论坛主席：汪云海 中国人民大学

主席介绍：汪云海，中国人民大学信息学院教授，国家级青年人才。主要围绕人机融合的大数据可视分析开展数据管理、数据可视化、数据交互等方面的研究，在ACM SIGMOD、ACM SIGCHI、IEEE VIS、IEEE TVCG等领域顶级会议与权威期刊和会议发表论文 70余篇，获得多个领域顶级会议最佳论文奖与提名奖等奖项。曾获得山东省自然科学奖一等奖、中国电子学会科技进步奖二等奖、山东省教学成果奖一等奖等，担任IEEE Trans. on Visualization and Computer Graphics、 Computer Graphics Forum、 IEEE Computer Graphics and Applications、计算机辅助设计与图形学学报等期刊编委。

时间：8月16日 15:40-17:30

地点：会议室308

论坛主席：夏佳志 中南大学

主席介绍：夏佳志，中南大学教授、博士生导师，中南大学计算机学院副院长，入选国家级青年人才。主要研究领域为数据可视化、计算机图形学。主持了国家自然科学基金联合基金重点项目、军科委重点课题、湖南省杰出青年科学基金、企业合作课题等多项项目，获IEEE VIS 2020 最佳论文提名，IEEE CAD/Graphics 2017最佳论文，曾任IEEE VIS 2023-2024 Poster co-chair， ChinaVis 2021 论文共同主席， ChinaVis 2019-2020 前沿综述共同主席，《计算机辅助设计与图形学学报》编委，《Frontiers of Computer Science》青年编委，《Visual Informatics》青年编委。

时间：8月16日 15:40-17:30

地点：会议室308

论坛讲者：巫英才 浙江大学

讲者介绍：巫英才，浙江大学长聘教授、长江学者，任计算机科学与技术学院副院长、CAD&CG全国重点实验室副主任，主要研究可视分析、大数据智能与人机交互。任IEEE TVCG、《软件学报》、《计算机辅助设计与图形学学报》等编委，IEEE VIS 2022-2023、IEEE PacificVis 2017等论文主席。发表IEEE VIS、TVCG等CCF A类论文80多篇，牵头主持国家重点研发计划重点专项2项、国家基金委重点支持类项目2项等。

报告题目：ChartGPT: Leveraging LLMs to Generate Charts from Abstract Natural Language

时间：8月16日 15:40-17:30

地点：会议室308

报告摘要：由于大型语言模型（LLM）展现出卓越的理解和推理能力，它们开始被广泛应用于可视化图表的自动生成。本报告将首先概述LLM在可视化图表生成中的最新进展。随后，将详细介绍ChartGPT系统，这是一个基于LLM技术，能够从抽象的自然语言描述中生成有效的图表。本报告还将展示一个特别设计的可视化交互界面，通过这个界面，用户可以实时检查和调整图表生成的每一步。最后，本报告将探讨ChartGPT在提升图表生成效率和准确性方面的有效性及其潜在的应用前景。

论坛讲者：曾伟 香港科技大学（广州）

讲者介绍：曾伟博士，香港科技大学（广州）助理教授，博士生导师，新加坡南洋理工大学计算机专业本科（2011）和博士（2015）学位。研究聚焦于交互式数据可视化方法，协调人工智能与人类认知推理能力的融合，研究成果应用于智慧城市、AIGC等领域，发表论文60余篇，包括30余篇的CCF A/B类、20余篇IEEE/ACM Transactions一作/通讯高水平论文，获VINCI、ChinaVis、ICIV最佳论文/提名奖。受邀担任Visual Informatics、Journal of Big Data编委，VINCI 2023国际会议程序委员会主席，长期担任IEEE VIS、ChinaVis、VINCI等国际会议的程序委员会委员。

报告题目：大模型时代下探索式数据分析新范式：机会与挑战

时间：8月16日 15:40-17:30

地点：会议室308

报告摘要：传统探索式数据分析依赖数据可视化，面临着复杂可视化设计和主观偏差等挑战。大模型的出现为探索式数据分析带来了全新的范式，用户可以直接向模型提出问题，并即时获得基于数据的回答。在这一新范式中，数据的视觉表征扮演着关键角色，将海量复杂的数据转化为直观易懂的视觉信息，不仅使得数据更易于用户理解，还有助于大模型发现数据中隐藏的模式和关系。然而，这一范式也面临着诸多挑战，例如，如何构建高度泛化能力的视觉表征方法，如何确保大模型维持结果的准确性和一致性，以及更好地融合用户的意图交互和分析需求。本报告将介绍课题组在此方向的最新工作。首先，在时间序列分析领域，通过将时变数据转化为多维度视觉表征，使得数据中的变化、趋势和异常等模式变得更加易于大模型识别，弥补大模型在捕捉数据趋势方面的不足，提升用户决策和分析的效率。其次，通过对图表这一特定视觉表征形式的细粒度视觉编码进行深入研究，促进多模态大语言模型能够更加准确地解析图表结构和内容，从而显著提高图表问答任务（CQA）的准确性。

论坛讲者：万瑶 华中科技大学

讲者介绍：万瑶，博士，华中科技大学副教授，2019年获得浙江大学计算机科学与技术专业博士学位。曾于2016年和2018年分别访问悉尼科技大学与伊利诺伊大学芝加哥分校。主要研究基于自然语言处理和程序分析的代码智能技术。在ICSE、FSE、ASE、ISSTA、SIGMOD、ICLR、ACL、EMNLP、NAACL等软件工程和人工智能顶级会议发表论文10余篇。发起了首个代码智能开源平台NaturalCC。曾担任ACL、EMNLP、NAACL、AAAI、SIGKDD、ISSTA等国际会议程序委员会委员/审稿人/领域主席。

报告题目：基于大语言模型的自动可视化探索

时间：8月16日 15:40-17:30

地点：会议室308

报告摘要：在数据可视化领域，自然语言驱动的自动可视化（NL2Vis）极大地帮助用户实现更友好的数据分析。尽管目前已提出多种深度学习方法，但在处理来源未知的数据库或跨多个数据表的情况时，仍存在显著挑战。随着大语言模型（ChatGPT）的兴起，其卓越的语言理解和生成能力已被广泛应用于多种自然语言处理任务。面对自动数据可视化任务，本报告将从表格数据如何输入大模型、大模型与传统深度学习模型性能的对比，以及交互式更新策略等多个角度探索了大模型在自动数据可视化中的可行性。展示了大语言模型在自动数据可视化领域具有强大的潜力，为自动可视化提供了新的思路和技术方案。

论坛讲者：李权 上海科技大学

讲者介绍：李权，上海科技大学信息科学与技术学院助理教授（终身教授序列）、研究员、博士生导师，从事人工智能及可视分析、可解释性机器学习以及人机交互技术的研究。他博士毕业于香港科技大学计算机科学与工程学系。任中国图象图形学学会可视化与可视分析专委会委员，IEEE VIS Paper程序委员会委员、ChinaVis论文国际程序委员会委员、IEEE VIS, EuroVis, PacificVis, ChinaVis, ACM CHI/CSCW及TVCG等顶级学术会议期刊审稿人，他曾任美国佐治亚理工学院计算机科学与工程学院的访问研究员、微众银行人工智能部资深研究员及网易游戏资深研究员。他的学术成果发表在IEEE VIS, EuroVis, IEEEPacificVis, ACM CHI, CGF, TVCG等可视化及人机交互顶级期刊和会议。主持国家自然科学基金面上项目。

报告题目：基于交互式可视分析的多准则人工智能与人类协作

时间：8月16日 15:40-17:30

地点：会议室308

报告摘要：AI的发展使人机协作成为决策中的重要议题。为了提高决策质量，我们需要结合人类的直觉经验和机器的数据处理能力。多准则决策涉及权衡不同利益点和处理大量信息，是决策者的挑战。可视分析技术在人类决策者和AI之间起到了桥梁的作用，决策者可以快速识别数据中的趋势和异常，使决策过程更具交互性和透明度。在本报告中，我们提出集成了以AI或人类先行的两种模式的分析框架，并探讨这种框架在“MOBA 职业赛场的英雄挑选“和”招生招聘中材料评审“场景下的应用。

论坛讲者：陈思明 复旦大学

讲者介绍：陈思明，复旦大学大数据学院青年研究员，博士生导师，上海市高层次引进人才，复旦大学可视分析与智能决策实验室负责人（FDUVIS）。曾任德国弗劳恩霍夫智能分析和信息系统研究所（Fraunhofer IAIS）研究科学家与德国波恩大学的博士后研究员。复旦学士（2011）、北大博士（2017）。从事大数据可视化与可视分析的研究，主要研究方向包括：AI+VIS、大模型驱动的可视分析、社交媒体分析、自动驾驶、金融科技、数字孪生等，共发表论文100余篇，其中在IEEE VIS，IEEE TVCG, ACM CHI, CSCW，UIST等顶级国际可视化与人机交互会议以及期刊(CCF A)上发表30余篇文章。曾获评AI2000十年间国际可视化研究最有影响力提名奖(全球100名)，主持、参与国家、省部级项目十余项，担任IEEE VIS 国际程序委员会委员，IEEE CG&A国际期刊副主编，Visual Informatics期刊青年编委、IEEE PacificVis论文（VizNotes）主席，ChinaVis数据分析挑战赛主席，VGI Geovisual Analytics Workshop地理时空可视分析研讨会共同主席等。

报告题目：大模型驱动的智能可视分析初探

时间：8月16日 15:40-17:30

地点：会议室308

报告摘要：可视分析是融合可视化、人机交互与数据挖掘的学科，如何在可视分析中做到更好的人机协同是一个很有挑战的问题。传统的可视分析面临着人类探索负担重、机器学习模式固定、无法针对交互动态做出反应及总结等问题。大模型的出现给这一挑战带来了新的解决方案与思路。我们探索了如何将大模型的能力融合进可视分析中，提出一套智能可视分析流程。我们将大模型应用在可视分析的三个阶段：可视分析的初始探索、交互分析与分析结果总结三个阶段。即用户接触一个可视分析系统，大模型能够自动拆解其中的视图，并且整合出入门引导给用户，降低其学习的难度；当用户在交互地探索复杂任务时，大模型能够基于对数据与用户交互历史和探索目标，给出相应的交互探索建议；最后在用户探索完之后，大模型能够总结出用户的探索发现过程，以故事叙述的方式呈现。我们同时探讨大模型与可视分析融合的一些经验，供大家分享与参考。