Génération et Évaluation de Visualisations avec des techniques d'Apprentissage Automatique

Generation and Evaluation of Visualizations with Machine Learning Techniques

• Auteur / Autrice : Loann Giovannangeli
• Direction : Romain Bourqui
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 20/11/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Jury : Président / Présidente : Akka Zemmari
• Jury : Examinateurs / Examinatrices : Guy Melançon, Arnaud Sallaberry
• Jury : Rapporteurs / Rapporteuses : Alexandru C. Telea, Daniel Archambault

Mots clés

Mots clés contrôlés

Visualisation

Apprentissage automatique

Apprentissage profond

Mots clés libres

Visualisation

Évaluation

Apprentissage Automatique

Apprentissage Profond

Visualization

Evaluation

Machine Learning

Deep Learning

Résumé

L'essor de l'Internet des Objets, des modèles de stockage et de traitement des données a conduit à une explosion de la quantité et de la complexité des données que nous collectons aujourd'hui. Pour mieux les comprendre et les manipuler, les experts ont recours à des visualisations de l'information. Cependant, la complexité nouvelle des données rend inefficace des techniques de visualisation utilisées jusqu'alors. Il est donc nécessaire de concevoir de nouvelles techniques de visualisation et de revoir les méthodes d'évaluation qui permettent de mesurer leur efficacité.Cette thèse présente des contributions sur deux aspects principaux du domaine de la Visualisation d'Information : la génération et l'évaluation automatique de visualisations. Pour ces deux axes, nos travaux tirent parti des techniques d'apprentissage automatique, notamment profond, qui ont démontré leurs capacités à traiter efficacement des grands volumes de données. Les cas d'applications des contributions présentées dans ce manuscrit utilisent des modèles d'apprentissage automatique pour le Dessin de Graphe par représentation Nœud-Lien, la Suppression de Chevauchements dans des nuages de points, et l'Évaluation automatique de Visualisations.

The rise of the Internet of Things, data storage and management models has led to an explosion in the quantity and complexity of the data we collect today. To understand these data and better manipulate them, experts are relying on information visualization. However, the actual complexity of these new data makes former visualizations ineffective. It becomes necessary to design new visualization techniques and review the evaluation methods used to measure their effectiveness.This thesis presents contributions to the field of Information Visualization on two main aspects: automatic generation and evaluation of visualizations. For these two axes, our work leverages machine and deep learning techniques that have demonstrated their ability to efficiently process large volumes of data. The applications of the contributions presented in this manuscript make use of Machine and Deep Learning models for Graph Drawing with Node-Link representations, Overlap Removal in point clouds (scatter plots), and Automated Evaluation of Visualizations.