时间:2023年10月19日(下周四) 09: 30
地点:望江校区基础教学楼B座318实验室
分享者:王启鹏、杨璐歌
Part1
分享者:王启鹏
分享内容:
[1] Guo Y, Han Q, Lou Y, et al. Edit-History Vis: An Interactive Visual Exploration and Analysis on Wikipedia Edit History[C]//2023 IEEE 16th Pacific Visualization Symposium (PacificVis). IEEE, 2023: 157-166.
[2] Kale B, Clyde A, Sun M, et al. ChemoGraph: Interactive Visual Exploration of the Chemical Space[C]//Computer Graphics Forum. 2023, 42(3): 13-24.
论文简介:
[1] 我们提出的 Edit-History Vis 是一个可视化分析系统,旨在促进对维基百科编辑历史进行细粒度的交互式探索。检查维基百科文章中的详细改动对于了解协作编辑过程中作者观点的变化和冲突至关重要。然而,在揭示细节的同时保留修订的不同属性(即时间、内容和编辑者)是一项挑战。EditHistory Vis系统利用力导向修订图,根据立场对修订进行分组,从而整合了编辑和修订文本的变化。通过该修订图,用户可以识别和分析编辑事件,如编辑战、破坏、修复和正常更新。通过与之前工作的定性比较和用户研究的定量评级,验证了该系统在分析编辑历史方面的有效性。
[2] 化学空间的探索性分析是化学信息学领域的一项重要任务。例如,在药物发现研究中,化学家要研究成千上万的化合物集,以便找出结构相似的新型合成化合物来替代天然产物。手动探索所有可能的分子和化合物所处的化学空间是不切实际的,因此也是一项挑战。为了填补这一空白,我们提出了一种新颖的可视化分析技术——ChemoGraph,用于交互式地探索相关化学物质。在ChemoGraph中,我们将化学空间形式化为超图,并应用新型机器学习模型计算相关化合物。它利用数据库从已知空间中查找相关化合物,并利用机器学习模型生成新化合物,这有助于扩大已知空间。此外,ChemoGraph还突出了交互式功能,支持用户查看、比较和整理通过计算确定的相关化学物质。通过药物发现使用场景和案例研究中的初步专家反馈,我们展示了ChemoGraph的实用性。
Part2
分享者:杨璐歌
分享内容:
[1] Chen, Qing et al. “Calliope-Net: Automatic Generation of Graph Data Facts via Annotated Node-link Diagrams.” ArXiv abs/2308.06441 (2023): n. pag.
[2] Li, Haotian et al. “Notable: On-the-fly Assistant for Data Storytelling in Computational Notebooks.” Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (2023): n. pag.
论文简介:
[1] 计算笔记本被广泛用于数据分析。它们的代码和执行结果的交错显示(例如,可视化)是受欢迎的,因为它们可以进行迭代分析,并保留了探索过程。然而,在计算笔记本中,数据的通信仍然具有挑战性。用户必须仔细地从无用的信息中识别出有用的信息,并将其用文字和视觉修饰的方式记录下来,然后用不同的工具进行组织。根据我们对从业者的访谈,这样的工作流程大大增加了他们的工作量。为了解决这一挑战,我们设计了Notable来为计算笔记本中的数据故事讲述提供动态帮助。它提供了智能支持,以最大限度地减少记录和整理数据发现的工作,并减少了在数据探索和讲故事之间切换的成本。为了评估Notable,我们对12名数据工作者进行了一项用户研究。用户研究参与者的反馈验证了它的有效性和可用性。
[2] 图或网络数据在数据挖掘和可视化领域中被广泛研究,以审查不同实体和群体之间的关系。通过图形可视分析得出的数据事实对于理解复杂数据的社会结构具有重要意义,尤其是对于数据新闻而言。然而,由于图数据的复杂性和解读图叙事的困难性,数据记者很难发现图数据事实,并围绕一个有意义的主题手动组织相关的事实。因此,我们提出了一个由事实发现模块、事实组织模块和可视化模块组成的自动图事实生成系统Calliope-Net。它通过从网络数据中自动发现和组织的事实来创建带注释的节点-链接图。设计了一种新颖的布局算法来呈现有意义的、视觉上有吸引力的标注图。我们通过两个案例研究和一个实验室用户研究来评估所提出的系统。结果表明,Calliope-Net能够帮助用户发现和理解图数据事实,并具有令人愉悦的注释可视化效果。