时间 ： 2020年10月15日 09: 00
地点 ： 望江校区基础教学楼B座318实验室
研读成员 ： 胡浩、杨啸
Part 1
分享者 ： 胡浩
[1] Y.-S. Kim, P. Kayongo, M. Grunde-McLaughlin, and J. Hullman, “Bayesian-Assisted Inference from Visualized Data,” vol. 2626, no. c, 2020, doi: 10.1109/TVCG.2020.3028984.
[2] A. Karduni, D. Markant, R. Wesslen, and W. Dou, “A Bayesian cognition approach for belief updating of correlation judgement through uncertainty visualizations,” vol. 2626, no. c, 2020, doi: 10.1109/TVCG.2020.3029412.
论文简介 ：
[1]大量的研究表明，人们在根据数据做出判断时常常难以正确地考虑不确定性。贝叶斯推理是一种统计方法，规定了在有新证据的情况下如何更新人对概率的认知。最近的工作表明贝叶斯推断可以用于深入描述对可视化解释性的理解，并有助于进行更严格的评估。因而，可以通过将人类判断与贝叶斯推断进行比较来识别用户对数据的反应不足和过度反应导致的认知错误。本文测试了4800名受试者在面对一些传统不确定性可视化方式时的认知更新，并讨论了如何应用贝叶斯推断指导可视化的设计和评估。
[2]理解用户如何从视图中感知两个变量的关联性，对于设计高效的可视化视图非常重要。其中，一个不可忽视的因素是用户的先验认知。贝叶斯推断可以用于描述用户在获得可视化传达的信息后如何更新自己的认知。不确定性可视化比一般的可视化方式传递了更复杂更模糊的信息，用户在理解传达不确定性信息的可视化视图时其认知会如何更新？这篇文章就以下三个方面进行了探究，并设计实验进行论证：(1)用户的先验知识如何影响其对关联性的判断；(2)当可视化传达出的关联性与用户的认知符合或相左时会如何影响用户的认知；(3)当在揭示关联性的视图中包含对不确定性的可视化时，用户倾向于调整其认知的程度是更强还是更弱？
Part 2
分享者 ： 杨啸
[1] Xu K , Wang Y , Yang L , et al. CloudDet: Interactive Visual Analysis of Anomalous Performances in Cloud Computing Systems[J]. IEEE transactions on visualization and computer graphics, 2020, 26(1):1107-1117.
[2] Yan J, Shi L, Tao J, et al. Visual analysis of collective anomalies using faceted high-order correlation graphs[J]. IEEE transactions on visualization and computer graphics, 2018.
论文简介 ：
[1]云计算正越来越普及，为了减少用户损失和确保系统高效运行，检测和分析云计算系统中潜在的异常至关重要。迄今为止，已经开发了各种自动化技术来识别云计算中的异常，这些技术通常通过跟踪系统的性能指标来识别异常。然而，由于云计算数据的复杂特性，这些自动化方法的有效性受到影响。在本文中，我们提出了一个名为CloudDet的可视化分析系统，用于交互式地检测、检查和诊断云计算系统中的异常。同时开发了一种新的无监督异常检测算法，以基于给定度量数据的特定时间模式来识别异常。文章通过定量评估、两个真实数据的案例研究以及对领域专家的采访展示了CloudDet的有效性。
[2]检测、分析和推理集体异常对于许多实际应用领域(例如，入侵检测、欺诈分析、软件安全)都至关重要。本文提出了多面高阶相关图(HOCG)的新概念。与以前的低阶相关图相比，HOCG通过将异构类型的对象、异常事件和多模态关系综合在一个图中，实现了更好的用户交互性、计算可扩展性和领域通用性。文章精心设计了视图隐喻、交互模型和协调的多视图界面，让用户充分利用HOCG对事件探索分析。文章对三个应用领域进行案例研究，并从领域专家那里收集反馈。结果证明了HOCG在点异常概述、集体异常检测和异常分析推理过程中的有效性。
