时间 ： 2021年01月28日 14: 00
地点 ： 望江校区基础教学楼B座318实验室
研读成员 ： 李季倬、杨啸
Part 1
分享者 ：李季倬
[1] S. D. Bartolomeo, Y. Zhang, F. Sheng and C. Dunne, "Sequence Braiding: Visual Overviews of Temporal Event Sequences and Attributes," in IEEE Transactions on Visualization and Computer Graphics, doi: 10.1109/TVCG.2020.3030442.
[2] Z. Jin, S. Guo, N. Chen, D. Weiskopf, D. Gotz and N. Cao, "Visual Causality Analysis of Event Sequence Data," in IEEE Transactions on Visualization and Computer Graphics, doi: 10.1109/TVCG.2020.3030465.
论文简介 ：
[1]本文介绍了SEQUENCE BRAIDING，一种使用分层有向非循环网络的时序事件序列和属性的新颖概览可视化方法。该方法顺序编织在视觉上同时对齐多事件和属性组，并支持事件的任意顺序，缺失和重复。通过比较实验，表明SEQUENCE BRAIDING可以帮助用户更快地理解高级模式和趋势。
[2]本文介绍了一种视觉分析方法，用于恢复事件序列数据中的因果关系。在Hawkes流程上扩展了Granger因果分析算法，以将用户反馈纳入因果模型精炼中。本文提出了一个交互式因果分析框架，该框架支持自下而上的因果关系探索，迭代因果关系验证和细化以及通过一组新颖的可视化和交互作用进行因果关系比较。通过案例研究与用户反馈证明了系统的实用性。
Part 2
分享者 ： 杨啸
[1] Hundman K, Constantinou V, Laporte C, et al. Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding[C]//Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining. 2018: 387-395.
[2] Wexler J, Pushkarna M, Bolukbasi T, et al. The what-if tool: Interactive probing of machine learning models[J]. IEEE transactions on visualization and computer graphics, 2019, 26(1): 56-65.
论文简介 ：
[1]随着航天器发回越来越多的遥测数据，需要改进异常检测系统，以减轻操作工程师的监控负担，降低操作风险。目前的航天器监测系统仅针对异常类型的一个子集，并且由于涉及规模和复杂性的挑战，通常需要昂贵的专家知识来开发和维护。文章使用来自SMAP卫星和火星科学实验室(MSL)火星车好奇号的专家标记遥测异常数据，证明了长短期记忆网络在克服这些问题方面的有效性。文章还提出了一种在SMAP异常检测系统试点实施期间开发的非监督和非参数异常阈值方法，并提供了一定的策略来减少假阳性。
[2]在这个可解释的机器学习时代，仅仅进行模型训练并从中获得预测的结果已经无法让人感到信服。从事机器学习的人经常需要检查和分析他们构建或使用的模型。理解一个模型什么时候表现好或差，以及输入的扰动如何影响输出能够帮助分析人员改进模型。
What-If Tool 是一种交互式的可视化工具，旨在研究机器学习模型，缩写为 WIT。它能够让人检查，评估和比较机器学习模型，从而可以理解分类或回归模型。 由于其友好的用户界面和对复杂编码的较少依赖，开发人员，产品经理，研究人员或学生都可以将其用于自己的分析过程中。目前该工具已经融入到TensorBoard中并开源，同时也支持在Jupyter和Colaboratory中使用。
