本文转发自FDUVIS可视分析与智能决策实验室
陈思明老师，数据科学重点实验室成员
导 语
2024年10月13日-18日，可视化领域顶级会议IEEE VIS: Visualization & Visual Analytic召开。IEEE VIS是CCF A类会议，论文全部收录至期刊IEEE TVCG (CCF A)中，同年发表的TVCG论文也受邀在会议中报告。
在本次会议上，数据科学重点实验室成员陈思明老师团队的同学们汇报了在大模型驱动的智能可视分析、高维数据可解释性、时空数据可视分析等多领域的多项工作。硕士生高琳汇报了面向教育的大模型可视分析微调策略，博士生赵宇恒汇报了大模型驱动的智能可视分析研究，博士生邵则开汇报了高维数据投影的可解释性研究，博士生单弋报告了时空异构数据异常检测可视分析方法，硕士生邱天汇报了关于知识图谱的异常检测可视分析方法。
五天的会议不仅充满了学术干货，也让大家在交流中碰撞出许多新想法，收获满满！
论文汇报 01
硕士生高琳在分会场 Look, Learn, Language Models报告了论文《Fine-Tuned Large Language Model for Visualization System: A Study on Self-Regulated Learning in Education》
内容简介：大型语言模型在智能可视化系统中展现出了巨大的潜力，尤其是在特定领域的应用中。然而，将大语言模型整合到可视化系统中也面临着挑战，我们将这些挑战归类为三个对齐方向：与领域问题的对齐、与可视化的对齐和与交互的对齐。为实现这些对齐，我们提出了一个概念性框架以及对应的工作流程，指导并应用经过微调的大语言模型以增强特定领域任务的可视化交互。这些对齐挑战在教育领域尤为重要，特别是智能可视化系统来支持初学者的自我调节学习。因此，我们将该框架应用于教育领域，开发了Tailor-Mind系统，旨在促进人工智能初学者自我调节学习的互动式过程。
Tailor-Mind系统界面示意图
[1] Gao, Lin, Jing Lu, Zekai Shao, Ziyue Lin, Shengbin Yue, Chiokit Ieong, Yi Sun, Rory James Zauner, Zhongyu Wei, and Siming Chen. "Fine-tuned large language model for visualization system: A study on self-regulated learning in education." IEEE Transactions on Visualization and Computer Graphics (Vis'24). https://ieeevis.b-cdn.net/vis_2024/pdfs/v-full-1096.pdf
论文汇报 02
博士生赵宇恒在分会场 Natural Language and Multimodal Interaction汇报了论文《LEVA: Using Large Language Models toEnhance Visual Analytics》
内容简介：可视分析是解决复杂领域问题的重要工具，它支持对数据进行深入分析。然而，由于数据类型、视觉设计和交互设计的多样性，用户在使用可视分析工具时往往需要处理和回忆大量信息。这种复杂性突显了对更为智能化的可视分析方法的迫切需求。鉴于大型语言模型在解释各类文本数据方面已显示出其优势，我们提出了一个结合大型语言模型的智能可视分析框架（LEVA）。该框架旨在提升用户在可视分析工作流中的体验，涵盖系统学习、探索和总结三个阶段。基于该框架，我们进一步探索了如何将LEVA有效地集成到现有可视分析系统中，从而显著提升用户的可视分析效率。
LEVA工作流程示意图
[2] Zhao, Yuheng, Yixing Zhang, Yu Zhang, Xinyi Zhao, Junjie Wang, Zekai Shao, Cagatay Turkay, and Siming Chen. "LEVA: Using large language models to enhance visual analytics." IEEE Transactions on Visualization and Computer Graphics (2024). https://ieeexplore.ieee.org/document/10458347
论文汇报 03
博士生邵则开在分会场 Dimensionality Reduction汇报了论文《Interpreting High-Dimensional Projections With Capacity》。
内容简介：降维（Dimensionality Reduction）算法广泛用于分析高维数据，加强可解释性十分重要。我们提出了一种基于capacity的度量和一种基于此定义的通用与算法无关的方法，用于评估和分析降维结果。基于我们的方法，我们开发了一个可视化分析系统 HiLow，用于探索高维数据和投影。我们还提出了一种混合主动推荐算法，可帮助用户以交互方式改变降维结果。用户可以通过 HiLow比较交互前后数据分布的差异。此外，我们提出了一种新颖的可视化设计，专注于对高维和低维数据分布之间差异的定量分析。最后，用户实验及数值实验验证了我们的方法以及系统的有效性。
HiLow方法介绍
[3] Zhang, Yang, Jisheng Liu, Chufan Lai, Yuan Zhou, and Siming Chen. "Interpreting High-Dimensional Projections With Capacity." IEEE Transactions on Visualization and Computer Graphics (2023). https://ieeexplore.ieee.org/document/10313136
IEEE VAST Challenge挑战赛 01
博士生单弋在IEEE VAST Challenge挑战赛分会场报告了获奖作品《Visual Analytics for Detecting Illegal Transport Activities》。
内容简介：这项工作提出了一种可视分析系统，支持对多源异构时空数据的匹配和异常检测，从而实现对非法运输活动的检测。该系统的主要贡献在于其以分析为驱动的交互设计。
作品获得IEEE VAST挑战赛 Award， IEEE VAST Challenge 2024 MC2 Award for Analysis-Driven Interaction Design。
[4] Shan, Yi, Aolin Guo, Zekai Shao, Tian Qiu, Xueli Shu, Qianhui Li, Siming Chen. VADITA: Visual Analytics for Detecting Illegal Transport Activities. In Proceedings of the IEEE Conference on Visualization and Visual Analytics (VAST Challenge, Award for analysis-driven interaction design), 2024.
IEEE VAST Challenge挑战赛 02
硕士生邱天汇报了《FishEye Watcher: A Visual Analytics System for Knowledge Graph BiasDetection》。
内容简介：这项工作设计了一个可视分析系统，从文本和知识图谱两个维度寻找异常点的完整流程。该工作的主要贡献在于使用力导向图的生成原理对知识图谱中的节点进行自动化地聚类（如系统界面示意图所示，高质量公司与违法公司自动形成了两个聚类，帮助用户快速发现异常）。
作品获得了IEEE VAST挑战赛Honorable Mention，IEEE VAST Challenge 2024 MC1 Honorable Mention for Effective Use of Coordinated Views to Interrogate Bias。
[5] Qiu Tian, Yi Shan, Xueli Shu, Aolin Guo, Qianhui Li, Meng Guo, and Siming Chen, FishEye Watcher: A Visual Analytics System for Knowledge Graph Bias Detection. In Proceedings of the IEEE Conference on Visualization and Visual Analytics (VAST Challenge, Honorable Mention for Effective Use of Coordinated Views to Interrogate Bias), 2024.
此外，陈思明老师受邀主持了Session: Urban Planning, Construction, and Disaster Management。https://ieeevis.org/year/2024/program/session_full8.html
