为营造良好的学术科研氛围，提高整体的科研水平，实验室将于2024年5月24日（本周五）上午，在实验室分享ACM CHI2024（ACM Conference on Human Factors in Computing Systems）的参会经历并进行第十一次论文研读，期待与大家的交流讨论！
分享时间：2024年5月24日（本周五）上午9：30-11：30
地点：四川大学计算机学院视觉计算实验室
ACM CHI2024参会经历分享
主讲人：王凤杰
分享内容简介：以论文为中心的参会体验（写论文、讲论文、听论文）；以建立连接为中心的参会经历（交流对象有哪些、如何开启一段对话、有何顾忌等）；夏威夷风情；参会指南等。
论文研读预告
分享者：王国强
分享内容：
[1] J. Chen et al., SalienTime: User-driven Selection of Salient Time Steps for Large-Scale Geospatial Data Visualization, Proceedings of the CHI Conference on Human Factors in Computing Systems, doi: 10.1145/3613904.3642944.
[2] Y. Zhao et al., "LEVA: Using Large Language Models to Enhance Visual Analytics," in IEEE Transactions on Visualization and Computer Graphics, doi: 10.1109/TVCG.2024.3368060.
论文简介：
[1] 来自物理监测器和模拟模型的大量地理空间时间数据的性质给高效数据访问带来了挑战，通常会导致基于网络的数据门户中繁琐的时间选择体验。因此，选择一部分时间步进行优先可视化和预加载是非常可取的。为了解决这个问题，本文通过与领域专家进行广泛的需求发现研究来理解他们的工作流程，从而建立了一个多方面的显著时间步定义。在此基础上，提出了一种利用自动编码器和动态规划来促进用户驱动的时间选择的新方法。纳入结构特征、统计变化和距离惩罚以进行更灵活的选择。用户指定的优先级、空间区域和聚合用于结合不同的视角。该文设计并实现了一个基于网络的界面，以实现高效和情境感知的时间步选择，并通过案例研究、定量评估和专家访谈来评估其有效性和可用性。
[2] 可视化分析支持复杂领域问题内的数据分析任务。然而，由于数据类型、可视化设计和交互设计的丰富性，用户在可视化分析数据时需要回忆和处理大量信息。这些挑战强调了对更智能的可视化分析方法的需求。大型语言模型已经展示了解释各种形式的文本数据的能力，为可视化分析提供了促进智能支持的潜力。我们提出了LEVA，它使用大型语言模型在多个阶段增强用户的VA工作流程：上手、探索和总结。为了支持上手，我们使用大型语言模型来解释可视化设计，并根据系统规范查看关系。对于探索，我们使用大型语言模型根据系统状态和数据的分析推荐见解，以促进混合倡议探索。为了总结，我们提出了一种选择性报告策略，通过流可视化追溯分析历史，并在大型语言模型的帮助下生成洞察报告。我们展示了LEVA如何集成到现有的视觉分析系统中。两个使用场景和一项用户研究表明，LEVA有效地帮助用户进行视觉分析。
