Thèse Approches par Apprentissage et Optimisation Respectant les Principes de Perception Visuelle pour la Visualisation de Données en Haute Dimension sans Ambiguïté H/F - 33

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Romain GIOT ORCID 0000000206387504
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

# Contexte
De nombreuses tâches d'analyse de données [Sarikaya 2017] impliquent la manipulation de données en très haute dimension ou de données relationnelles telles que des graphes. Ces données proviennent de sources variées (espaces latents de réseaux de neurones profonds, données single-cell, données tabulaires, etc.), mais leurs modalités de traitement et de visualisation restent similaires.

Pour faciliter leur analyse, les données de grande dimension sont généralement représentées sous forme de nuages de points [Giovannangeli 2023], tandis que les graphes sont visualisés à l'aide de diagrammes noeuds-liens. Dans certains cas, les nuages de points représentent également des données initialement en deux dimensions dont la position ne peut être modifiée, comme des coordonnées GPS, des séries temporelles ou des positions définies manuellement.

Ces représentations présentent cependant des limites importantes en termes de lisibilité. Elles peuvent masquer certaines informations (chevauchement de points), mal refléter les densités ou suggérer des structures inexistantes (corrélations ou partitions apparentes). Ces ambiguïtés peuvent conduire à des interprétations erronées et limitent la fiabilité des visualisations.

# Projet de recherche
L'objectif de cette thèse est de concevoir des algorithmes de visualisation visant à réduire les ambiguïtés des représentations classiques afin de produire des visualisations plus fiables. Les travaux porteront sur des données en haute dimension (par exemple des données biologiques single-cell ou des cartes d'activation de réseaux neuronaux) ainsi que sur des données relationnelles telles que les graphes.

Les méthodes développées seront implémentées et évaluées sur des jeux de données de référence ainsi que sur des données fournies par des partenaires, notamment des données omiques du BRIC.

Trois axes principaux seront explorés :

**Fiabilisation a posteriori des visualisations**.
Il s'agira de concevoir des algorithmes améliorant des plongements existants tout en conservant leur sémantique, c'est-à-dire en minimisant la distorsion. Les méthodes de suppression de chevauchement par déplacement de points seront étudiées et améliorées, notamment à l'aide d'approches de dégroupement fondées sur l'estimation de densité de noyau (Kernel Density Estimation). Ce travail pourra s'appuyer sur des collaborations existantes, spécifiquement avec l'Université d'Utrecht qui a utilisé des techniques similaires pour le faisceautage d'arêtes [Hurter 2012].

Une approche originale consistera également à améliorer la lisibilité sans déplacer les données, en modifiant uniquement l'ordre d'affichage des points. Cette problématique reste peu étudiée alors qu'elle est cruciale lorsque les positions doivent rester fixes. Ce travail pourrait donner lieu à des collaborations avec l'Université de Montpellier.

**Simplification des visualisations**.
Les méthodes de visualisation reposent souvent sur des espaces géométriques continus alors que l'affichage final se fait dans un espace discret (l'écran). Cette transformation peut introduire une perte d'information. Nous étudierons des approches travaillant directement dans un espace discret, par exemple avec des algorithmes en coordonnées entières ou des visualisations orientées pixels [Keim 2002]. Ces stratégies peuvent réduire les coûts de calcul tout en améliorant la lisibilité.

Production de visualisations fiables de bout en bout.
Enfin, la thèse visera à concevoir des algorithmes de plongement intégrant la réduction des ambiguïtés et l'optimisation de la perception visuelle [Ware 2019 ; Treisman 1980]. Ces méthodes prendront en compte les propriétés des données (dimension, niveau de zoom) et les paramètres d'encodage visuel (couleur, forme, rendu). L'objectif est de produire des visualisations respectant les contraintes perceptuelles [Wolfe 2021], évaluées à l'aide de métriques de qualité et d'études utilisateurs.

- Acquisition des compétences en analyse de données et visualisation d'information pour travailler sur ces thématiques.
- Conception, implémentation, évaluation, publications de méthodes de visualisation sans ambiguïtés
- Diffusion des connaissances avec les membres du laboratoire (séminaires) et à l'extérieur (conférences)

- Montée en compétences sur le traitement de données hautement dimensionnelles et de graphes, ainsi que sur la visualisation d'information : lecture d'articles, échange avec les encadrants, échange avec l'équipe
- Proposition de techniques répondant aux problématiques présentées précédemment, expérimentation (développement de l'approche, validation à travers des évaluations qualitatives et quantitatives, analyse de résultats)
- Publication des résultats