视觉信息学4(2020)71PacificVis 2020研讨会上关于可视化与AI马宽柳a,沈汉威b,a美利坚合众国加利福尼亚大学戴维斯分校b美利坚合众国俄亥俄州立大学ar t i cl e i nf o文章历史记录:2020年4月3日网上发售数据可视化的任务通常涉及设计步骤,这需要数据领域的知识和可视化方法才能完成。由于设计优化的巨大空间随着近年来人工智能技术的复苏,在可视化领域,应用人工智能进行数据转换并协助生成可视化的兴趣和机会越来越大,旨在在成本和质量之间取得平衡使用可视化来增强AI是另一个活跃的研究方向。PacificVis 2020可视化与人工智能研讨会旨在通过促进可视化研究人员和从业者之间的沟通来探索这一新兴的研究和实践领域。本期视觉信息学专题介绍了研讨会选出的Yiran Li et al.介绍一种可视化分析系统,用于比较基于树的机器学习方法对患者记录的预测的可靠性和可解释性。PiyushChawla等人开发一种技术来分析基于CNN情感分析模型,其中它们可以识别句子中的每个词对分类结果的贡献。本文还展示了如何使用该技术进 行对抗性分析。Rongchen Guo等人开发了基于自动编码器的相似性计算和序列比对方 法, 以支 持患 者记录 的比 较分析 Jingyi Shen et al.使用autoencoder和LSTM对来自中国音乐集合的谱图数据进行编码,并显示潜变量可以成功区分音符和不同的中国乐器。LoannGiovannangeli等人试图了解人类和计算机视觉方法之间的相关性,以评估具有机器学习的图形可视化技术最后,Wenbin He等人提出了一个深度学习模型来比较科学集成模型并自动分类仿真输出。该技术可用于显示两个仿真模型在何处以及何时一致和不一致。这个特刊代表了可视化和人工智能研究交叉领域当前研究工作的一个横截面。我们预计,这一新兴的研究方向将继续增长,并很快对这两个研究领域产生长期影响。*通讯作者。电子邮件地址:ma@cs.ucdavis.edu(K.-L.Ma),hwshen@cse.ohio-state.edu(H.-W.Shen)。https://doi.org/10.1016/j.visinf.2020.04.0072468- 502 X/©2020作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。这是一个在CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表视觉信息学期刊主页:www.elsevier.com/locate/visinf