Soutenance de thèse de Vincent Raveneau (équipe DUKe)

Vincent Raveneau, doctorant au sein de l’équipe DUKe, soutiendra sa thèse intitulée « Interaction en Analyse Visuelle Progressive. Une application à la fouille progressive de motifs séquentiels » / « Interaction in Progressive Visual Analytics. An application to progressive sequential pattern mining« 

mercredi 4 novembre 2020 à 15h30 à Polytech. Diffusion en direct sur Youtube : https://vraveneau.github.io/

Jury :
– Directeur thèse : Yannick Prié
– Co- encadrant : Julien Blanchard
– Rapporteurs : Adam Perer (Carengie Mellon University), Nicolas Labroche (U Tours/LIFAT)
– Autres membres : Béatrice Daille, Jean Daniel (Inria Saclay)

Résumé : Le paradigme de Progressive Visual Analytics (PVA) a été proposé en réponse aux difficultés rencontrées par les Visual Analytics lors du traitement de données massives ou de l’utilisation d’algorithmes longs, par l’usage de résultats intermédiaires et par l’interaction entre humains et algorithmes en cours d’exécution. Nous nous intéressons d’abord à la notion d’“interaction”, mal définie en PVA, dans le but d’établir une vision structurée de ce qu’est l’interaction avec un algorithme en PVA. Nous nous intéressons ensuite à la conception et à l’implémentation d’un système et d’un algorithme progressif de fouille de motifs séquentiels, qui permettent d’explorer à la fois les motifs et les données sous-jacentes, en nous concentrant sur les interactions entre analyste et algorithme. Nos travaux ouvrent des perspectives concernant 1/ l’assistance de l’analyste dans ses interactions avec un algorithme dans un contexte de PVA; 2/ une exploration poussée des interactions en PVA; 3/ la création d’algorithmes native- ment progressifs, ayant la progressivité et les
interactions au cœur de leur conception.

Mots-clés : Analyse Visuelle Progressive, Fouille Progressive de Motifs, Fouille de Motifs Séquentiels, Interaction, Données Séquentielles

Abstract: The Progressive Visual Analytics (PVA) paradigm has been proposed to alleviate difficulties of Visual Analytics when dealing with large datasets or time-consuming algorithms, by using intermediate results and interactions between the human and the running algorithm. Our work is twofold. First, by considering that the notion of “interaction” was not well defined for PVA, we focused on providing a structured vision of what in- teracting with an algorithm in PVA means. Second, we focused on the design and implementation of a progressive sequential pattern mining algorithm and system, allowing to explore both the patterns and the underlying data, with a focus on the analyst/algorithm interactions. The perspectives opened by our work deal with 1/ assisting analysts in their interactions with algorithm in PVA setting s; 2/ further exploring interaction in PVA ; 3/ creating natively progressive algorithms, for which progressiveness and interaction are at the core of the design.

Keywords: Progressive Visual Analytics, Progressive Pattern Mining, Sequential Pattern Mining, Interaction, Sequential Data