2024年春季学期视觉计算实验室第八次论文研读预告

时间:2024年4月26日(周五) 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、张宛靖

Part1

分享者:古名扬

分享内容:

[1] L'Yi S, Gehlenborg N. Multi-view design patterns and responsive visualization for genomics data[J]. IEEE transactions on visualization and computer graphics, 2022, 29(1): 559-569.

[2] Wang Q, Liu X, Liang M Q, et al. Enabling Multimodal User Interactions for Genomics Visualization Creation[C]//2023 IEEE Visualization and Visual Analytics (VIS). IEEE, 2023: 111-115.

论文简介:

[1] 最近的一系列研究集中在设计跨分辨率和跨设备的可视化,即响应式可视化,这是一个从响应式网页设计中采用的概念。然而,这些研究主要集中在单一视图到少数视图的可视化上,如何设计响应式多视图可视化仍然存在未解决的问题。在本文中,我们提出了一个可重用和可推广的框架,用于设计专注于基因组数据的响应式多视图可视化。为了更好地理解现有的设计挑战,我们回顾了基于网络的基因组可视化工具。通过基于响应式设计的分类来描述工具,我们发现在现有的工具中很少支持响应性。为了系统地从调查结果中提取见解,我们对典型的视图组成模式进行了分类,例如“垂直长”、“水平宽”、“圆形”和“十字形”组成。然后,我们确定了它们在不同分辨率下的可用性问题,这些问题源于组合模式,并讨论了解决这些问题和使基因组可视化响应的方法。通过扩展Gosling可视化语法以支持响应式结构,我们将展示如何支持这些方法。一项有价值的后续研究将考虑不同的输入方式,如鼠标和触摸交互,这在我们的研究中没有考虑到。

图1 基因组学可视化构成模式的直观总结

[2] 可视化在从复杂和大规模基因组学数据中提取见解方面起着重要作用。传统的图形用户界面(GUI)为自定义可视化提供了有限的灵活性。我们之前的工作Gosling使用基于语法的方法实现了富有表现力的可视化创建,但是初学者在构建复杂的可视化时可能会面临挑战。为了解决这个问题,我们探索了多模态交互,包括草图,示例图像和自然语言输入,以简化可视化创建。具体来说,我们定制了两个深度学习模型(YOLO v7和GPT3.5)来解释用户交互并将其转换为Gosling规范。提出了一个工作流来逐步引入和整合多模态交互。然后,我们提出用例来证明它们的有效性,并确定未来研究的挑战和机遇。

图2 AutoGosling 通过支持多模态交互来促进基因组学可视化的创建

Part2

分享者:张宛靖

分享内容:

[3] Chen S A, Li C L, Yoder N, et al. Tsmixer: An all-mlp architecture for time series forecasting[J]. arXiv preprint arXiv:2303.06053, 2023.

[4] Wang S, Wu H, Shi X, et al. TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting[C]//The Twelfth International Conference on Learning Representations. 2023.

论文简介:

[3] 现实世界的时间序列数据集往往是具有复杂动态的多变量数据集。为了捕捉复杂性,基于递归或注意力的序列深度学习模型等高容量架构十分流行。然而,最近的研究表明,在一些常用的学术基准上,简单的单变量线性模型的性能要优于这类深度学习模型。本文对线性模型在时间序列预测方面的能力进行了扩展研究,并提出了TSMixer,一种通过堆叠多层感知器(MLP)设计的新型架构。TSMixer 基于时间维度和特征维度的混合运算,可有效提取信息。在流行的学术基准上,简单易用的 TSMixer 可与利用特定基准归纳偏差的先进专业模型相媲美。在具有挑战性的大规模 M5 基准(现实世界中的零售数据集)上,TSMixer 的性能优于最先进的替代方案。研究结果凸显了有效利用交叉变量和辅助信息来提高时间序列预测性能的重要性。TSMixer 中采用的设计范式有望为基于深度学习的时间序列预测开辟新天地。

图3 TSMixer模型架构

[4] 时间序列预测被广泛应用于交通规划和天气预报等领域。然而,现实世界中的时间序列通常存在错综复杂的时间变化,这使得预测工作极具挑战性。本文超越了平原分解和多周期分析的主流范式,以一种新颖的多矢量混合观点来分析时间变化,这种观点基于一个直观而重要的观察结果,即时间序列在不同的采样尺度下呈现出不同的模式。微观和宏观信息分别反映在精细和粗略的尺度上,因此复杂的变化本质上是可以被分解的。基于这一观点,本文提出了 TimeMixer 这一完全基于 MLP 的架构,其中包含过去可分解混合(PDM)和未来多预测器混合(FMM)两个模块,以便在过去提取和未来预测阶段充分利用多尺度分解序列。具体来说,PDM 对多尺度序列进行分解,并进一步将分解后的季节和趋势成分分别从细到粗和从粗到细的方向进行混合,从而相继汇总微观季节和宏观趋势信息。FMM 进一步集合多个预测因子,以利用多尺度观测的互补预测能力。因此,TimeMixer 能够在长期和短期预测任务中实现稳定的一流性能,并具有良好的运行效率。

图4 TimeMixer模型架构