时间： 2021年4月21日（本周三） 09 : 30
地点： 望江校区基础教学楼B座318实验室
研读成员： 吴美璇 周渝博
Part1
分享者： 吴美璇
分享内容：
[1] Zhao Y, Wang L, Li S, et al. A visual analysis approach for understanding durability test data of automotive products[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2019, 10(6): 1-23.
[2] Xuanwu Y, Qiao G, Deyun W, et al. iQUANT: Interactive Quantitative Investment Using Sparse Regression Factors[C]//EuroVis. 2021. To Appear.
论文简介：
[1] 在工业4.0中，人们面临着数据丰富的制造环境。可视化分析作为解释和理解复杂数据的重要技术，越来越多地被引入到工业数据分析场景中。本研究以汽车起动机耐久性测试为背景，提出了一种可视化分析方法来理解大规模且长期的耐久性测试数据。在详细的场景分析和需求分析的指导下，我们首先提出了一种迁移-适应聚类算法，利用分割策略和一组匹配更新操作来实现对数据的高效、准确的聚类分析，用于启动模式识别和异常测试检测。然后，我们设计并实现了一个可视化分析系统，该系统提供了一组用户友好的可视化设计和轻量级交互，以帮助人们获得对测试过程概述、测试数据模式和耐久性性能的数据洞察。最后，通过使用真实世界的起动机耐久性测试数据集，我们进行了定量算法评估、案例研究和用户访谈。研究结果表明了该方法的有效性，并对同类工业品耐久性试验数据分析具有一定的借鉴意义。
[2] 使用金融因子的基于模型的投资正在发展成为量化投资的主要方法。其主要的挑战在于对超额市场回报的有效因素的选择。现有的方法，无论是手动选择因子还是应用特征选择算法，都不能协调人类知识和计算能力。本文介绍了iQUANT，一个交互式定量投资系统，它帮助股票交易者从算法模型的初始建议中快速发现有前途的金融因子，并对因子和股票进行联合优化，以构成投资组合。我们与专业交易者密切合作，收集“好”的因子的经验特征，并提出有效的可视化设计来说明金融因子、股票组合及其相互作用的表现。我们通过正式的用户研究、两个案例研究和专家访谈来评估iQUANT，使用由3000支股票× 6000天× 56个因素组成的真实股市数据集。
Part2
分享者： 周渝博
分享内容：
[1] Zanabria G G, Silveira J A, Poco J, et al. CrimAnalyzer: Understanding crime patterns in São Paulo[J]. IEEE Computer Architecture Letters, 2019 (01): 1-1.
论文简介：
[1] 圣保罗是南美洲最大的城市，其犯罪率居高不下。城市周围的犯罪数量和类型差异很大，不同的犯罪模式与每个特定地点的城市和社会特征相关联。之前的大多数研究和工具进行犯罪分析的目的是发现与社会因素、季节性和城市日常活动有关的犯罪模式。因此，这些研究和工具更多的是全局性的，而不是为了调查城市的特定区域，如特定的街区、道路或公共区域。而一款能够探索城市特定区域的工具，对于领域专家以自下而上的方式完成犯罪分析是非常重要的，它能够揭示与流动性、路人行为、公共基础设施（例如公共交通的终点站和学院）有关的城市特征如何影响犯罪的数量和类型。在本文中，作者根据犯罪学专家团队的需求推出了CrimAnalyzer，一款允许用户研究城市特定区域犯罪行为的可视化分析工具。该系统允许用户识别当地的犯罪热点以及与之相关的犯罪模式，同时还能显示出热点和相应的犯罪模式是如何随时间变化的。通过定性和定量比较，以及由领域专家进行的涉及真实数据的案例研究，证明了该系统的有效性和实用性。本文创新地使用了非负矩阵分解（Non-Negative Matrix Factorization）的方式来进行热点的定位，并且有着良好的效果，这将是我本次研读的重点之一。
