时间 ： 2022年01月06日 09: 30
地点 ： 望江校区基础教学楼B座318实验室
研读成员 ： 李长林，陈纪龙
研读内容 ：
Part1
分享者：李长林
分享内容：
[1]Sun D, Feng Z, Chen Y, et al. DFSeer: A visual analytics approach to facilitate model selection for demand forecasting[C]//Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. 2020: 1-13.
[2]Weikai Y, Zhen L, Mengchen L, et al. Diagnosing Concept Drift with Visual Analytics. IEEE VAST@IEEE VIS 2020: 12-23
论文简介：
[1]选择合适的模型进行产品需求预测对制造业至关重要。然而，由于数据的复杂性、市场的不确定性以及用户对模型的苛刻要求，需求分析人员很难选择合适的模型。现有的模型选择方法虽然可以在一定程度上减轻人工的负担，但往往无法展现单个产品的模型性能细节，揭示所选模型的潜在风险。本文介绍了DFSeer。基于历史需求相似的产品进行可靠的需求预测模型选择的交互式可视化系统。它支持不同细节级别的模型比较和选择。同时，通过对比模型在同类产品上的性能差异，揭示模型选择的风险，提高用户选择预测模型的信心。两个案例研究和对领域专家的访谈证明了DFSeer的有效性和可用性。
图1：DFSEER概览
[2]概念漂移是一种现象，即数据流的分布会随着时间的推移而发生不可预见的变化，从而导致基于历史数据建立的预测模型变得不准确。虽然已经开发了多种自动方法来识别何时发生概念漂移，但对于需要在检测到概念漂移时理解和纠正模型的分析人员来说，支持有限。在本文中，我们提出了一种可视化分析方法，DriftVis，以支持模型构建者和分析人员在流式数据中识别和校正概念漂移。DriftVis将基于分布的漂移检测方法与流散点图相结合，以支持分析由数据流分布变化引起的漂移，并探索这些变化对模型准确性的影响。我们进行了一个关于天气预报和文本分类的定量实验和两个案例研究，以演示我们提出的工具，并说明如何使用视觉分析来支持概念漂移的检测、检查和校正。
图2：DriftVis概览
Part2
分享者：陈纪龙
分享内容：
[1] K. B. Alperin, A. B. Wollaber and S. R. Gomez, "Improving Interpretability for Cyber Vulnerability Assessment Using Focus and Context Visualizations," 2020 IEEE Symposium on Visualization for Cyber Security (VizSec), 2020, pp. 30-39, doi: 10.1109/VizSec51108.2020.00011.
[2] M. Schufrin, S. L. Reynolds, A. Kuijper and J. Kohlhammer, "A Visualization Interface to Improve the Transparency of Collected Personal Data on the Internet," 2020 IEEE Symposium on Visualization for Cyber Security (VizSec), 2020, pp. 1-10, doi: 10.1109/VizSec51108.2020.00007.
论文简介：
[1]网络安全领域的风险评估系统主要用于对发现的漏洞进行打分，并依据分数对漏洞进行优先级划分，为网络安全领域的决策支持方面提供了一个简单并且可量化的标准；但风险评分系统通常对操作者来说是不透明的，这就导致系统得出的评分难以在他们自己的上下文网络或更广阔的网络安全领域去解释; 并且由于AI和机器学习在风险评估方面越来越广泛的应用，不透明的机器推理可能会影响领域内专家对评估系统本身和其输出结果的信任。本文旨在通过可视化分析来完善现有的风险评估系统，主要是在研究如何为漏洞评估设计可解释性更强的视觉编码。具体来说是考虑使已知的漏洞数据集可以在两个尺度上有更好的可解释性：第一是考虑将XAI组件用于基于ML算法的风险评分模型上，并针对CVSS开发新的可视化方法来对各个漏洞进行单独评分；第二是绘制了漏洞集的概览视图。此外，还概述了这些工具的使用用例，并讨论了将可解释AI这个概念用于网络风险和漏洞管理的可能性。
图3：具有可解释性的漏洞风险评估工作流
[2] 目前各种各样的在线服务如线上娱乐、社交软件、通讯工具等都会去搜集用户的个人信息，但信息技术的进步如大规模的数据库和快速的分布式网络等，也导致了信息泄露和信息滥用等问题的出现，在多数情况下用户对其无能为力并且不在乎他们的信息是否被泄露。但另一方面，GDPR，即通用数据保护条例让用户可以获得特定在线服务存储的所有个人数据的副本，但对于普通用户来说这些数据是很难理解和分析的。所以这篇文章介绍了一个基于Web的、可以将各个在线服务导出的用户数据进行可视化和交互式探索的系统——TransparencyVis，旨在通过这个系统来提高对在线服务存储的大量个人数据和用户在线行为产生的影响的认识。此外，还开发了一个可访问的系统原型并且用一个实例来演示如何统一来自不同数据源导出的数据。
图4：TransparencyVis系统页面示意图