界的数据集上评估我们的同时排序方法。结果表明，与联合方法相比，集合感知方法提高了性能，这取决于集合中图的相似性。具体来说，Moran's I的感知集合的叶序始终优于其他组合，而且集合感知实现不需要额外的计算成本。
Part2
研读成员：周渝博
分享内容：
[1]Wang Y, Liang H, Shu X, et al. Interactive Visual Exploration of Longitudinal Historical Career Mobility Data[J]. IEEE Transactions on Visualization and Computer Graphics, 2021.
论文简介：
在本文中，我们与一个新的数据集CGED-Q（中国政府雇员数据库）的构建者紧密合作。该数据集记录了1760年至1912年中国清朝官僚体系中超过34万名政府官员的职业轨迹。我们可以利用这些数据从历史角度研究职业流动，了解社会流动和不平等。然而，现有的统计方法不足以分析这种具有细致属性和较长时间跨度的历史数据集的职业流动性，因为它们大多是假设驱动的并且需要花费大量的精力。因此我们提出了CareerLens，一个交互式的可视化分析系统，用于帮助专家探索、理解和推理历史上的职业数据。通过CareerLens，专家们可以在三个层次的细节中分析流动模式，即宏观层次分析整体流动性，中观层次提取潜在的群体流动模式，以及微观层次揭示个人社会关系。我们通过两个案例研究证明了CareerLens的有效性和可用性。
Part3
研读成员：李伊瑶
分享内容：
[1]Baumgartl T, Petzold M, Wunderlich M, Hohn M, Archambault D, Lieser M, Dalpke A, Scheithauer S, Marschollek M, Eichel V M, Mutters N T, Landesberger T von. In Search of Patient Zero: Visual Analytics of Pathogen Transmission Pathways in Hospitals.[J]. IEEE transactions on visualization and computer graphics, 2020.
论文简介：
医院内的病原体暴发(即细菌和病毒暴发)可造成高死亡率，并大大增加医院费用。当感染患者的数量超过地方病水平或某病原体在特定人群中的通常流行率时，通常就会注意到暴发。重建回到暴发源头的传播途径——零号患者或索引患者——需要分析微生物数据和患者接触者。这通常由感染控制专家手工完成。我们提出了一种新的可视化分析方法，以支持分析传播途径、患者接触、疫情进展和住院期间的患者时间线。感染控制专家将我们的解决方案应用于德国一家大医院爆发的肺炎克雷伯菌。使用我们的系统，我们的专家能够将传播途径的分析扩展到更长的时间间隔(即几年而不是几天的数据)，并跨越更大数量的病房。此外，该系统能够将分析时间从天减少到小时。在我们的最后一项研究中，来自7家德国医院的25位专家的反馈提供了证据，表明我们的解决方案为分析疫情带来了显著的好处。
