时间:2024年10月19日(周六)上午9:30
地点:望江校区基础教学楼B座318实验室
分享者:周寅杰、管弦
Part1
分享者:周寅杰
分享内容:
[1]Chen, L., Cheng, C., Wang, H., Wang, X., Tian, Y., Yue, X., ... & Li, Q. (2024). FMLens: Towards Better Scaffolding the Process of Fund Manager Selection in Fund Investments. IEEE Transactions on Visualization and Computer Graphics.
[2]Cao, Y., Shi, Q., Shen, L., Chen, K., Wang, Y., Zeng, W., & Qu, H. (2024). NFTracer: Tracing NFT Impact Dynamics in Transaction-flow Substitutive Systems with Visual Analytics. IEEE Transactions on Visualization and Computer Graphics.
论文简介:
[1]基金投资行业在很大程度上依赖于基金经理的专业知识,他们承担着代表客户管理投资组合的责任。基金经理凭借其投资知识和专业技能,在市场上获得了相对于普通投资者的竞争优势。因此,投资者更愿意将自己的投资委托给基金经理,而不是直接投资于基金。对于这些投资者来说,首要关注的是选择一个合适的基金经理。先前的研究采用了定量或定性的方法来分析基金经理的各个方面,如业绩衡量指标、个人特征和业绩持续性等,但在处理较大的候选空间时往往面临挑战。而且,区分基金经理的业绩是源于技能还是运气是一个挑战,使得其在选择过程中难以与投资者的偏好保持一致。为了应对这些挑战,本研究刻画了投资者选择合适基金经理的需求,并提出了名为FMLens的交互式可视分析系统。该体系简化了基金经理的遴选过程,使投资者能够跨多个维度对基金经理的投资风格和能力进行有效评估。此外,该系统还允许投资者对基金经理的业绩进行审查和比较。通过两个案例研究和一个定性的用户研究证明了该方法的有效性。从领域专家的反馈来看,该系统擅长从多个角度对基金经理进行分析,提高了基金经理评价和选择的效率。

[2]Impact dynamic(影响动态)通过追踪NFT项目在利益相关者之间相对吸引力的增长和衰减,对于评估NFT项目的增长模式至关重要。影响动力学分析的机器学习方法在可解释性和透明性方面是不可理解的和僵化的,而利益相关者需要知情决策的交互式工具。然而,由于大量、异构的NFT交易数据和灵活、定制的交互需求,开发这样的工具是具有挑战性的。为此,我们集成了直观的可视化方法来揭示NFT项目的影响动态。我们首先进行了问题研究,总结了分析标准,包括替代机制、影响属性和设计要求。接下来,我们提出最小替代模型( Minimal Substitution Model )来模拟NFT项目的替代系统,这些替代系统可以用节点-链接图来表示。特别地,我们利用属性感知技术将项目状态和利益相关者行为嵌入到布局设计中。因此,我们开发了一个多视图可视分析系统NFTracer,允许对NFT事务中的影响动态进行交互式分析。通过与领域专家的两个案例研究和与利益相关者的一个用户研究,我们证明了NFTracer的有效性和可用性。研究表明,具有较高相似度的NFT项目更有可能相互替代。替代系统中NFT项目的影响取决于利益相关者的涌入程度和项目的新鲜程度。

Part2
分享者:管弦
分享内容:
[1]Zhu, Y., Xia, Y., Li, M., Zhang, T., & Wu, B. (2024). Data Augmented Graph Neural Networks for Personality Detection. Proceedings of the AAAI Conference on Artificial Intelligence, 38(1), 664-672.https://doi.org/10.1609/aaai.v38i1.27823
[2]Cai, J., Wang, X., Li, H., Zhang, Z., & Zhu, W. (2024). Multimodal Graph Neural Architecture Search under Distribution Shifts. Proceedings of the AAAI Conference on Artificial Intelligence, 38(8), 8227-8235. https://doi.org/10.1609/aaai.v38i8.28663
论文简介:
[1]人格检测是用户心理研究的一项基础性工作。人格检测最大的挑战之一在于通过完成人格问卷收集到的标注数据的数量限制,这非常耗时耗力。现有的大多数工作主要致力于基于标注数据学习帖子的丰富表示。然而,它们仍然存在标签数量限制的固有弱点,这潜在地限制了模型处理不可见数据的能力。在本文中,作者为每个有标签和无标签的用户构建了一个异构的人格图谱,开发了一种新颖的心理语言学增广图神经网络,以半监督的方式来检测人格,即Semi - PerGCN。在有限标记用户的学习过程中,结合大规模未标记用户的噪声不变学习,以增强泛化能力。在Youtube、PAN2015和MyPersonality三个真实数据集上的大量实验证明了作者的Semi - PerGCN在人格检测方面的有效性,特别是在标记用户有限的场景中验证了其有效的泛化能力。

[2]多模态图神经架构搜索(Multimodal graph neural architecture search,MGNAS)通过在一个统一的框架中利用多模态表示、跨模态信息和图结构来自动设计最优的多模态图神经网络(Multimodal graph neural network,MGNN)架构,取得了巨大的成功。然而,现有的MGNAS无法处理多模态图数据中自然存在的分布偏移,因为搜索的架构不可避免地捕获分布偏移下的虚假统计相关性。为了解决这个问题,作者提出了一种新的分布外的广义多模态图神经网络结构搜索(OMG-NAS)方法,优化了MGNN结构在去相关OOD数据上的性能。此外,作者提出了一种全局样本权重估计器,以促进从现有架构中学习到的最优样本权重的共享,促进了对候选MGNN架构的样本权重的有效估计。作者在真实的多模态图数据集上,通过大量实验证明了提出的方法相对于SOTA baseline的优越性。
