Domaine de recherche

Historiquemenent, mes recherches portent sur l’analyse, la compréhension et l’exploration de grande quantité de données. Elles se placent dans un secteur de recherche en pleine effervescence : la visualisation d'informations. Cet intérêt est dû à l'augmentation permanente du nombre d'informations stockées sur des supports informatiques. L’objectif de mes travaux de recherche est l'élaboration d'outils permettant la visualisation de telles données. Plus précisément, ces recherches s'orientent vers les données pouvant être modélisées sous forme de graphes. Un exemple connu est le graphe induit pas la structure des pages WEB. D'autres secteurs, comme celui de la bio-informatique, disposent également de données sous forme de graphes, par exemple les structures secondaires d’ARN ou les réseaux d’interaction de protéines.


Pour en savoir plus voici mon HDR

Dernièrement, je travaille sur la prise en compte de la problématique de l’analyse interactive des données du « big data ». Ce projet a commencé en 2014. Dans ce cadre nous avons repensé, réinventé nos méthodes pour leur permettre de tirer profit des infrastructures BigData mais aussi pour intégrer les contraintes liées à leur utilisation. Ceci nous a permis de mettre en place de nouvelles méthodes de visualisation pour ces architectures. L’avantage majeur des approches que nous avons proposées est qu’elles permettent d’obtenir une scalabilité horizontale de nos visualisations. Dans ce cadre nous avons obtenu des résultats majeurs sur la visualisation interactive de graphes et de données multidimensionnelles.


Ces résultats significatifs ainsi que notre montée en compétence sur les "big data" nous permettent maintenant d'orienter nos recherches vers un nouveau domaine d'application: l'explicabilité des intelligences artificielles. Dans ce cadre nous avons obtenu plusieurs financements (Région, ANR) et trois doctorants sous ma direction ont déjà commencé à travailler sur ce domaine très prometteur. Nous avons déjà plusieurs publications dans le domaine. L'utilisation de nos compétences en "BigVisualisation" pour l'"Explaneable AI" est au centre du projet de recherche que je vais mener dans les années à venir. Un autre axe que je vais développer parallèlement est l’utilisation des IA pour évaluer et améliorer les techniques de visualisation.


Encadrement de thèses

2020-- Luc-Etienne Pomme-Casseirrou
Sujet : Visualisation pour l’explication des réseaux de neurones profonds.

2019-- Adrien Halnaut (50%) avec Romain Giot
Sujet : Méthodes et outils d'analyse visuelle pour la compréhension, l'optimisation et l'élaboration de modèles de réseaux de neurones profonds.

2017--2021 Chritsophe Dumora en co-encadrant (33%) avec J.Bigot et V.Couailler (IMB Maths)
Sujet : Approche "Smart Cities" pour l'analyse de la chloration de l'eau dans les réseaux de distribution.

2016--2019 Gaëlle Richer, en co-encadrant (50%) avec Romain Bourqui
Sujet : Visualisation interactive sur les architecture Big Data

2014--2018 Antoine Hinge
Sujet : Algorithmes de visualisation de grands graphes dans le contexte du Big Data

2014--2017 Alexandre Perrot
Sujet: La visualisation d’information à l’ère du Big Data : résoudre les problèmes de scalabilité par l’abstraction multi-échelle

2013--2017 Joris Sansen co-encadrant(20%) avec Romain Bourqui
Sujet: Visualisation de données multi-dimensionnelles dans le contexte du Big Data

2009--2012 Antoine Lambert co-encadré avec Guy Melançon
Sujet : Visualisation interactive de graphes : élaboration et optimisation d'algorithmes à coûts computationnels élevés.

2008--2012 Frédéric Gilbert, co-encadré avec Maylis Delest
Sujet : Modèles et méthodes pour l’analyse et la visualisation de données multidimensionnelles dynamiques

2007--2011 Paolo Simonetto, co-encadré avec Guy Melançon
Sujet : Visualisation of Overlapping Sets and Clusters with Euler Diagrams

2005--2008 Romain Bourqui, co-encadré avec Maylis Delest
Sujet : Décomposition et Visualisation de graphes : Applications aux Données Biologiques

2004--2008 Daniel Archambault, co-encadré avec Tamara Munzner
Sujet : Feature-based graph visualization