2021年春季学期视觉计算实验室第二周论文研读预告

时间: 2021年3月10日(周三) 09 : 30
地点: 望江校区基础教学楼B座318实验室
研读成员: 李长林 王心翌

Part1
分享者:李长林
分享内容:
[1] Gehrmann S, Strobelt H, Krüger R, et al. Visual interaction with deep learning models through collaborative semantic inference[J]. IEEE transactions on visualization and computer graphics, 2019, 26(1): 884-894.
[2] Ancona M, Beyeler M, Gross M, et al. Minetime insight: Visualizing meeting habits to promote informed scheduling decisions[J]. IEEE transactions on visualization and computer graphics, 2019.
论文简介:
[1] 当人类失去对决策过程的代理时,任务的自动化会产生严重的后果。由于目前的黑盒方法缺乏可解释的推理,深度学习模型尤其容易受到影响。本文认为,深度学习系统的可视化界面和模型结构都需要考虑交互设计,提出了一个协同语义推理(CSI)框架,用于交互和模型的协同设计,以实现人与算法之间的可视化协作。该方法揭示了模型的中间推理过程,允许与问题的视觉隐喻进行语义交互,这意味着用户可以理解和控制模型推理过程的部分内容。最后通过一个共同设计的文档摘要系统的案例研究来证明CSI的可行性。

图1 CSI系统概览图

[2] 公司会议是业务活动的重要组成部分。尽管许多学术论文研究了如何使会议安排过程更快,甚至自动,但很少有工作做,以促进回顾推理的时间是如何花在会议上。传统的日历应用程序不允许用户提取可操作的统计数据,尽管反映导向的设计可以增加用户对其习惯的理解,从而鼓励转向更好的实践。本文提出了mine - time Insight,这是一种由多个协调视图组成的工具,用于探索个人日历数据,其总体目标是改进短期和长期调度决策。尽管本文关注的是工作环境,但工作建立在个人视觉分析领域的最新成果之上,因为它针对的用户不一定是可视化和数据分析方面的专家。本文展示了矿时洞察的潜力,当应用于执行经理的议程时。最后,本文讨论了非正式用户研究和实地研究的结果,研究结果表明,该视觉表现被认为是容易理解的,并有助于改变调度习惯。

图2 MineTime Insight系统概览图

Part2
分享者:王心翌
分享内容:生物信息——RNA-RBP蛋白结合位点预测
[1] Zhen Shen, Su-Ping, De-Shuang Huang. RNA-Protein Binding Sites Prediction via Multi Scale Convolutional Gated Recurrent Unit Networks.[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2019.
[2] Zhen Shen, Qinhu Zhang, Kyungsook Han, et al. A Deep Learning Model for RNA-Protein Binding Preference Prediction based on Hierarchical LSTM and Attention Network[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, PP(99):1-1.

论文简介:
[1] RNA-蛋白质结合在基因表达领域发挥着重要作用。随着高通量测序技术的发展,人们提出了几种传统的方法和基于深度学习的方法来预测RNA-蛋白质结合的偏好。然而这些方法未能考虑不同翻译因子(TF)长度的差异性,都使用相同尺寸的卷积核来提取TF特征。为了克服上述局限性,本篇文章提出了一种利用多尺度卷积层和双向门控递归单元(GRU)层相结合的预测模型。多尺度卷积层能够捕捉不同长度的TF特征,双向GRU层能够捕捉子序间的依赖关系。实验结果表明,该方法在该领域的性能优于四种最先进的方法。

图3 MSCGRU工作流程图

[2] 注意机制具有在序列中发现重要信息的能力,RNA序列中可以与蛋白质结合的区域比不能与蛋白质结合的区域更重要。本篇文章的作者使用LSTM来提取RNA序列中不同位点之间的相关性特征,并使用注意力机制来评估RNA序列中不同位点的重要性。通过超参数实验得到了k-mer长度、k-mer步长窗口、k-mer语句长度、k-mer语句步长窗口和优化函数的最优组合。实验结果表明,该方法的性能优于其他方法。

图4 HLARPBP工作流程图