4月26日是PacificVis 2019 的最后一天。当日上午的活动主要包括两个论文报告。第一个报告的主题是Narratives, Surveys, and Historical Visualizations，在这个session中主要包括四篇论文以及一篇短文。第二个session的主题是机器学习以及高维数据，主要有三篇长文以及两篇短文。
第一个session中的其中一个主题是narratives，narrative在可视化中是辅助用户理解的一个重要的手段。来自法国Inria的Aviz实验室的陈晴博士介绍了她在香港科技大学的博士期间完成的工作，主要的动机是目前可视分析系统中的分析过程非常复杂，用户难以了解可视分析系统中的交互探索流程，本文主要通过幻灯片的方式介绍该分析探索的流程。
来自法国Inria的陈晴博士介绍工作
在narrative主题中的另外一个工作是来自于University of Stuttgart的可视化实验室，他们将应用场景放在具体的数据中，他们发现在小说中的人物关系非常复杂，主要是通过可视分析的方法帮助用户了解并且交互探索在小说中的人物之间的关系。
来自德国University of Stuttgart的Markus John介绍工作
除帮助用户通过narrative的方式帮助用户理解数据之外，在本session中的工作还包括在可视分析在不同的领域以及不同的应用场景中的应用，主要包括大量的任务传记的数据中交互探索的可视分析工具，跟踪博物馆中的访客数据的可视分析工具，以及针对历史的火灾数据设计的可视分析系统。
机器学习是在可视化领域中的热点问题，使用机器学习驱动可视化是非常重要的手段。第二个session的主题是Machine Learning and High-Dimensional Data，在这个session中主要包括三篇论文以及两篇短文。
北大可视化与可视分析研究组提出一种采用深度学习方法的体数据可视化方法。本工作提出了多辨别器生成对抗网络。对于一个体数据，传递函数不需要显示表达，模型可以以视角参数和目标效果图像作为输入隐式地学习传递函数并且直接生成相同效果相同视角参数下的图像。因此，用户可以通过一张静态渲染结果交互式探索体数据，交互过程中会产生新的视角参数，该模型可以并且直接合成新视角下相同渲染效果的结果。模型可以合成对应视角下新的渲染结果。此渲染结果可以和真实的结果仅具有细小的差异。
北京大学可视化实验室刘灿介绍深度学习驱动的体绘制的工作
深度神经网络（Deep Neural Networks, DNN）由于其卓越的性能而被广泛用于多个学科。然而，在大多数情况下，DNN被认为是黑盒子，对其内部工作机制的解释通常具有挑战性。鉴于模型信任通常建立在对模型如何工作的理解的基础上，DNN的解释变得更加重要，特别是在安全关深度神经网络（Deep Neural Networks, DNN）由于其卓越的性能而被广泛用于多个学科。然而，在大多数情况下，DNN被认为是黑盒子，对其内部工作机制的解释通常具有挑战性。鉴于模型信任通常建立在对模型如何工作的理解的基础上，DNN的解释变得更加重要，特别是在安全关在安全关键应用（safety-critical applications，例如医疗诊断、自动驾驶）中。在本文中，作者提出DeepVID，一个用来视觉解释和诊断DNN模型（特别是图像分类器）的深度学习方法。
来自Visa Research的Liang Guo博士介绍工作
详细而言，他们训练了一个局部忠实（locally-faithful）的小模型，以模仿感兴趣的特定数据实例周围的原始繁琐的DNN的行为，并且局部模型（local model）足够简单，以便可以在视觉上解释（例如，线性模型）。知识蒸馏（knowledge distillation）用于转移知识从繁琐的DNN到小模型，并使用深度生成模型（如变分自动编码器，variational auto-encoder）来生成围绕感兴趣的实例的邻居。那些具有小特征差异和语义含义的邻居，可以有效地进行探测DNN围绕感兴趣的实例的行为，并帮助小模型学习这些行为。
俄亥俄州立大学Ko-Chih Wang介绍工作
宇宙学家使用不同的初始参数为宇宙的进化建立模拟。 通过探索数据集不同的模拟运行，宇宙学家可以理解我们宇宙的进化并接近其初始条件。 如今的宇宙模拟可以生成大小为千万亿字节（petabyte）的数集。将数据集从超级计算机移动到后期数据分析中是不可行的。 他们提出了一种称为统计超级分辨率（statistical super-resolution）的新方法解决宇宙学数据的分析和可视化的大数据问题。
它使用来自少数模拟运行的数据集以创建先验知识，捕获低分辨率和高分辨率数据之间的关系。 他们应用原位统计下采样（in situ statistical down sampling）到模拟运行生成的数据集以最小化I / O带宽和存储的要求。 高分辨率数据集由统计下采样数据并利用科学家的先验知识重建，用来执行高级数据分析并呈现高质量的可视化。
在分类模型中，现有的性能分析工具不提供可操作的原因，例如错误分类的原因，来自韩国亚洲大学的Chanhee Park 等人提出了一个交互式可视化分析系统，用于诊断多分类模型的性能。 该系统能够比较多个模型，发现弱点，以改进多分类模型。
来自韩国亚洲大学的Chanhee Park介绍工作
物体检测需要使用最初需要人类标记的数据的迭代训练过程。 后期开发阶段需要对大量未标记数据进行训练和调参。 来自日本三菱电子研究实验室的Teng-Yok Lee提出了一种称为时空切片的可视化方法，以帮助人类开发人员开发用物体检测器，而无需标记数据。 时空切片揭示了检测数据中的模式如误报或者漏报并且可以辅助调整参数。
会议主办方与马匡六教授合影
在上午的两个session结束之后，大会主席以及会议的组组织人员表达了对大家参会的感谢，并且宣布本次会议的圆满举办。
天津大学张加万教授介绍2020年PacificVis的举办时间
2020年PacificVis将在中国天津举办，来自天津大学的张加万教授介绍了天津的情况并且对大家表示热烈的欢迎。张加万教授同时也介绍了将今年七月份将在成都举办的中国可视分析大会。
评论关闭。