时间： 2022年4月14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： 吴美璇 欧阳成州
Part1
分享者： 吴美璇
分享内容：
[1] Shi D, Shi Y, Xu X, et al. Task-oriented optimal sequencing of visualization charts[C]//2019 IEEE Visualization in Data Science (VDS). IEEE, 2019: 58-66.
[2] Shen L, Shen E, Tai Z, et al. TaskVis: Task-oriented Visualization Recommendation[C]//Proc. EuroVis. 2021, 21.
论文简介：
[1] 图表序列用于描述数据分析师在探索性分析中生成的一系列可视化图表，它包含每个图表中的详细信息以及图表之间的逻辑关系。虽然已有的研究目标是生成符合人类感知的图表序列，但在图表设计空间中，很少关注图表之间以任务为导向的联系。我们提出了一种新的基于强化学习的图表排序方法，以捕获三个主要分析任务（相关分析、异常检测和聚类分析）中图表之间的联系。该方法将图表排序过程描述为一个优化问题，为特定的分析任务寻找一个最优的图表排序策略。在我们的方法中，引入了一种新的奖励函数，它同时考虑了分析任务和人类认知因素。我们进行了一个案例研究和两个用户研究，以评估我们的方法在以下应用场景下的有效性：可视化演示、为推理分析结果排序图表以及做出图表设计选择。研究结果表明了我们方法的有效性。
[2] 通用可视化推荐系统通常为数据集自动进行设计选择，然而这些系统只能删减无意义的可视化效果，却无法推荐有针对性的结果。在本文中，我们介绍了TaskVis，这是一种面向任务的可视化推荐方法，对用户的分析任务进行了详细的建模。我们首先通过在学术界和工业界的调查总结了一个包含18个分析任务的任务库。在此基础上，我们进一步维护了一个规则库，通过对分析任务进行有针对性的建模，扩展了视图设计经验。受Draco的启发，我们通过答案集编程列举了候选可视化。可视化生成后，TaskVis根据图表的复杂程度、用户感兴趣的列和任务的覆盖率提供了四种排名方案。在两项用户研究中，我们发现TaskVis可以很好地反映用户的偏好，并在自动化和用户意图之间取得很大的平衡。
Part2
分享者： 欧阳成州
分享内容：
[1] Kang C, Zhang H, Liu Z, et al. LR-GNN: A graph neural network based on link representation for predicting molecular associations[J]. Briefings in Bioinformatics, 2022, 23(1): bbab513.
论文简介：
[1] 在生物医学网络中，分子连接对理解生物过程和功能具有重要意义。许多计算方法,如基于图神经网络(GNNs)的链路预测方法，已成功地应用于发现具有生物学意义的分子关系。然而，依然缺少依赖于学习生物网络链路表示来准确预测分子关联的方法。在本文中，我们提出了一种新的基于链路表示的GNN(LR-GNN)来识别潜在的分子结合。LR-GNN采用图卷积网络(GCN)编码器实现节点嵌入。为了表示分子之间的关联，我们设计了一个传播规则来捕获每个分子的节点嵌入构建链路表示(LR)的GCN编码层，此外，我们设计了逐层融合的规将各层的IR融合到输出中，使得LR-GNN的输出结果更加精确。对IDA、MDA、PPI、DDI四个生物医学网络数据进行实验证明，LR-GNN的性能优于目前最先进的方法，并表现出良好的健壮性。 案例研究也提出了两个数据集，以验证LR-GNN预测未知关联的能力。最后，通过可视化的方法验证了该方法的有效性。
