ModelLogVis:面向模型服务的日志异常可视分析方法

利用深度学习模型训练和运行维护过程产生的海量日志信息,进行模型的优化与故障排查,是当前人工智能运维的研究热点.针对现有工作缺少模型工作流分析的问题,提出面向模型服务的日志异常可视分析方法ModelLogVis.该方法采用日志异常检测方法定位模型工作流中的潜在故障,帮助用户聚焦主要的故障类型;支持用户从数据流、状态、实例性能和原始日志等多个角度对工作流中的事件进行交互式可视化与分析,快速、准确地排查问题.通过真实的模型服务数据的案例研究和专家访谈,证明ModelLogVis方法可高效地辅助用户快速挖掘日志中的异常信息.

面向计算机程序的可视化综述

计算机程序是由开发者使用编程语言编写、被计算机识别并执行的一系列指令.大型程序源代码通常逻辑复杂,句法抽象,造成较大的认知困难.计算机程序可视化以直观形象的方法呈现计算机程序的代码结构、执行过程和运行结果,增强用户理解和调试程序的能力.从程序执行流程出发,根据程序执行的前、中、后3个阶段分析其可视化目标,并介绍已有可视化方法.在程序执行前阶段,使用可视化对代码组织和潜在异常进行多层级、多维度的展示;在程序执行中阶段,利用可视化辅助算法理解、运行调试和状态监测;在程序执行后阶段,运用可视化进行性能评估优化和异常检测.介绍程序可视化在在线编程调试、算法可视化等多种应用场景下的实际应用案例.最后,总结程序可视化现阶段工作的分类以及存在的不足,并指出高泛化性的算法理解可视化和教育领域的运行调试可视化等是未来工作的研究方向.

面向比特币交易网络的拓扑结构可视探索方法

分析比特币交易网络有助于人们理解交易者在比特币交易中的交易模式.比特币交易网络的匿名性和其巨大的规模使得用户很难在分析前对整个交易网络产生大致的认知.提出了一种基于拓扑结构推荐的比特币交易网络可视分析方法.核心思想是为每个节点生成一个向量化表达,在用户交互的基础上,所提算法即可检测一系列相似的结构.案例分析证明了系统能够支持用户对比特币交易中的交易模式进行探索和分析.

面向时序数据异常检测的可视分析综述

时序数据中的异常检测指的是在时序上去检测分析数据中异常的特征、趋势或模式.自动化的异常检测方法常会忽略细微的、模糊的、不确定的异常.可视分析通过对数据的可视表达和可视界面,集成用户和数据挖掘的能力.首先总结异常检测的挑战;然后从异常类型(属性、拓扑和混合)和异常检测方法(直接投影法、聚类方法和机器学习方法)2个角度对面向时序数据异常检测的可视分析工作进行分类和总结;最后阐述了未来的研究方向.

联邦学习可视化:挑战与框架

联邦学习是一种保证数据隐私安全的分布式机器学习方案.与传统的机器学习的可解释性问题类似,如何对联邦学习进行解释是一个新的挑战.文中面向联邦学习方法的分布式与隐私安全性的特性,探讨联邦学习的可视化框架设计.传统的可视化任务需要使用大量的数据,而联邦学习的隐私性决定了其无法获取用户数据.因此,可用的数据主要来自服务器端的训练过程,包括服务器端模型参数和用户训练状态.基于对联邦学习可解释性的挑战的分析,文中综合考虑用户、服务器端和联邦学习模型3个方面设计可视化框架,其包括经典联邦学习模型、数据中心、数据处理和可视分析4个模块.最后,介绍并分析了2个已有的可视化案例,对未来通用的联邦学习可视分析方法提出了展望.

元宇宙背景下的C语言程序设计教学方式探索

根据元宇宙的特点,提出元宇宙教学的3个可行方向:混合式教学、虚拟仿真和数据智能,并基于C语言程序设计教学案例阐明教学方法,最后讨论未来的探索方向。