Philippe Fournier-Viger (Ph.D) is distinguished professor at Shenzhen University (China). Five years after completing his Ph.D., he came to China in 2015 and became full professor after receiving an important national talent title. He has published more than 400 research papers related to data mining algorithms for complex data (sequences, graphs), intelligent systems and applications, which have received more than 16,000 citations (H-Index 63-Google Scholar). He is the founder of the popular SPMF data mining library, offering more than 260 algorithms to find patterns in data, cited in more than 1,000 research papers. He is former associate editor-in-chief of the Applied Intelligence journal and has been keynote speaker for over 50 international conferences and co-edited four books for Springer. He appears in the top 0.3% of researchers for scientific influence in the Stanford list. He won the "Most Influential Paper Award" at the 2024 PAKDD conference and received seven Best Paper Awards at international conferences. Website: http://www.philippe-fournier-viger.com.

Title: Advances and challenges for the automatic discovery of interesting patterns in data

Abstract: 

Intelligent systems and tools can play an important role in various domains such as for factory automation, e-business, and manufacturing. To build intelligent systems and tools, high-quality data is generally required. Moreover, these systems need to process complex data and can yield large amounts of data such as usage logs, images, videos, and data collected from industrial sensors. Managing data to gain insights and improve these systems is thus a key challenge. It is also desirable to be able to extract information or models from data that are easily understandable by humans. Based on these objectives, this talk will discuss the use of data mining algorithms for discovering interesting and useful patterns in data generated from intelligent systems and other applications.

The talk will first briefly review early study on designing algorithms for identifying frequent patterns. Then, an overview of recent challenges and advances will be presented to identify other types of interesting patterns in more complex data such as graphs and sequences. Topics that will be discussed include high utility patterns, locally interesting patterns, and periodic patterns. Lastly, the SPMF open-source software will be mentioned and opportunities related to the combination of pattern mining algorithms with traditional artificial intelligence techniques for intelligent systems will be discussed.