时间:2022年5月19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]Wang Q, Mazor T, Harbig T A, et al. ThreadStates: State-based Visual Analysis of Disease Progression[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 28(1): 238-247.
[2]Chen S, Chen S, Lin L, et al. E-map: A visual analytics approach for exploring significant event evolutions in social media[C]//2017 IEEE Conference on Visual Analytics Science and Technology (VAST). IEEE, 2017: 36-47.
论文简介:
[1]广泛的纵向队列研究生成了跨多个时间点的患者观察数据,这些数据为更好地了解疾病的进展提供了很好的机会。然而,在现有的可视分析工具中,这些观察通常被视为一般事件。因此,上述患者观察数据在疾病进展建模方面没有得到充分利用。为了填补这一空白,本文设计并实施了ThreadState,这是一种用于探索患者纵向队列数据的交互式可视分析工具。ThreadState通过以人为中心的方式从观察数据中学习并识别疾病进展的状态。我们提出了一种新的Glyph Matrix设计,并将其与散点图相结合,以实现状态的观察和比较。然后,使用基于Sankey的可视化技术,通过状态转换来揭示疾病进展模式。我们使用序列聚类技术来寻找具有独特进展模式的患者群体,并揭示疾病进展与患者水平特征之间的关联。在为期10个月的设计研究过程中,系统的设计和开发根据领域专家的反馈反复修改、完善。案例研究和专家访谈表明,ThreadState可以总结疾病状态,揭示疾病进展,并比较患者群体。

[2]重大事件通常通过社交媒体进行讨论和传播,并涉及多方面的用户。社交媒体上的消息转载和用户观点为了解事件的演变提供了极大的帮助。然而,消息转载的动态性和用户评论的多样性给理解与事件相关的社交媒体数据带来了挑战。本文提出E-Map,使用类似地图的可视化工具,帮助用户对重大事件的社交媒体数据进行多方面分析,并深入了解事件的发展。E-Map将提取的关键词、消息和转发行为转换为城市、城镇和河流等地图特征,以构建结构化语义空间供用户探索。此外,E-Map还将复杂的消息传播和转发行为可视化为简单的轨迹和易于理解的链接关系。通过多层次的时空探索,E-Map有助于揭示事件发展的模式和事件中的关键参与者,并分析它们影响事件发展的方式。两个来自真实世界事件的案例证实了E-Map在促进使用社交媒体数据分析事件演变方面的能力。

Part2
研读成员:高雯雯
分享内容:
[1]M. Angelini, G. Blasilli, T. Catarci, S. Lenti and G. Santucci, "Vulnus: Visual Vulnerability Analysis for Network Security," in IEEE Transactions on Visualization and Computer Graphics, vol. 25, no. 1, pp. 183-192, Jan. 2019, doi: 10.1109/TVCG.2018.2865028.
[2]H. Song, Z. Dai, P. Xu and L. Ren, "Interactive Visual Pattern Search on Graph Data via Graph Representation Learning," in IEEE Transactions on Visualization and Computer Graphics, vol. 28, no. 1, pp. 335-345, Jan. 2022, doi: 10.1109/TVCG.2021.3114857.
论文简介:
[1]软件漏洞是IT系统遭受网络攻击的主要原因之一,综合官方数据(如CVE)可预测使用该漏洞的攻击者可能遵循的攻击路径。但由于业务限制或资源缺乏等原因,补丁有可能无法直接应用于实际修复过程。因此,复杂网络的安全管理者需要处理大量的漏洞,并决定如何应对它们。本文介绍了Vulnus,一种可视分析解决方案,用于动态检查网络上传播的漏洞,快速了解网络状态并根据节点的漏洞对其进行可视化分类。此外,Vulnus计算了能够消除所有攻击路径的近似最佳修补策略,并允许探索次优修补策略,模拟消除一个或多个漏洞的效果。使用Vulnus,安全管理者可以获得关于漏洞传播的广泛态势感知、识别关键节点,并确定干预的优先级。领域专家已通过实验室测试实验对Vulnus进行了评估,以评估所提解决方案的有效性和效率。

[2]图是一种普遍存在的数据结构,识别图中的子图模式是理解其结构属性的重要方法。本文提出了一个可视分析系统GraphQ,以基于用户创建的查询模式对图形数据库执行交互式视觉模式查询。为了促进交互式查询,本文利用图表示学习来解决子图决策和节点对齐问题。并提出NeuroAlign,以方便对查询结果的验证和解释。本文通过两个示例使用场景与领域专家进行定性研究,以验证GraphQ的有效性;并通过定量实验表明,与基线 GNN 相比,NeuroAlign在节点对齐精度方面提高了19%–29%,与组合算法相比速度提高了100倍。
