----------------------- REVIEW 1 ---------------------
PAPER: 14
TITLE: Privamov : Suivi d'utilisateurs mobiles et reconstruction de
trajectoires
AUTHORS: Patrice Raveneau, Andrea Caballero, Razvan Stanica and Hervé Rivano

OVERALL EVALUATION: 1 (weak accept)
REVIEWER'S CONFIDENCE: 5 (expert)

----------- REVIEW -----------
Les figures 1 & 2 devraient être représentées avec des boites à
moustache (boxplot). C'est la représentation consacrée pour ce type de
données. Par ailleurs, les boites à moustache peuvent aussi représente
les valeurs maximales et minimales, souvent importantes en statistiques,
mais non représentées ici.

Les auteurs notent que l'erreur est souvent faible, mais avec des
valeurs extrêmes peu fréquentes : ce résultat était sans doute
prévisible. Une personne reste souvent au même endroit pendant des laps
de temps importants (erreur faible même avec échantillonnage grossier)
mais se déplace par exemple pour rentrer chez lui (erreur importante).
Ce qui me pose problème : l'échantillonnage fournit une erreur très
importante quand l'utilisateur se déplace, et donc lorsqu'il est le plus
susceptible d'utiliser un service localisé.

Se focaliser sur les cas à erreurs faibles (i.e. sans mobilité) me
semble limité. J'aurais au contraire préféré que les auteurs
s'intéressent aux autres cas.

Par ailleurs, un échantillonnage adaptatif semble le plus adapté. Ainsi,
j'aurais trouvé plus pertinent de vérifier qu'un déplacement peut être
détecté afin d'augmenter la fréquence d'échantillonnage.

Enfin, les auteurs ne montrent pas la consommation d'énergie. En
particulier, diviser par 2 le nombre de mesures GPS permet-il de diviser
également par 2 la consommation d'énergie ? Il doit surement exister une
valeur seuil à partir de laquelle la durée de recalibrage de la puce GPS
consomme beaucoup, et donc ne permet pas d'économie substantielle.

Quelles sont les précisions de localisation GPS recherchées ? Les
auteurs peuvent-ils citer une référence pointant la précision nécessaire
pour différents services ?



commentaires mineurs:

*/ J'avoue ne pas comprendre comment un système de localisation basé sur
des empreintes pourrait améliorer la vie privée. Exactement comme avec
un GPS, le problème de vie privée se fait une fois la localisation
réalisée. La méthode de localisation n'a pas d'impact, si ?

*/ card() doit représenter sans doute la cardinalité de l'ensemble.
Pourquoi ne pas utiliser |X|, le plus souvent utilisé ?


----------------------- REVIEW 2 ---------------------
PAPER: 14
TITLE: Privamov : Suivi d'utilisateurs mobiles et reconstruction de
trajectoires
AUTHORS: Patrice Raveneau, Andrea Caballero, Razvan Stanica and Hervé Rivano

OVERALL EVALUATION: 2 (accept)
REVIEWER'S CONFIDENCE: 4 (high)

----------- REVIEW -----------
Cet article s'intéresse à une problématique liée à la mobilité urbaine.
Dans ce contexte, beaucoup d'application ont besoin de connaître la
position des utilisateurs. Les auteurs étudient la pertinence de
diminuer la fréquence d'échantillonnage d'information de localisation,
afin de diminuer la consommation d'énergie des puce GPS, en compenser le
baisse d'information par une reconstruction des positions manquante à
l'aide de technique d'interpolation.

La contribution des auteurs est double : les auteurs fournissent un jeu
de données obtenu à partir d'une plateforme de collecte de traces de
mobilités urbaines. Ils fournissent ensuite une estimation de l'erreur
que donne leur méthode en comparant le jeu de données complet à
plusieurs fréquences de sous-échantillonage et 2 techniques
d'interpolation. Les résultats sont très intéressants et valident bien à
mon sens l'approche proposée.

Le papier est très clair et bien rédigé. Quelques questions cependant :

- l'expérience montre que l'interpolation linéaire est plus précise que
l'interpolation à base de polynôme d'ordre 3. Ce résultat est
contre-intuitif mais aucune explication n'est fournie. Comment l'expliquer ?

- les auteurs mentionnent plusieurs traces utilisées mais ce n'est pas
très clair. Si c'est le cas, à quoi correspondent les courbes présentées
? À une trace caractéristique ? À l'ensemble des traces ? Est-ce qu'il
n'y a pas des différences d'efficacité de la technique en fonction des
jeux de données ?

- les résultats d'erreurs sont fournis en valeurs absolues. Mais on n'a
pas d'information sur les valeurs typiques des jeux de données. Il y
aurait sûrement du sens à fournir des valeurs relatives, par ex. erreur
en fonction de la distance parcourue entre les deux points de
l'échantillonnage.


----------------------- REVIEW 3 ---------------------
PAPER: 14
TITLE: Privamov : Suivi d'utilisateurs mobiles et reconstruction de
trajectoires
AUTHORS: Patrice Raveneau, Andrea Caballero, Razvan Stanica and Hervé Rivano

OVERALL EVALUATION: 0 (borderline paper)
REVIEWER'S CONFIDENCE: 3 (medium)

----------- REVIEW -----------
Cet article propose une analyse préliminaire de trace de coordonnées GPS
de téléphones mobiles, afin d'en étudier la réduction potentielle de
consommation énergétique par extinction périodique de la puce GPS.
Pour cela, les auteurs ont collecté des données de positionnement par le
biais d'une application Android et ont échantillonné ces traces pour
essayer de les reconstruire par interpolation ensuite.
Les résultats, bien que surprenants, sont encore très préliminaires.

A mon avis, il manque plusieurs aspects pour bien comprendre le modèle :
- Dans l'introduction, les auteurs parlent de mécanismes collaboratifs
pour aider à la reconstruction de trace. Puis, pour étayer leurs dires,
ils annoncent faire de l'interpolation sur les données locales à un
téléphone uniquement. J'voue ne pas avoir bien compris l'intérêt pour
l'objectif final de leur recherche ;
- Les traces ont été collecté sur 2-3 jours de conférences (à Middleware
2014). 35 heures de collectes répartis sur 25 utilisateurs semble un
ratio assez faible finalement (1,5 jour par utilisateur). De plus, ces
données sont somme toutes extrêmement corrélé, rendant l'analyse
statistique largement faussée...
- Le calcul de l'interpolation n'est pas clairement posé en fin de page
2. Sauf connaissance préalable, on ne peut pas comprendre la
méthodologie de calcul suivi par les auteurs ;
- Les auteurs semblent ravi d'une erreur moyenne inférieur à 160 m dans
tous les cas (pour l'interpolation linéaire). Il me manque le
référentiel original pour estimer cela. Faire une erreur de 160 sur un
déplacement de 10 m n'est pas pareil que faire une erreur de 160 m sur
un déplacement de 10 km... Les utilisateurs étaient-ils à pied (auquel
cas, meme en marchant bien, ils auraient du mal à faire plus de 1,5 km
par 15 minutes) ou en transport motorisé ?
- La vitesse moyenne des déplacements manque dans la section 3.2. En
effet, les auteurs disent avoir retiré les mouvement de "mobilité nulle
à faible" : quelle est la borne entre faible et non-faible ? Seulement
en connaissant celle-ci nous serions en capacité d'estimer si une erreur
de 100 m est correcte.
- La phrase de conclusion annonçant des gains significatif de
consommation d'énergie est intéressante. Mais j'aimerai pouvoir comparer
la consommation induite par la puce GPS et celle induite par le calcul
de l'interpolation en temps réel. La seconde est peut-être négligeable
sur la première, rendant l'approche intéressante. Mais sans "preuve", il
est difficile de croire sur parole...


----------------------- REVIEW 4 ---------------------
PAPER: 14
TITLE: Privamov : Suivi d'utilisateurs mobiles et reconstruction de
trajectoires
AUTHORS: Patrice Raveneau, Andrea Caballero, Razvan Stanica and Hervé Rivano

OVERALL EVALUATION: 1 (weak accept)
REVIEWER'S CONFIDENCE: 4 (high)

----------- REVIEW -----------
Ce papier étudie s'il est possible de reconstruire une trajectoire
réaliste avec un nombre de positions limité. Pour cela, des traces ont
été réalisées, puis ensuite sous-échantillonnées, pour finalement
étudier l'efficacité de méthodes d'interpolation des positions des
utilisateurs et évaluer l'erreur introduite par rapport à la réalité
(qui est connue). Il est conclu qu'il est possible de largement
sous-échantillonner la récupération de position tout en conservant une
erreur tolérable dans 80 à 90% des cas.

Le sujet d'étude est assez simple et certaines conclusions assez
évidentes, notamment le fait de supprimer les périodes stables qui
biaisent complètement l'évaluation lorsqu'elles durent longtemps. A
propos des valeurs anormalement élevées faussant la moyenne, la médiane
confirme cette idée, et elle est présente sur les graphes !

Pourquoi avoir retiré l'interpolation cubique alors que les résultats
étaient biaisés par la sédentarité ? Il me semble que les interpolations
polynomiales sont plus sensible aux paramètres d'entrées, et que du coup
les gros écarts remarqués lors de l'évaluation non filtrée peuvent être
dus à ce biais.

Une remarque sur l'évaluation : pourquoi ne pas avoir mené l'étude sur
d'autres données issues d'ensembles disponibles publiquement ? L'effort
est assez réduit et cela aurait permis de valider la méthodologie.
Également, quel est l'impact de la vitesse de déplacement ? Piéton,
vélo, voiture, l'approximation doit être meilleure pour les déplacements
plus lents.

Enfin, je me pose quelques questions sur certaines motivations,
notamment pour la collecte, celle de la limitation en mémoire des
téléphones qui empêcherait de conserver les données suffisamment
longtemps : les téléphones ont aujourd'hui des mémoires gigantesques, la
moindre photo faisant des Mo, ces données sont nettement plus compactes.
Des plus, le positionnement ne se fait plus uniquement au moyen du GPS,
et le GPS aussi devenu plus économe en énergie, est-ce toujours aussi
justifié ? Des références chiffrées auraient permis de convaincre le
lecteur. De même "Une précision de l’ordre de la centaine de mètres est
plus qu’acceptable pour la majorité des applications ayant besoin de
l’information de localisation", référence, exemple ?

Remarques générale :
- la figure 3 passe très mal