Soutenance de mon HDR le 11 juillet 2012 devant le jury composé de Michèle SEBAG, Jean-Daniel FEKETE, Gérard GOVAERT, Younès BENNANI, Michel VERLEYSEN.
Update on Oct 18, 2015 to make animations visible using http://fr.slideshare.net/dgomezpr/slideshare-with-animations
http://www.dia.uniroma3.it/~rimondin/downloads.php
1. APPROCHES TOPOLOGIQUES POUR
L’ANALYSE EXPLORATOIRE DE DONNÉES
ET L’AIDE À LA DÉCISION
SOUTENANCE D’HABILITATION A DIRIGER DES RECHERCHES
11 juillet 2012
Michaël Aupetit
Expert senior CEA
CEA LIST
Laboratoire Information, Modèles et Apprentissage
CEA | 10 AVRIL 2012
2. CONTEXTE
DES DONNEES A LA DECISION
APPROCHE TOPOLOGIQUE
DEUX AXES DE RECHERCHES
VISUALISATION TOPOLOGIQUE IN SITU
MODELISATION TOPOLOGIQUE IN SITU
PERSPECTIVES
CONCLUSION
| PAGE 2
CEA | 10 AVRIL 2012
23. CONTEXTE
| PAGE 6CEA | 11 JUILLET 2012
Années
Une explosion technologique
D’un monde sans machines…
24. CONTEXTE
| PAGE 6CEA | 11 JUILLET 2012
Années
…à un monde fortement instrumenté
et automatisé.
Une explosion technologique
D’un monde sans machines…
25. CONTEXTE
| PAGE 7CEA | 11 JUILLET 2012
Temps en années
Un monde toujours incertain
26. CONTEXTE
| PAGE 7CEA | 11 JUILLET 2012
Temps en années
Un monde toujours incertain
D’une nature qui dicte ses lois…
27. CONTEXTE
| PAGE 7CEA | 11 JUILLET 2012
Temps en années
Un monde toujours incertain
D’une nature qui dicte ses lois… …à une technologie
qui génère des solutions…
28. …mais aussi des calamités
CONTEXTE
| PAGE 7CEA | 11 JUILLET 2012
Temps en années
Un monde toujours incertain
D’une nature qui dicte ses lois… …à une technologie
qui génère des solutions…
29. CONTEXTE
| PAGE 8CEA | 11 JUILLET 2012
Temps en années
Face aux incertitudes, un besoin inné de comprendre et de contrôler
30. CONTEXTE
| PAGE 8CEA | 11 JUILLET 2012
Du graphique pour communiquer…
Temps en années
Face aux incertitudes, un besoin inné de comprendre et de contrôler
31. CONTEXTE
| PAGE 8CEA | 11 JUILLET 2012
Du graphique pour communiquer…
Temps en années
Face aux incertitudes, un besoin inné de comprendre et de contrôler
… au graphique pour comprendre et agir
32. DES DONNÉES À LA DÉCISION
| PAGE 9
CEA | 10 AVRIL 2012
33. DES DONNÉES À LA DÉCISION
| PAGE 10CEA | 11 JUILLET 2012
34. DES DONNÉES À LA DÉCISION
Des données au modèle
Agir c’est modifier le monde
| PAGE 10CEA | 11 JUILLET 2012
35. DES DONNÉES À LA DÉCISION
Des données au modèle
Agir c’est modifier le monde
Pour bien agir, il faut prédire les conséquences de
nos actes
| PAGE 10CEA | 11 JUILLET 2012
36. DES DONNÉES À LA DÉCISION
Des données au modèle
Agir c’est modifier le monde
Pour bien agir, il faut prédire les conséquences de
nos actes
Pour prédire il faut un modèle simulable du
système réel sur lequel on agit
| PAGE 10CEA | 11 JUILLET 2012
37. DES DONNÉES À LA DÉCISION
Des données au modèle
Agir c’est modifier le monde
Pour bien agir, il faut prédire les conséquences de
nos actes
Pour prédire il faut un modèle simulable du
système réel sur lequel on agit
Pour calibrer ce modèle, il faut des données
observées sur le système réel
| PAGE 10CEA | 11 JUILLET 2012
38. DES DONNÉES À LA DÉCISION
Des données au modèle
Agir c’est modifier le monde
Pour bien agir, il faut prédire les conséquences de
nos actes
Pour prédire il faut un modèle simulable du
système réel sur lequel on agit
Pour calibrer ce modèle, il faut des données
observées sur le système réel
Pour acquérir ces données, on instrumente le
système réel
| PAGE 10CEA | 11 JUILLET 2012
39. DES DONNÉES À LA DÉCISION
Les modèles statistiques
Les données sont des individus, mesures simultanées
de plusieurs variables (pression, température, vitesse,
débit, densité…)
| PAGE 11CEA | 11 JUILLET 2012
40. DES DONNÉES À LA DÉCISION
Les modèles statistiques
Les données sont des individus, mesures simultanées
de plusieurs variables (pression, température, vitesse,
débit, densité…)
Hypothèse Statistique
- l’ensemble des individus forme un échantillon
supposé issu d’une population plus vaste mais
inobservable suivant une certaine fonction densité
de probabilité
| PAGE 11CEA | 11 JUILLET 2012
41. DES DONNÉES À LA DÉCISION
Les modèles statistiques
Les données sont des individus, mesures simultanées
de plusieurs variables (pression, température, vitesse,
débit, densité…)
Hypothèse Statistique
- l’ensemble des individus forme un échantillon
supposé issu d’une population plus vaste mais
inobservable suivant une certaine fonction densité
de probabilité
Inférence Bayésienne [Jayne 2003]
- Estimer les paramètres d’un modèle de la
population à partir de l’échantillon et d’une
hypothèse a priori
| PAGE 11CEA | 11 JUILLET 2012
42. DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
43. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Système réel
44. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Système réel
Chaîne de mesure
45. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Représentation
Système réel
Chaîne de mesure
Modèle descriptif
46. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Représentation
Système réel
Chaîne de mesure
Modèle descriptif
47. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Représentation
Système réel
Chaîne de mesure
Modèle descriptif
48. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Représentation
Système réel
Chaîne de mesure
Modèle descriptif
49. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Représentation
Système réel
Chaîne de mesure
Modèle descriptif
50. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Système réel
Chaîne de mesure
Modèle descriptif
51. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde subjectif
Système réel
Chaîne de mesure
Modèle descriptif
52. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde objectif
Monde subjectif
Système réel
Chaîne de mesure
Modèle descriptif
53. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
Modèles prédictifs pour l’analyse confirmatoire et l’inférence
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde objectif
Monde subjectif
Système réel
Chaîne de mesure
Modèle descriptif
54. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
Modèles prédictifs pour l’analyse confirmatoire et l’inférence
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde objectif
Monde objectif
Monde subjectif
Système réel
Chaîne de mesure
Modèle descriptif
55. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
Modèles prédictifs pour l’analyse confirmatoire et l’inférence
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde objectif
Monde objectif
Monde subjectif
Système réel
Chaîne de mesure
Modèle descriptif
56. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
Modèles prédictifs pour l’analyse confirmatoire et l’inférence
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde objectif
Monde objectif
Monde subjectif
Modèle prédictif
Action
(taux de réussite
73.4992%)
Système réel
Chaîne de mesure
Modèle descriptif
57. Deux types de modèles [Tukey 1977]
Modèles descriptifs pour l’analyse exploratoire de donnée
Modèles prédictifs pour l’analyse confirmatoire et l’inférence
DES DONNÉES À LA DÉCISION
| PAGE 12CEA | 11 JUILLET 2012
Exploration et décision
Représentation
Monde objectif
Monde objectif
Monde subjectif
Modèle prédictif
Action
(taux de réussite
73.4992%)
Système réel
Monde subjectif
Chaîne de mesure
Modèle descriptif
60. Le besoin d’interprétabilité
DES DONNÉES À LA DÉCISION
| PAGE 13CEA | 11 JUILLET 2012
Modèle
Adjacence des terres,
mers, fleuves,
montagnes…
Longues distances,
formes…
Vitesse du vent,
pression,
plus court chemin…
Système réel
61. Le besoin d’interprétabilité
DES DONNÉES À LA DÉCISION
| PAGE 13CEA | 11 JUILLET 2012
Modèle
Adjacence des terres,
mers, fleuves,
montagnes…
Longues distances,
formes…
Vitesse du vent,
pression,
plus court chemin…
Système réel
62. Le besoin d’interprétabilité
En pratique
- système réel inconnu
- décisions prises à partir du modèle
DES DONNÉES À LA DÉCISION
| PAGE 13CEA | 11 JUILLET 2012
Modèle
Adjacence des terres,
mers, fleuves,
montagnes…
Longues distances,
formes…
Vitesse du vent,
pression,
plus court chemin…
Système réel
63. Le besoin d’interprétabilité
En pratique
- système réel inconnu
- décisions prises à partir du modèle
Nécessité de distinguer
- la part de réalité reproduite par le modèle
- la part d’artifice introduite par le modèle
DES DONNÉES À LA DÉCISION
| PAGE 13CEA | 11 JUILLET 2012
Modèle
Adjacence des terres,
mers, fleuves,
montagnes…
Longues distances,
formes…
Vitesse du vent,
pression,
plus court chemin…
Système réel
64. Le besoin d’interprétabilité
En pratique
- système réel inconnu
- décisions prises à partir du modèle
Nécessité de distinguer
- la part de réalité reproduite par le modèle
- la part d’artifice introduite par le modèle
Le modèle doit être interprétable
DES DONNÉES À LA DÉCISION
| PAGE 13CEA | 11 JUILLET 2012
Modèle
Adjacence des terres,
mers, fleuves,
montagnes…
Longues distances,
formes…
Vitesse du vent,
pression,
plus court chemin…
Système réel
65. DES DONNÉES À LA DÉCISION
| PAGE 14CEA | 11 JUILLET 2012
66. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
| PAGE 14CEA | 11 JUILLET 2012
67. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
| PAGE 14CEA | 11 JUILLET 2012
68. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
| PAGE 14CEA | 11 JUILLET 2012
69. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
| PAGE 14CEA | 11 JUILLET 2012
70. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
71. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
72. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
73. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
- hiérarchie de modèles simples (empan mnésique 7),
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
74. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
- hiérarchie de modèles simples (empan mnésique 7),
- transparent (montre les relations élémentaires)
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
75. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
- hiérarchie de modèles simples (empan mnésique 7),
- transparent (montre les relations élémentaires)
- prévisible (confiance)
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
76. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
- hiérarchie de modèles simples (empan mnésique 7),
- transparent (montre les relations élémentaires)
- prévisible (confiance)
- complet (non muet)
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
77. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
- hiérarchie de modèles simples (empan mnésique 7),
- transparent (montre les relations élémentaires)
- prévisible (confiance)
- complet (non muet)
- contextualisé (fournit une référence)
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
78. DES DONNÉES À LA DÉCISION
Les conditions de l’interprétabilité
Interaction avec l’analyste
- se forger une représentation mentale (subjective) dont le
modèle est l’implémentation objective
- s’investir dans la conception du modèle [Gibson 1979]
pour corréler perceptions et actions : changer
interactivement de points de vue
- « On ne connaît un objet qu’en agissant sur lui et en le
transformant » [Piaget 1970]
Elément d’une famille de modèles interprétables
- hiérarchie de modèles simples (empan mnésique 7),
- transparent (montre les relations élémentaires)
- prévisible (confiance)
- complet (non muet)
- contextualisé (fournit une référence)
- sensé (reliant au sens fourni a priori)
| PAGE 14CEA | 11 JUILLET 2012
Exploration
interactive
Modèle interprétable
79. L’interprétabilité pour l’aide à la décision
Conception interactive du modèle par analyse exploratoire
DES DONNÉES À LA DÉCISION
| PAGE 15CEA | 11 JUILLET 2012
80. L’interprétabilité pour l’aide à la décision
Conception interactive du modèle par analyse exploratoire
DES DONNÉES À LA DÉCISION
| PAGE 15CEA | 11 JUILLET 2012
Système réel
Exploration et décision
Modèle descriptif
Représentation
81. L’interprétabilité pour l’aide à la décision
Conception interactive du modèle par analyse exploratoire
Exploitation du modèle prédictif implémentation objective du modèle mental subjectif
DES DONNÉES À LA DÉCISION
| PAGE 15CEA | 11 JUILLET 2012
Système réel
Exploration et décision
Modèle descriptif
Représentation
82. L’interprétabilité pour l’aide à la décision
Conception interactive du modèle par analyse exploratoire
Exploitation du modèle prédictif implémentation objective du modèle mental subjectif
DES DONNÉES À LA DÉCISION
| PAGE 15CEA | 11 JUILLET 2012
Système réel
Exploration et décision
Modèle descriptif
Représentation
Modèle prédictif
interprétable
Action
Système réel
(taux de réussite
100%)
83. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
| PAGE 16CEA | 11 JUILLET 2012
84. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
| PAGE 16CEA | 11 JUILLET 2012
symbolique (conventionnel)
85. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
| PAGE 16CEA | 11 JUILLET 2012
symbolique (conventionnel) analogique (perceptuel)
86. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
| PAGE 16CEA | 11 JUILLET 2012
symbolique (conventionnel) analogique (perceptuel)
87. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
88. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
89. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
- Théorie psychologique de la Gestalt [1920]
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
90. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
- Théorie psychologique de la Gestalt [1920]
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
91. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
- Théorie psychologique de la Gestalt [1920]
- le tout est plus que la somme des parties
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
92. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
- Théorie psychologique de la Gestalt [1920]
- le tout est plus que la somme des parties
- loi de continuité
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
93. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
- Théorie psychologique de la Gestalt [1920]
- le tout est plus que la somme des parties
- loi de continuité
- loi de proximité
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
94. DES DONNÉES À LA DÉCISION
La visualisation comme canal de transmission vers l’analyste
Deux modes de représentation graphique
Propriétés du canal visuel
- Plus grande bande passante de tous nos sens
- Perception pré-attentive diminue la charge cognitive [Triesman 1985]
- Théorie psychologique de la Gestalt [1920]
- le tout est plus que la somme des parties
- loi de continuité
- loi de proximité
- loi de similitude
| PAGE 16CEA | 11 JUILLET 2012
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
Pour compter le nombre de
e dans un texte il faut
le scanner totalement.
symbolique (conventionnel) analogique (perceptuel)
95. DES DONNÉES À LA DÉCISION
Qu’est-ce qu’une bonne représentation graphique?
Objectif de la représentation graphique
- corréler les variables abstraites (informations topologique, statistiques et
géométriques) aux variables graphiques (position, couleur, forme des
glyphes…) en minimisant la charge cognitive (perception pré-attentive)
| PAGE 17CEA | 11 JUILLET 2012
96. DES DONNÉES À LA DÉCISION
Qu’est-ce qu’une bonne représentation graphique?
Objectif de la représentation graphique
- corréler les variables abstraites (informations topologique, statistiques et
géométriques) aux variables graphiques (position, couleur, forme des
glyphes…) en minimisant la charge cognitive (perception pré-attentive)
Critères
- expressivité (ne montrer que le nécessaire)
- efficacité (choix des bonnes variables graphiques)
- vérité (toute valeur estimée est montrée avec son incertitude)
| PAGE 17CEA | 11 JUILLET 2012
Age
mari
Age
femme
I1 20 19
I2 42 37
I3 35 38
… … …
97. DES DONNÉES À LA DÉCISION
Qu’est-ce qu’une bonne représentation graphique?
Objectif de la représentation graphique
- corréler les variables abstraites (informations topologique, statistiques et
géométriques) aux variables graphiques (position, couleur, forme des
glyphes…) en minimisant la charge cognitive (perception pré-attentive)
Critères
- expressivité (ne montrer que le nécessaire)
- efficacité (choix des bonnes variables graphiques)
- vérité (toute valeur estimée est montrée avec son incertitude)
| PAGE 17CEA | 11 JUILLET 2012
Agefemme
Age mari
Age
mari
Age
femme
I1 20 19
I2 42 37
I3 35 38
… … …
98. DES DONNÉES À LA DÉCISION
Qu’est-ce qu’une bonne représentation graphique?
Objectif de la représentation graphique
- corréler les variables abstraites (informations topologique, statistiques et
géométriques) aux variables graphiques (position, couleur, forme des
glyphes…) en minimisant la charge cognitive (perception pré-attentive)
Critères
- expressivité (ne montrer que le nécessaire)
- efficacité (choix des bonnes variables graphiques)
- vérité (toute valeur estimée est montrée avec son incertitude)
| PAGE 17CEA | 11 JUILLET 2012
Agefemme
Age mari
Age
mari
Age
femme
I1 20 19
I2 42 37
I3 35 38
… … …
Aha!
Age femme = k1* Age mari + k2
99. DES DONNÉES À LA DÉCISION
Qu’est-ce qu’une bonne représentation graphique?
Objectif de la représentation graphique
- corréler les variables abstraites (informations topologique, statistiques et
géométriques) aux variables graphiques (position, couleur, forme des
glyphes…) en minimisant la charge cognitive (perception pré-attentive)
Critères
- expressivité (ne montrer que le nécessaire)
- efficacité (choix des bonnes variables graphiques)
- vérité (toute valeur estimée est montrée avec son incertitude)
| PAGE 17CEA | 11 JUILLET 2012
Agefemme
Age mari
Age
mari
Age
femme
I1 20 19
I2 42 37
I3 35 38
… … …
Aha!
Age femme = k1* Age mari + k2
« The purpose of visualization is insight, not pictures » Ben Schneiderman, 2008
100. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
Réalité
101. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
Réalité
Capteurs
102. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
103. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
104. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
105. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
106. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
107. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsion possible
108. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsion possible
109. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsion possible
110. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsions
géométriques
et topologiques
Distorsion possible
111. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsions
géométriques
et topologiques
Nb de pixels,
rendu des couleurs…
Distorsion possible
112. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Nb de pixels,
rendu des couleurs…
Distorsion possible
113. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Distorsion possible
114. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
115. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Expérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
116. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Choix
capteursExpérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
117. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Filtrage
Choix
capteursExpérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
118. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Filtrage
Encodage graphique
Choix
capteursExpérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
119. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Filtrage
Encodage graphique
Réglage
écran
Choix
capteursExpérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
120. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Filtrage
Encodage graphique
Réglage
écran
Choix
capteursExpérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
Port de
lunettes
121. DES DONNÉES À LA DÉCISION
Chaîne de visualisation : des capteurs aux neurones
V1 V2
I1 2 3.4
I2 1 -0.7
I3 0.33 4
… … …
N
D
Réalité
Capteurs
Mesures (données brutes)
Nuage dans IR2
Espace de représentation
- Choix individus et variables abstraites,
- Codage géométrique
- Choix des variables graphiques
Rendu , type d’écran
Perception visuelle
Cognition
Filtrage
Encodage graphique
Réglage
écran
Choix
capteursExpérience
Distorsions
géométriques
et topologiques
Acuité visuelle
perception des couleurs…
Illusions cognitives,
biais d’attention,
croyance a priori…
Nb de pixels,
rendu des couleurs…
Action possible
Distorsion possible
Concentration,
apprentissage
Port de
lunettes
123. APPROCHE TOPOLOGIQUE
Notions de base
La Topologie étudie, caractérise (invariants) et
classes les espaces
Deux espaces ont même topologie si et
seulement s’ils sont homéomorphes, liés par
une fonction H continue de réciproque H-1
continue
| PAGE 20CEA | 11 JUILLET 2012
124. APPROCHE TOPOLOGIQUE
Notions de base
La Topologie étudie, caractérise (invariants) et
classes les espaces
Deux espaces ont même topologie si et
seulement s’ils sont homéomorphes, liés par
une fonction H continue de réciproque H-1
continue
| PAGE 20CEA | 11 JUILLET 2012
125. APPROCHE TOPOLOGIQUE
Notions de base
La Topologie étudie, caractérise (invariants) et
classes les espaces
Deux espaces ont même topologie si et
seulement s’ils sont homéomorphes, liés par
une fonction H continue de réciproque H-1
continue
| PAGE 20CEA | 11 JUILLET 2012
x’ = H(x)
H H-1
126. APPROCHE TOPOLOGIQUE
Notions de base
La Topologie étudie, caractérise (invariants) et
classes les espaces
Deux espaces ont même topologie si et
seulement s’ils sont homéomorphes, liés par
une fonction H continue de réciproque H-1
continue
| PAGE 20CEA | 11 JUILLET 2012
x’ = H(x)
H H-1
127. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Conditions pour obtenir un bon modèle prédictif (capacités de généralisation)
- régularité, continuité du phénomène modélisé
- des causes voisines engendrent des effets voisins
| PAGE 21CEA | 11 JUILLET 2012
Prédiction ?
présent
présent
Prédiction ?
128. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Conditions pour obtenir un bon modèle prédictif (capacités de généralisation)
- régularité, continuité du phénomène modélisé
- des causes voisines engendrent des effets voisins
| PAGE 21CEA | 11 JUILLET 2012
présent
présent
Prédiction ?
129. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Conditions pour obtenir un bon modèle prédictif (capacités de généralisation)
- régularité, continuité du phénomène modélisé
- des causes voisines engendrent des effets voisins
| PAGE 21CEA | 11 JUILLET 2012
présent
présent
130. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
| PAGE 22CEA | 11 JUILLET 2012
131. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
| PAGE 22CEA | 11 JUILLET 2012
132. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
| PAGE 22CEA | 11 JUILLET 2012
133. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
- Connexités préservées par homotopies
| PAGE 22CEA | 11 JUILLET 2012
134. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
- Connexités préservées par homotopies
| PAGE 22CEA | 11 JUILLET 2012
U
Isométries Similitudes Homéomorphismes Homotopies
U
U
Objet initial
Connexité
Topologie
Probabilités
Géométrie
135. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
- Connexités préservées par homotopies
Fiabilité
| PAGE 22CEA | 11 JUILLET 2012
U
Isométries Similitudes Homéomorphismes Homotopies
U
U
Objet initial
Connexité
Topologie
Probabilités
Géométrie
136. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
- Connexités préservées par homotopies
Fiabilité
- Il est plus probable que la chaîne de mesure soit une homotopie
| PAGE 22CEA | 11 JUILLET 2012
U
Isométries Similitudes Homéomorphismes Homotopies
U
U
Objet initial
Connexité
Topologie
Probabilités
Géométrie
137. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
- Connexités préservées par homotopies
Fiabilité
- Il est plus probable que la chaîne de mesure soit une homotopie
- l’information topologique a plus de chance de survivre à la chaîne de mesure
| PAGE 22CEA | 11 JUILLET 2012
U
Isométries Similitudes Homéomorphismes Homotopies
U
U
Objet initial
Connexité
Topologie
Probabilités
Géométrie
138. APPROCHE TOPOLOGIQUE
Points clefs de l’approche topologique
Robustesse
- Géométrie préservée par isométries (translations, rotations, symétries)
- Probabilités préservées par similitudes (isométries + homothéties)
- Topologie (connexités, dimension, torsion) préservée par homéomorphismes
- Connexités préservées par homotopies
Fiabilité
- Il est plus probable que la chaîne de mesure soit une homotopie
- l’information topologique a plus de chance de survivre à la chaîne de mesure
- l’information topologique est plus fiable que l’information probabiliste ou géométrique
| PAGE 22CEA | 11 JUILLET 2012
U
Isométries Similitudes Homéomorphismes Homotopies
U
U
Objet initial
Connexité
Topologie
Probabilités
Géométrie
140. APPROCHE TOPOLOGIQUE
Gestalt visuelle et Topologie : le principe de fiabilité
Gestalt : loi de similitude « qui se ressemble s’assemble »
| PAGE 23CEA | 11 JUILLET 2012
141. APPROCHE TOPOLOGIQUE
Gestalt visuelle et Topologie : le principe de fiabilité
Gestalt : loi de similitude « qui se ressemble s’assemble »
Principe de fiabilité
- Les objets qui apparaissent immédiatement comme voisins à l’écran (pré-
attentif) doivent être le plus souvent effectivement voisins suivant l’information
à transmettre, afin de diminuer la charge cognitive nécessaire pour
reconstituer l’information qui n’est pas transmise suivant ce principe
| PAGE 23CEA | 11 JUILLET 2012
142. APPROCHE TOPOLOGIQUE
Gestalt visuelle et Topologie : le principe de fiabilité
Gestalt : loi de similitude « qui se ressemble s’assemble »
Principe de fiabilité
- Les objets qui apparaissent immédiatement comme voisins à l’écran (pré-
attentif) doivent être le plus souvent effectivement voisins suivant l’information
à transmettre, afin de diminuer la charge cognitive nécessaire pour
reconstituer l’information qui n’est pas transmise suivant ce principe
| PAGE 23CEA | 11 JUILLET 2012
Sans topologie
143. APPROCHE TOPOLOGIQUE
Gestalt visuelle et Topologie : le principe de fiabilité
Gestalt : loi de similitude « qui se ressemble s’assemble »
Principe de fiabilité
- Les objets qui apparaissent immédiatement comme voisins à l’écran (pré-
attentif) doivent être le plus souvent effectivement voisins suivant l’information
à transmettre, afin de diminuer la charge cognitive nécessaire pour
reconstituer l’information qui n’est pas transmise suivant ce principe
| PAGE 23CEA | 11 JUILLET 2012
Sans topologie Avec topologie
144. APPROCHE TOPOLOGIQUE
Gestalt visuelle et Topologie : le principe de fiabilité
Gestalt : loi de similitude « qui se ressemble s’assemble »
Principe de fiabilité
- Les objets qui apparaissent immédiatement comme voisins à l’écran (pré-
attentif) doivent être le plus souvent effectivement voisins suivant l’information
à transmettre, afin de diminuer la charge cognitive nécessaire pour
reconstituer l’information qui n’est pas transmise suivant ce principe
| PAGE 23CEA | 11 JUILLET 2012
L’information topologique forme le contexte
dans lequel s’interprètent les autres informations
Sans topologie Avec topologie
159. APPROCHE TOPOLOGIQUE
Applications de l’approche topologique
Discrimination semi-supervisée
| PAGE 25CEA | 11 JUILLET 2012
Prise en compte uniquement
des données étiquetées
- 1
+1
160. APPROCHE TOPOLOGIQUE
Applications de l’approche topologique
Discrimination semi-supervisée
| PAGE 25CEA | 11 JUILLET 2012
Prise en compte uniquement
des données étiquetées
- 1
+1
Prise en compte de la connexité
des données non étiquetées
161. APPROCHE TOPOLOGIQUE
Applications de l’approche topologique
Discrimination semi-supervisée
Classification automatique
| PAGE 25CEA | 11 JUILLET 2012
Etat épileptique
Etat normal
Espace des phases EEG [Kalitzin et al. 2010]
Prise en compte uniquement
des données étiquetées
- 1
+1
Prise en compte de la connexité
des données non étiquetées
162. APPROCHE TOPOLOGIQUE
Applications de l’approche topologique
Discrimination semi-supervisée
Classification automatique
Autres applications
- débruitage
- reparamétrage
- préservation de l’interprétabilité dans les systèmes d’inférence floue
| PAGE 25CEA | 11 JUILLET 2012
Etat épileptique
Etat normal
Espace des phases EEG [Kalitzin et al. 2010]
Prise en compte uniquement
des données étiquetées
- 1
+1
Prise en compte de la connexité
des données non étiquetées
165. Topologie et cognition
APPROCHE TOPOLOGIQUE
| PAGE 26CEA | 11 JUILLET 2012
Carte de Kohonen de
différentes trajectoires [Bernard 2009]
Carte rétinotopique d’une souris [Hübener 2003]
166. Topologie et cognition
APPROCHE TOPOLOGIQUE
| PAGE 26CEA | 11 JUILLET 2012
Carte de Kohonen de
différentes trajectoires [Bernard 2009]
Reconstitution de l’organisation de la rétine
à partir des images perçues [leRoux 2007]
Carte rétinotopique d’une souris [Hübener 2003]
167. Topologie et cognition
La sélection Darwinienne d’un encodage neuronal topologique montre l’importance de
l’information topologique dans les processus cognitifs
APPROCHE TOPOLOGIQUE
| PAGE 26CEA | 11 JUILLET 2012
Carte de Kohonen de
différentes trajectoires [Bernard 2009]
Reconstitution de l’organisation de la rétine
à partir des images perçues [leRoux 2007]
Carte rétinotopique d’une souris [Hübener 2003]
168. Topologie et cognition
La sélection Darwinienne d’un encodage neuronal topologique montre l’importance de
l’information topologique dans les processus cognitifs
La grammaire et le langage [Petitot 1991] s’appuient sur les structures topologiques
émergeant de notre système primitif de perception du temps et de l’espace.
APPROCHE TOPOLOGIQUE
| PAGE 26CEA | 11 JUILLET 2012
Carte de Kohonen de
différentes trajectoires [Bernard 2009]
Reconstitution de l’organisation de la rétine
à partir des images perçues [leRoux 2007]
Carte rétinotopique d’une souris [Hübener 2003]
169. Topologie et représentation (Intelligence Artificielle)
Description topologique primitive
APPROCHE TOPOLOGIQUE
| PAGE 27CEA | 11 JUILLET 2012
Descriptions géométriques et probabilistes
s’appuient sur la description topologique
170. Topologie et représentation (Intelligence Artificielle)
Description topologique primitive
Description objective (« réalisme » vs « constructivisme »)
APPROCHE TOPOLOGIQUE
| PAGE 27CEA | 11 JUILLET 2012
Plan objectif P
d’un bâtiment
Plan subjectif P1
du bâtiment
Plan subjectif P2
du bâtiment
Descriptions géométriques et probabilistes
s’appuient sur la description topologique
171. Topologie et représentation (Intelligence Artificielle)
Description topologique primitive
Description objective (« réalisme » vs « constructivisme »)
APPROCHE TOPOLOGIQUE
| PAGE 27CEA | 11 JUILLET 2012
Plan objectif P
d’un bâtiment
Plan subjectif P1
du bâtiment
Plan subjectif P2
du bâtiment
Malgré le système de mesure et l’expérience radicalement différents de chaque observateur,
un invariant topologique persiste entre eux et le monde objectif :
la connexité du plan du bâtiment (encodée par un graphe reliant les pièces)
Descriptions géométriques et probabilistes
s’appuient sur la description topologique
172. APPROCHE TOPOLOGIQUE
Les clefs de l’approche topologique pour l’aide à la décision
Perception visuelle native (Gestalt, traitement pré-attentif rapide)
Description primaire essentielle (Mathématiques)
Robuste des capteurs aux neurones (information objective et partageable)
Essentielle à l’interprétabilité par le principe de fiabilité (carte contextuelle)
Solution de problèmes classiques en fouille de données et apprentissage automatique
Encodée dans le cortex visuel (rôle analytique et plausibilité biologique)
Solution de problèmes fondamentaux de l’Intelligence Artificielle
| PAGE 28CEA | 11 JUILLET 2012
173. DEUX AXES DE RECHERCHE
| PAGE 29
CEA | 10 AVRIL 2012
174. Comment transmettre l’information topologique à l’analyste ?
En 2 dimensions
DEUX AXES DE RECHERCHES
| PAGE 30CEA | 11 JUILLET 2012
175. Comment transmettre l’information topologique à l’analyste ?
En 2 dimensions
DEUX AXES DE RECHERCHES
| PAGE 30CEA | 11 JUILLET 2012
Topologique Statistique Géométrique
Structures sous-jacentes Densités sous-jacentes Formes sous-jacentes
et position des points
Inférence sur la population (modèle prédictif)
Mesure sur l’échantillon (modèle descriptif)
176. Comment transmettre l’information topologique à l’analyste ?
En 2 dimensions
DEUX AXES DE RECHERCHES
| PAGE 30CEA | 11 JUILLET 2012
Topologique Statistique Géométrique
Structures sous-jacentes Densités sous-jacentes Formes sous-jacentes
et position des points
Inférence sur la population (modèle prédictif)
Mesure sur l’échantillon (modèle descriptif)
177. Comment transmettre l’information topologique à l’analyste ?
En 2 dimensions
DEUX AXES DE RECHERCHES
| PAGE 30CEA | 11 JUILLET 2012
Topologique Statistique Géométrique
Structures sous-jacentes Densités sous-jacentes Formes sous-jacentes
et position des points
Inférence sur la population (modèle prédictif)
Mesure sur l’échantillon (modèle descriptif)
178. Comment transmettre l’information topologique à l’analyste ?
En 2 dimensions
DEUX AXES DE RECHERCHES
| PAGE 30CEA | 11 JUILLET 2012
Topologique Statistique Géométrique
Structures sous-jacentes Densités sous-jacentes Formes sous-jacentes
et position des points
Inférence sur la population (modèle prédictif)
Mesure sur l’échantillon (modèle descriptif)
179. Comment transmettre l’information topologique à l’analyste ?
En 2 dimensions
DEUX AXES DE RECHERCHES
| PAGE 30CEA | 11 JUILLET 2012
Topologique Statistique Géométrique
Structures sous-jacentes Densités sous-jacentes Formes sous-jacentes
et position des points
Inférence sur la population (modèle prédictif)
Mesure sur l’échantillon (modèle descriptif)
Problème, en pratique plus de 2 variables à analyser
180. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
En dimension supérieure à 2
| PAGE 31CEA | 11 JUILLET 2012
Données
multivariées
???
181. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
En dimension supérieure à 2
| PAGE 31CEA | 11 JUILLET 2012
Données
multivariées
182. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
En dimension supérieure à 2
| PAGE 31CEA | 11 JUILLET 2012
Données
multivariées
Représentation perceptuelle
Distorsions dues à la projection
Visualisation
d’Information
183. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
En dimension supérieure à 2
| PAGE 31CEA | 11 JUILLET 2012
Données
multivariées
Représentation perceptuelle
Distorsions dues à la projection
Visualisation
d’Information
Représentation symbolique
Connexité préservée par la projection
Apprentissage
Automatique
Modèle topologique objectif
184. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
En dimension supérieure à 2
| PAGE 31CEA | 11 JUILLET 2012
Données
multivariées
Modèle
topologique
subjectif
Représentation perceptuelle
Distorsions dues à la projection
Visualisation
d’Information
Représentation symbolique
Connexité préservée par la projection
Apprentissage
Automatique
Modèle topologique objectif
185. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
En dimension supérieure à 2
| PAGE 31CEA | 11 JUILLET 2012
Données
multivariées
Modèle
topologique
subjectif
Représentation perceptuelle
Distorsions dues à la projection
Visualisation
d’Information
Visualisation topologique in situ
Représentation symbolique
Connexité préservée par la projection
Apprentissage
Automatique
Modèle topologique objectif
Modélisation topologique in situ
186. DEUX AXES DE RECHERCHES
Comment transmettre l’information topologique à l’analyste ?
| PAGE 32CEA | 11 JUILLET 2012
Représentation perceptuelle
Données
multivariées
Visualisation
d’Information
Modèle
topologique
subjectif
Visualisation topologique in situ
202. Ce qui est montré
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
203. Ce qui est montré Ce qui est perçu
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
204. Distorsions de projection
(réduction de dimension, contraintes
topologiques, optima locaux)
Ce qui est montré Ce qui est perçu
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
205. Distorsions de projection
(réduction de dimension, contraintes
topologiques, optima locaux)
Distorsions de perception
(pixels écran, rendu couleurs, acuité visuelle,
illusions perceptuelles, biais cognitifs…)
Ce qui est montré Ce qui est perçu
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
206. Distorsions de projection
(réduction de dimension, contraintes
topologiques, optima locaux)
Distorsions de perception
(pixels écran, rendu couleurs, acuité visuelle,
illusions perceptuelles, biais cognitifs…)
Ce qui est montré Ce qui est perçu
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
207. Distorsions de projection
(réduction de dimension, contraintes
topologiques, optima locaux)
Distorsions de perception
(pixels écran, rendu couleurs, acuité visuelle,
illusions perceptuelles, biais cognitifs…)
Ce qui est montré Ce qui est perçu
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
208. Distorsions de projection
(réduction de dimension, contraintes
topologiques, optima locaux)
Distorsions de perception
(pixels écran, rendu couleurs, acuité visuelle,
illusions perceptuelles, biais cognitifs…)
Ce qui est montré Ce qui est perçu
MI
Distorsions dans la chaîne de visualisation
VISUALISATION TOPOLOGIQUE IN SITU
209. Espace d’origine Espace de projection
[T, MI , MV ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
210. Espace d’origine Espace de projection
[T, MI , MV ] [ ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
211. Faux Voisinages
Espace d’origine Espace de projection
[T, MI , MV ] [ ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
212. Déchirures Faux Voisinages
Espace d’origine Espace de projection
[T, MI , MV ] [ ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
214. ???
Déchirures Faux Voisinages
Espace d’origine Espace de projection
[T, MI , MV ] [ ]
Inférence possible car connaissances externes aux données
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
215. ???
Déchirures Faux Voisinages
Espace d’origine Espace de projection
[T, MI , MV ] [ ]
Inférence possible car connaissances externes aux données
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
216. ???
Déchirures Faux Voisinages
Espace d’origine Espace de projection
[T, MI , MV ] [ ]
Inférence possible car connaissances externes aux données
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
218. Espace de projection
???
Espace d’origine
n’est qu’une estimation de MI
MI = + E
[T, MI , MV ] [ ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
219. Espace de projection
???
Espace d’origine
n’est qu’une estimation de MI
MI = + E
[E] MI
Diagramme
de Shepard
[T, MI , MV ] [ ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
220. Espace de projection
???
Espace d’origine
n’est qu’une estimation de MI
seule ne permet pas de reconstruire MI
MI = + E
[E] MI
Diagramme
de Shepard
[T, MI , MV ] [ ]
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
221. Espace de projection
???
Espace d’origine
n’est qu’une estimation de MI
seule ne permet pas de reconstruire MI
MI = + E
[E] MI
Diagramme
de Shepard
[T, MI , MV ] [ ]
Non interprétable !!!
Distorsions de projection
VISUALISATION TOPOLOGIQUE IN SITU
222. Origine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
223. DéchirureOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
225. Déchirure Faux Voisinage D&FVOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
226. Echelle de couleur 2D
perceptuellement uniforme
D
FV
Déchirure Faux Voisinage D&FVOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
227. Trois règles d’inférence graphique à partir de la projection
Echelle de couleur 2D
perceptuellement uniforme
D
FV
Déchirure Faux Voisinage D&FVOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
228. Trois règles d’inférence graphique à partir de la projection
Aucune distorsion
Le groupe existe
dans l’espace d’origine
Echelle de couleur 2D
perceptuellement uniforme
D
FV
Déchirure Faux Voisinage D&FVOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
229. Trois règles d’inférence graphique à partir de la projection
Aucune distorsion
Le groupe existe
dans l’espace d’origine Chevauchement vrai
Les deux classes
se chevauchent
dans l’espace d’origine
Echelle de couleur 2D
perceptuellement uniforme
D
FV
Déchirure Faux Voisinage D&FVOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
230. Trois règles d’inférence graphique à partir de la projection
Aucune distorsion
Le groupe existe
dans l’espace d’origine Chevauchement vrai
Les deux classes
se chevauchent
dans l’espace d’origine
Séparation vraie
Les deux groupes
sont séparées
dans l’espace d’origine
Echelle de couleur 2D
perceptuellement uniforme
D
FV
Déchirure Faux Voisinage D&FVOrigine
Montrer et E sur la même représentation graphique : CheckViz
[ ][ ][ ][MI]
VISUALISATION TOPOLOGIQUE IN SITU
231. D
FV
[ , E ]
CheckViz
VISUALISATION TOPOLOGIQUE IN SITU
232. D
FV
Classe bleue et classe verte séparées
dans l’espace d’origine
Séparation vraie
[ , E ]
CheckViz
VISUALISATION TOPOLOGIQUE IN SITU
233. D
FV
Classe bleue et classe verte séparées
dans l’espace d’origine
Séparation vraie
[ , E ] [ , E ]CheckViz
VISUALISATION TOPOLOGIQUE IN SITU
234. D
FV
Classe bleue et classe verte séparées
dans l’espace d’origine
Séparation vraie
[ , E ] [ , E ]CheckViz
VISUALISATION TOPOLOGIQUE IN SITU
235. D
FV
Classe bleue et classe verte séparées
dans l’espace d’origine
Séparation vraie
[ , E ] [ , E ]
Classe rouge morcelée
dans l’espace d’origine
Aucune distorsion
CheckViz
VISUALISATION TOPOLOGIQUE IN SITU
236. Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
VISUALISATION TOPOLOGIQUE IN SITU
237. Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
VISUALISATION TOPOLOGIQUE IN SITU
238. Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
239. MS*
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
240. MS*
Déchirure
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
241. MS*MS*
Déchirure
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
242. MS*MS*
Déchirure Déchirure
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
243. MS*MS*
MS*
Déchirure Déchirure
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
244. MS*MS*
MS*
Déchirure Déchirure
Déchirure
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
245. MS*
MS*MS*
MS*
Déchirure Déchirure
Déchirure
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
246. MS*
MS*MS*
MS*
Déchirure Déchirure
Déchirure Faux voisinage
[ , MI ]
Montrer et MI sur la même représentation graphique : ProxiViz
[ ]
Non interprétable !!!
[ , E ]
VISUALISATION TOPOLOGIQUE IN SITU
CheckViz
252. GTM GTM + ProxiViz
Les données Oil Flow (1000 individus, 3 classes, 12 variables) sont projetées (à droite) par une carte topographique
générative (GTM). La classe verte semble formée de deux composantes (ellipses rouges). Est-ce vrai?
Question Réponse
2 groupes? 1 groupe
Applications
VISUALISATION TOPOLOGIQUE IN SITU
253. GTM GTM + ProxiViz
Les données Oil Flow (1000 individus, 3 classes, 12 variables) sont projetées (à droite) par une carte topographique
générative (GTM). La classe verte semble formée de deux composantes (ellipses rouges). Est-ce vrai?
Question Réponse
2 groupes? 1 groupe
Applications
VISUALISATION TOPOLOGIQUE IN SITU
258. T-ShirtVélos
Arbres Livres
Moteurs
Plantes
Carton
Câbles
Jouets
Bassines
ClassiViz Brevet
en cours
de dépôt PCT
Projet ERITR@C
Analyser des conteneurs
sans les ouvrir
ClassiViz dans le projet ERITR@C
Carte des contenus de référence
[ , MI ]
Très forte
Très faible
Similarité de la donnée
à classer avec les
données de référence
T-ShirtVélos
Arbres Livres
Moteurs
Plantes
Carton
Câbles
Jouets
BassinesSignature
chimique
mesurée
Contenu réel
caché
Interprétation
« le contenu réel est composé de matériaux
plutôt présents dans les arbres et les T-Shirts »
259. VISUALISATION TOPOLOGIQUE IN SITU
Paradigme WinSitu pour l’interprétabilité
3 principes clefs pour l’interprétabilité
| PAGE 45CEA | 11 JUILLET 2012
260. VISUALISATION TOPOLOGIQUE IN SITU
Paradigme WinSitu pour l’interprétabilité
3 principes clefs pour l’interprétabilité
Principe de fiabilité
- une projection minimisant les distorsions E
| PAGE 45CEA | 11 JUILLET 2012
261. VISUALISATION TOPOLOGIQUE IN SITU
Paradigme WinSitu pour l’interprétabilité
3 principes clefs pour l’interprétabilité
Principe de fiabilité
- une projection minimisant les distorsions E
Principe d’authenticité
- une information authentique T ou MI
- ou bien les distorsions E associées à des règles d’interprétation
explicites
| PAGE 45CEA | 11 JUILLET 2012
262. VISUALISATION TOPOLOGIQUE IN SITU
Paradigme WinSitu pour l’interprétabilité
3 principes clefs pour l’interprétabilité
Principe de fiabilité
- une projection minimisant les distorsions E
Principe d’authenticité
- une information authentique T ou MI
- ou bien les distorsions E associées à des règles d’interprétation
explicites
Principe d’efficacité
- covisualisation de ces informations
| PAGE 45CEA | 11 JUILLET 2012
263. VISUALISATION TOPOLOGIQUE IN SITU
Paradigme WinSitu pour l’interprétabilité
3 principes clefs pour l’interprétabilité
Principe de fiabilité
- une projection minimisant les distorsions E
Principe d’authenticité
- une information authentique T ou MI
- ou bien les distorsions E associées à des règles d’interprétation
explicites
Principe d’efficacité
- covisualisation de ces informations
Les représentations graphiques par projection non linéaire deviennent
exploitables
| PAGE 45CEA | 11 JUILLET 2012
264. VISUALISATION TOPOLOGIQUE IN SITU
Paradigme WinSitu pour l’interprétabilité
3 principes clefs pour l’interprétabilité
Principe de fiabilité
- une projection minimisant les distorsions E
Principe d’authenticité
- une information authentique T ou MI
- ou bien les distorsions E associées à des règles d’interprétation
explicites
Principe d’efficacité
- covisualisation de ces informations
Les représentations graphiques par projection non linéaire deviennent
exploitables
Les projections non linéaires ne sont pas une fin en soi mais un moyen,
support contextuel graphique d’une l’information authentique supplémentaire
| PAGE 45CEA | 11 JUILLET 2012
294. Comment définir un modèle génératif
basé sur des points et des segments ?
Point Gaussien
2
2
22
2
2
)Ax(
exp)(),Ax(p
D
A
Segment Gaussien
AB
dv),vx(p),ABx(p
A
B
peut être exprimée à l’aide de la
fonction « erf »
MODELISATION TOPOLOGIQUE IN SITU
295. MODELISATION TOPOLOGIQUE IN SITU
Application données Oil Flow
| PAGE 57CEA | 11 JUILLET 2012
Graphe de classes
issu du GGG
1 groupe
GTM GTM + ProxiViz
Les données Oil Flow (1000 individus, 3 classes, 12 variables) sont projetées (à droite) par une carte topographique
générative (GTM). La classe verte semble formée de deux composantes (ellipses rouges). Est-ce vrai?
Question Réponse
2 groupes? 1 groupe
296. MODELISATION TOPOLOGIQUE IN SITU
Application données Oil Flow
| PAGE 57CEA | 11 JUILLET 2012
Graphe de classes
issu du GGG
1 groupe
GTM GTM + ProxiViz
Les données Oil Flow (1000 individus, 3 classes, 12 variables) sont projetées (à droite) par une carte topographique
générative (GTM). La classe verte semble formée de deux composantes (ellipses rouges). Est-ce vrai?
Question Réponse
2 groupes? 1 groupe
297. MODELISATION TOPOLOGIQUE IN SITU
Application données Oil Flow
| PAGE 58CEA | 11 JUILLET 2012
Les données Oil Flow (1000 individus, 3 classes, 12 variables) sont projetées (à droite) par une carte topographique
générative (GTM). La classe verte semble formée de deux composantes (ellipses rouges). Est-ce vrai?
ACP
ACP locale
Graphe de classes
issu du GGG
1 groupe?
2 groupes
2 groupes
Question Réponse
298. MODELISATION TOPOLOGIQUE IN SITU
Application données Oil Flow
| PAGE 58CEA | 11 JUILLET 2012
Les données Oil Flow (1000 individus, 3 classes, 12 variables) sont projetées (à droite) par une carte topographique
générative (GTM). La classe verte semble formée de deux composantes (ellipses rouges). Est-ce vrai?
ACP
ACP locale
Graphe de classes
issu du GGG
1 groupe?
2 groupes
2 groupes
Question Réponse
299. Application données Teapot
365 images de 192 pixels (1 donnée = 1 point en 192 dimensions)
d’une théière en rotation. Retrait de 10 images pour former 2 variétés linéiques
MODELISATION TOPOLOGIQUE IN SITU
300. Application données Teapot
365 images de 192 pixels (1 donnée = 1 point en 192 dimensions)
d’une théière en rotation. Retrait de 10 images pour former 2 variétés linéiques
MODELISATION TOPOLOGIQUE IN SITU
2 composantes connexes
N*0 = 67
Projection du graphe GGG par ACPProjection des images par ACP
301. Apprentissage semi-supervisé avec le GGG
Probabilité d’appartenance
à la classe rouge ou bleue
en chaque sommet w
du GGG
P(rouge|w) = 1
P(rouge|w) = 0
Sans propagation
Modèle de densité
fourni par le GGG
Graphe pondéré par la densité
pour la propagation des classes
Avec propagation
2 individus étiquetés,
l’un de classe bleue (en bas),
l’autre de classe rouge (en haut)
P(rouge|w) = 0.5 P(bleue|w) = 0.5
P(bleue|w) = 1
P(bleue|w) = 0
MODELISATION TOPOLOGIQUE IN SITU
302. Apprentissage semi-supervisé avec le GGG
Probabilité d’appartenance
à la classe rouge ou bleue
en chaque sommet w
du GGG
P(rouge|w) = 1
P(rouge|w) = 0
Sans propagation
Modèle de densité
fourni par le GGG
Graphe pondéré par la densité
pour la propagation des classes
Avec propagation
2 individus étiquetés,
l’un de classe bleue (en bas),
l’autre de classe rouge (en haut)
P(rouge|w) = 0.5 P(bleue|w) = 0.5
P(bleue|w) = 1
P(bleue|w) = 0
MODELISATION TOPOLOGIQUE IN SITU
Avantage : Sélection de modèle avec BIC et toutes les données
au lieu de validation croisée sur peu de données étiquetées
306. PERSPECTIVES
Visualisation in situ
Topologie et distorsions
- Formaliser la distinction entre
étirements/déchirures
et compression/recollement
- Validation du principe de fiabilité :
Déchirures préférables aux recollements
| PAGE 63CEA | 11 JUILLET 2012
307. PERSPECTIVES
Visualisation in situ
Topologie et distorsions
- Formaliser la distinction entre
étirements/déchirures
et compression/recollement
- Validation du principe de fiabilité :
Déchirures préférables aux recollements
ProxiViz interactif
Parcours exploratoire
Outils d’assistance visuelle à la modélisation topologique
Passage à l’échelle, synthétiser l’information en multi-échelle
| PAGE 63CEA | 11 JUILLET 2012
308. PERSPECTIVES
Visualisation in situ
Topologie et distorsions
- Formaliser la distinction entre
étirements/déchirures
et compression/recollement
- Validation du principe de fiabilité :
Déchirures préférables aux recollements
ProxiViz interactif
Parcours exploratoire
Outils d’assistance visuelle à la modélisation topologique
Passage à l’échelle, synthétiser l’information en multi-échelle
Formaliser l’interprétabilité
Transmission du sens
| PAGE 63CEA | 11 JUILLET 2012
309. PERSPECTIVES
Visualisation in situ
Topologie et distorsions
- Formaliser la distinction entre
étirements/déchirures
et compression/recollement
- Validation du principe de fiabilité :
Déchirures préférables aux recollements
ProxiViz interactif
Parcours exploratoire
Outils d’assistance visuelle à la modélisation topologique
Passage à l’échelle, synthétiser l’information en multi-échelle
Formaliser l’interprétabilité
Transmission du sens
Critère d’authenticité
Représentation graphique du fond plutôt que de la forme
| PAGE 63CEA | 11 JUILLET 2012
310. Full text Schema Full visualization
What could we do
here to ease inference
from graphics
???
Aide à l’interprétation des graphiquesMechanics
Probabilistic
modelsInfoVis