首个序列视觉语言数据集的发布，这个数据集中包含 81,743 张唯一图片和 20,211 个序列，旨在探讨其在视觉叙事任务中的应用，建立多个强劲的基础模型以及推动基于自动度量标准的进展，为模拟具象和比喻、社交语言提供了可能，从而推动人工智能不断向更接近人类理解的基于事件结构和主观表达的方向发展。

Apr, 2016

该研究利用 VIST 数据集，提出了一个模型，通过隐式学习提供的角色之间的关系，生成关注的角色的故事，旨在解决基于图像序列生成故事时，模型忽略可能存在的人和动物角色的问题。

Sep, 2019

将图像序列转化为可解释的视觉前缀，结合预训练语言模型和规划，利用问题 - 答案对作为蓝图计划选择显著的视觉概念，并确定它们如何组织成故事，生成更连贯、有趣和自然的故事。

Oct, 2023

本研究采集了用户行为的全面数据集，并提出了时间序列分类方法的分析方法。通过对经典的 Covid-19 数据分析应用进行用户研究，我们发现用户行为在可视分析过程中可以区分，并且用户的物理行为与其执行的可视化任务存在潜在的强关联。我们还通过解释可视分析的开放会话来展示我们模型的用法，为研究感知过程提供了一种自动化的方式，避免了繁琐的手动标注。

Nov, 2023

利用一阶马尔可夫过程基于复杂网络来可视化时间序列，以更好地保留时间依赖性和频率结构，并提供更好的可视化探索和统计分析。

Oct, 2016

通过需要发现研究与领域专家的大量需求研究，本文建立了显著时间步骤的多方面定义，并提出了利用自动编码器和动态规划来促进用户驱动的时间选择的新方法。通过结构特征、统计变化和距离惩罚，实现更灵活的选择，并利用用户指定的优先级、空间区域和聚合来结合不同的视角。通过案例研究、定量评估和专家访谈，设计和实施了一个基于 Web 的界面，以实现高效的、上下文感知的时间步骤选择，并评估其效果和可用性。

Mar, 2024

本文提出了一个可视化分析工作流程，以支持全局和局部解释的无缝转换，重点是基于时间序列分类的属性和反事实分析，通过采用本地 XAI 技术（归因），将其应用于传统数据集（图像，文本）来分析时间序列分类，进而生成全局概览。

Jul, 2023

SCO-VIST 框架使用图表示形式，结合语义和基于发生的边权重，通过 Floyd-Warshall 算法生成视觉叙事。在多个指标上，该框架在视觉根植性、连贯性、多样性和人性上优于其他模型，经过自动和人工评估。

Feb, 2024

本文开发了一种基于个性化、多变量时间点过程的新型统计模型，用于对移动健康应用中的人类行为建模，以得出未来用户行为及其时机的准确预测。

Feb, 2018

本研究提出了一个新颖的问题，即视频时间轴建模，目的是通过一组与特定主题相关的视频创建与视频相关的时间轴，从而促进对所讲述故事的内容和结构的理解。通过构建一个现实的基准数据集 YouTube-News-Timeline，并提出了一套量化指标来全面评估和比较方法，我们进一步开发和评估了探索性的深度学习方法来解决这个问题。我们预计这项开拓性工作将为视频时间轴建模的进一步研究铺平道路。

Sep, 2023