时间：2023年11月28日(周二) 09: 30
地点：望江校区基础教学楼B座318实验室
分享者：古名扬、杨丹
Part1
分享者：古名扬
分享内容：
[1] Wang Q, Huang K, Chandak P, et al. Extending the nested model for user-centric XAI: A design study on GNN-based drug repurposing[J]. IEEE Transactions on Visualization and Computer Graphics, 2022, 29(1): 1266-1276.
[2] Lange D, Polanco E, Judson-Torres R, et al. Loon: Using Exemplars to Visualize Large-Scale Microscopy Data[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 28(1): 248-258.
论文简介：
[1] 人工智能解释能否帮助用户有效地完成特定任务（即可用的解释）很大程度上受到其视觉呈现的影响。尽管存在许多生成解释的技术，但如何根据领域用户的特征选择和直观地呈现人工智能解释仍不清楚。本文旨在通过针对特定问题的多学科设计研究来理解这个问题：向药物再利用领域专家解释图神经网络（GNN）预测，即将现有药物重新用于新疾病。基于可视化的嵌套设计模型，我们将文献综述和合作者的反馈中的 XAI 设计考虑因素纳入设计过程中。具体来说，我们讨论了每个设计层可用视觉解释的 XAI 相关设计注意事项：目标用户、使用上下文、领域解释和领域层的 XAI 目标；抽象层解释的格式、粒度和操作；可视化层的编码和交互；以及算法层的XAI和渲染算法。我们展示了扩展嵌套模型如何激励并指导 DrugExplorer（一种用于药物再利用的 XAI 工具）的设计。根据我们的领域特征，DrugExplorer 提供基于路径的解释，并将它们呈现为两个关键 XAI 操作的单独路径和元路径，即原因和其他操作。 DrugExplorer 提供了一种名为 MetaMatrix 的新颖可视化设计，具有一组交互功能，可帮助领域用户组织和比较不同粒度级别的解释路径，从而生成对领域有意义的见解。我们通过使用场景、用户研究和专家访谈展示了所选视觉呈现和 DrugExplorer 的整体有效性。从这些评估中，我们得出了富有洞察力的观察和反思，可以为其他科学应用的 XAI 可视化设计提供信息。
[2] 哪种药物对癌症患者最有希望？一种基于显微镜的新方法用于测量用不同药物治疗的单个癌细胞的质量，有望在短短几个小时内回答这个问题。然而，从这些图像中提取数据的分析流程仍远未完全自动化：对于分割、调整滤波器、消除噪声和分析结果等预处理步骤的质量控制，需要人工干预。为了解决这个工作流程，我们开发了 Loon，这是一种可视化工具，用于基于定量相显微镜成像分析药物筛选数据。 Loon 可视化衍生数据，例如增长率和成像数据。由于图像是大规模自动收集的，因此手动检查图像和分割是不可行的。然而，审查细胞的代表性样本对于质量控制和数据分析都是至关重要的。我们引入了一种新方法来选择和可视化具有代表性的示例细胞，这些示例细胞保留了与低级数据的紧密联系。通过将派生数据可视化功能与新颖的示例可视化紧密集成并提供选择和过滤功能，Loon 非常适合决策哪些药物适合特定患者。
Part2
分享者：杨丹
分享内容：
[3]M. Angelini et al., "BUCEPHALUS: a BUsiness CEntric cybersecurity Platform for proActive anaLysis Using visual analyticS," 2021 IEEE Symposium on Visualization for Cyber Security (VizSec), New Orleans, LA, USA, 2021, pp. 15-25, doi: 10.1109/VizSec53666.2021.00007.
[4]Qi Jiang, Guodao Sun, Tong Li, et al, "Qutaber: Task-based Exploratory Data Analysis with Enriched Context Awareness,"2023 The China Visualization and Visual Analytics Conference (ChinaVis).
论文简介：
[3] 分析和缓解网络攻击对关键基础设施服务对于平台的平稳运行至关重要，现有的许多研究已通过使用用于实施服务的设备、服务依赖性、网络拓扑和可以被利用进行网络攻击的漏洞数据开发了解决方案。然而，大多数的解决方案未能以综合的方式考虑上述方面，使用户能够理解全局依赖关系和弱点。本文在安全专业人员参与下采用“以用户为中心”的设计流程开发BUCEPHALUS来解决这个问题，设计一套可视分析解决方案，提供对业务功能、设备和漏洞之间现有关系的视觉概述，以及一种假设分析场景，在该场景中帮助用户进行决策支持，发现哪些漏洞更适合修复。
[4] 探索性数据分析 (EDA) 是帮助用户深入洞察数据并发现隐藏的模式的重要工具，推荐算法的集成显著增强了 EDA 的效力和吸引力。然而，现有基于推荐的 EDA 方法通常侧重于从给定数据中识别关键见解。虽然确定了这些见解，但支持进一步深入分析的工作相对较少，而且这些工作中的分析任务通常仅限于特定的分析目标或应用领域。此外，这些系统缺乏足够的上下文感知能力，仅显示一组狭窄的推荐，而无法使用户深入理解和分析推荐内容。为了解决这些限制，本文引入了基于分析任务、具有丰富的上下文感知功能的 EDA 系统 Qutaber。本文首先通过文献综述和专家访谈总结了针对 EDA 场景量身定制的六大核心分析任务，然后采用按分析任务类别分组，并提供多指标重新排名功能来呈现所有候选图表。此外，本文还利用机器学习方法来表示这些图表的语义向量，使用户能够观察其全局分布特征。最后，使用真实数据集的案例研究和用户研究以进一步评估所提出技术的可用性，结果表明Qutaber 能够引导用户进行高效且丰富上下文感知的探索性数据分析。
