时间：2022年10月20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：陈富秋 高雯雯
Part1
研读成员：陈富秋
分享内容：
[1]Zhang C, Wang X, Zhao C, et al. PromotionLens: Inspecting Promotion Strategies of Online E-commerce via Visual Analytics[J]. IEEE Transactions on Visualization and Computer Graphics, 2022.
[2]Zeng H, Wang X, Wang Y, et al. GestureLens: Visual Analysis of Gestures in Presentation Videos[J]. IEEE Transactions on Visualization and Computer Graphics, 2022.
论文简介：
[1]促销活动通常被电子商务的商家用来促进销售。不同促销策略的有效性可以帮助卖家根据客户需求调整产品，从而有利于自身企业的生存和发展。目前，设计促销策略的方法要么是基于经济计量学，这可能无法扩展到大规模的销售数据，要么是自发的促销策略，对销售额的解释很少。此外，由于描述促销策略及其市场环境的信息的不完整性和复杂性，准确衡量促销设计的效果并做出相应的引导调整仍然是一个挑战。我们提出了PromotionLens，一个用于探索、比较和建模各种促销策略的影响的可视分析系统。我们的方法结合了具有代表性的多变量时间序列预测模型和精心设计的可视化视图，以演示和解释销售和促销因素的影响，并支持促销的“what-if”分析。两个案例研究，专家反馈和一个定性的用户研究证明了PromotionLens的有效性。
[2]在日常交流和公开演讲中，适当的手势可以增强信息传递和观众参与。在本文中，我们提出了一种视觉分析方法，通过分析演讲视频来帮助专业演讲教练改进他们的手势训练。在演讲视频中手动检查和探索手势的使用通常是乏味和耗时的。由于手势具有时序演化，以及手势与语音内容的复杂相关性，缺乏一种有效的方法来帮助用户进行手势探索，这是一项具有挑战性的工作。在本文中，我们提出了一个视觉分析系统GestureLens，以促进基于手势和基于内容的演讲视频中手势使用的探索。具体来说，探索视图使用户能够快速获得手势的空间和时间分布的概览。首先通过手势空间的热力图聚合手部动态动作，揭示空间模式；然后将其分解为两条相互垂直的时间线，揭示时间模式。关系视图允许用户通过链接分析和直观的字形设计显式地探索语音内容和手势之间的相关性。视频视图和动态视图分别显示所选手势的上下文和整体动态运动。两个使用场景和对专业演讲教练的专家访谈证明了GestureLens在促进演讲视频的手势探索和分析方面的有效性和实用性。
Part2
研读成员：高雯雯
分享内容：
[1]L. Chen, Y. Ouyang, H. Zhang, S. Hong and Q. Li, "RISeer: Inspecting the Status and Dynamics of Regional Industrial Structure Via Visual Analytics" in IEEE Transactions on Visualization & Computer Graphics, vol. , no. 01, pp. 1-11, 5555. doi: 10.1109/TVCG.2022.3209351.
[2]Yuan H, Tang J, Hu X, et al. XGNN: Towards Model-Level Explanations of Graph Neural Networks[C]//Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020: 430-438.
论文简介：
[1]重组区域产业结构（RIS）有助于阻止经济衰退并实现振兴。了解RIS的现状和动态，将大大有助于研究和评估当前的产业结构。以往对区域产业结构分析的研究主要集中在RIS的合理化和调整上。研究人员多使用计量经济学模型来估计RIS的进化趋势，或从宏观角度对RIS进行定性和定量分析。虽然近几年也有研究从微观的企业层面去追踪信息，以补充现有研究。但它们难以对“产业部门”、“产业构成”、“动态性质”、“大量的RIS记录中的多元特征”有影响的潜在变量进行深入、精确的理解和分析。为此，本文提出了一个交互式可视分析系统：RISeer。该系统基于可解释的ML模型、增强的可视化设计，用于识别RIS的演化模式、促进区域间的检查和比较。最后通过两个案例评估验证了方法的有效性。专家反馈表明，RISeer能有效帮助他们对RIS的动态演化有更细粒度的理解。
[2] 图神经网络（GNNs）通过聚合和组合邻居信息来学习节点特征，在许多图任务上都取得了很好的性能。然而，GNN大多被视为黑盒子，缺乏人类可理解的解释。因此，如果GNN模型不能被解释，它们就不能完全被信任并在某些应用领域中使用。本文提出了一种新的方法，称为XGNN，以在模型水平上解释GNN。本文的方法可以提供对GNN如何工作的高级见解和通用理解。本文通过训练一个图生成器来解释GNN，从而使生成的图模式最大化模型的一定预测。将图的生成表示为一个强化学习任务，其中对于每一步，图生成器预测如何在当前的图中添加一条边。图生成器通过一种基于训练后的GNN信息的策略梯度方法进行训练。最后，本文在合成数据和真实数据集上的实验结果表明，所提出的方法有助于理解和验证训练后的GNN，生成的图可以为如何改进训练后的GNN提供指导意见。
