PhD thesis

Interaction in Progressive Visual Analytics. Application to Progressive Sequential Pattern Mining. Vincent Raveneau, 2020, 188p.
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 interacting 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 settings; 2/ further exploring interaction in PVA ; 3/ creating natively progressive algorithms, for which progressiveness and interaction are at the core of the design.
  • Béatrice Daille (University of Nantes, president)
  • Adam Perer (Carnegie Mellon University, reviewer)
  • Nicolas Labroche (University of Tours, reviewer)
  • Jean-Daniel Fekete (INRIA, examiner)
  • Yannick Prié (University of Nantes, advisor)
  • Julien Blanchard (University of Nantes, co-supervisor)
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 humain et algorithmes en cours d'exécution. Nous nous intéressons d'abord à la notion d'\enquote{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 algorithm dans un contexte de PVA; 2/ une exploration poussée des interactions en PVA; 3/ la création d'algorithmes nativement progressifs, ayant la progressivité et les interactions au cœur de leur conception.
Béatrice Daille (Université de Nantes, presidente), Adam Perer (Carnegie Mellon University, rapporteur), Nicolas Labroche (Université de Tours, rapporteur), Jean-Daniel Fekete (INRIA, examinateur), Yannick Prié (Université de Nantes, directeur), Julien Blanchard (Université de Nantes, co-encadrant).


PPMT is a web-based tool that allows a progressive exploration of temporal data. Its development was done during my PhD thesis, and the software itself is one of the main contributions of this work. A live instance of PPMT is hosted at the university of Nantes, at PPMT has been released under the GPLv3.0 open-source licence.

Thesis defense

I defended my PhD thesis remotely, and the event was recorded and streamed live on Youtube. Here are some useful links: