Search

The use of automotive air conditioning leads to a fuel overconsumption. To reduce this overconsumption, we can either work upstream on the technical definitions of the cabin and the HVAC system or optimize control strategies. In both cases, it is essential to build a cabin thermal model that well balances accuracy and complexity. This is the topic of this PhD thesis driven by Renault Group. First, a model reduction methodology is used to build a 0D model starting from a 3D finite element cabin thermal model. This 0D model is based on mass and energy balances on the different cabin walls and air zones. It consists of a nonlinear differential algebraic equations system which can be reinterpreted as a Bond Graph. In addition, the 0D model is based on a weak coupling between the thermal equations and the fluid mechanics ones resulting from CFD calculations (internal airflow and external aerodynamics). Secondly, we apply a machine learning method to the data generated by the 0D model in order to build a reduced 0D model. A design of experiment is considered at this stage. Due to the nonlinearity of the heat exchanges, we have developed an approach which is inspired by the Gappy POD and EIM methods. We use a multiphysics reduced basis that takes several contributions into account (temperatures, enthalpies, heat fluxes and humidities). The resulting reduced model is a hybrid model that couples some of the original physical equations to an artificial neural network. The reduction methodology has been validated on Renault vehicles. The reduced order models have been integrated into a vehicle system-level energetic simulation platform (GREEN) which models different thermics (engine, transmission, cooling system, battery, HVAC, refrigerant circuit, underhood) in order to perform thermal management studies which are of particular importance for electric and hybrid vehicles. The reduced order models have been validated on several scenarios (temperature control for thermal comfort, driving cycles, HVAC coupling) and have achieved CPU gains of up to 99% with average errors of 0.5 °C on temperatures and 0.6% on relative humidities.; L’utilisation de la climatisation automobile engendre physiquement une surconsommation de carburant. Pour diminuer cette surconsommation, il existe deux leviers principaux. Le premier consiste à travailler en amont sur la définition technique de l’habitacle et du système de climatisation. Le second levier consiste à optimiser les stratégies de contrôle. Dans les deux cas, il s’avère incontournable de construire des modèles de thermique habitacle précis et rapides à évaluer. Ce qui fait l’objet de cette thèse CIFRE du Groupe Renault. Dans un premier temps, une méthodologie de réduction de modèles est exploitée pour passer d’un modèle éléments finis 3D à un modèle 0D. Ce modèle 0D est basé sur des bilans de masse et d’énergie sur les différentes parois et zones d’air de la cabine. Il prend la forme d’un système d’équations algébro-différentielles non-linéaire qui peut être transcrit en Bond Graph. De plus, le modèle 0D exploite un couplage faible entre la thermique et la mécanique des fluides issue des calculs CFD (aéraulique et aérodynamique externe). Dans un deuxième temps, on applique une méthode d’apprentissage automatique aux données générées par le modèle 0D en vue de construire un modèle 0D réduit. Un plan d’expériences est considéré à cette étape. Du fait de la non-linéarité des échanges thermiques, nous avons développé une approche qui s’inspire des méthodes Gappy POD et EIM. La base réduite utilisée est une base multiphysique qui tient compte de plusieurs contributions (températures, enthalpies, flux thermiques et humidités). Le modèle réduit obtenu est un modèle hybride qui couple quelques équations physiques d’origine à un réseau de neurones artificiel. La méthodologie de réduction a été déployée sur des véhicules Renault. Les modèles réduits ont été intégrés dans la plateforme GREEN de synthèse énergétique qui modélise différentes thermiques (moteur, transmission, circuit de refroidissement, batterie, HVAC, boucle froide, sous-capot) en vue de faire des études de gestion thermique qui revêtent une importance particulière pour les véhicules électriques et hybrides. Les modèles réduits ont été validés sur plusieurs scénarios (boucle de régulation pour le confort thermique, cycle d’homologation, couplage HVAC) et ont permis d’obtenir des gains CPU allant jusqu’à 99% avec des erreurs moyennes de 0,5°C sur les températures et 0,6% sur les humidités relatives.

We present experiments to automatically identify patients with symptoms of schizophrenia in controlled conversations between patients and sychotherapists. We merge the speech turns of each interlocutor and train basic classifiers with these data, using lexical, morphological and syntactic features. This study is the first of its kind in French and obtains results comparable to the English state-of-the-art. Our first experiments highlight that the speech of patient with schizophrenia differs from control one : the best model obtains an accuracy of 93.66%. However, richer descriptions will be needed to produce an applicable and reliable model.; Nous présentons des expériences visant à identifier automatiquement des patients présentant des symptômes de schizophrénie dans des conversations contrôlées entre patients et psychothérapeutes. Nous fusionnons l’ensemble des tours de parole de chaque interlocuteur et entraînons des modèles de classification utilisant des informations lexicales, morphologiques et syntaxiques. Cette étude est la première du genre sur le français et obtient des résultats comparables à celles sur l’anglais. Nos premières expériences tendent à montrer que la parole des personnes avec schizophrénie se distingue de celle des témoins : le meilleur modèle obtient une exactitude de 93,66%. Des informations plus riches seront cependant nécessaires pour parvenir à un modèle robuste.

International audience; Cet article décrit la procédure de constitution du premier corpus d'arabish tunisien (TArC) annoté avec des informations morpho-syntaxiques. L'arabish est la transcription spontanée des dialectes arabes en caractères latins et arythmographies, c'est à dire avec des chiffres utilisées comme lettres. Ce système d'encodage a été développé par les utilisateurs arabes des réseaux sociaux afin de faciliter l'écriture dans les communications informelles. L'arabish diffère pour chaque dialecte arabe et il est sous-doté en termes de ressources, de la même façon que la plupart des dialectes arabes. Dans les dernières années, l'attention des travaux de recherche en TAL sur les dialectes arabes est augmentée de façon remarquable. En prenant ceci en compte, TArC serait un support utile pour plusieurs types d'analyses, computationnelles ainsi que linguistiques, et pour l'apprentissage d'outils informatiques. Nous décrivons le travail fait pour mettre en place une procédure d'acquisition semi-automatique du corpus TArC, ainsi que certaines analyses faites sur les données collectées. Afin de montrer les difficultés rencontrées pendant la procédure de constitution du corpus, nous présentons également les caractéristiques principales du dialecte tunisien, ainsi que sa transcription en arabish.

Statistical machine learning is a general framework to study predictive problems, where one aims to predict unobserved quantities using examples.The first part of this thesis is devoted to Random forests, a family of methods which are widely used in practice, but whose theoretical analysis has proved challenging. Our main contribution is the precise analysis of a simplified variant called Mondrian forests, for which we establish minimax nonparametric rates of convergence and an advantage of forests over trees. We also study an online variant of Mondrian forests.The second part is about prediction with expert advice, where one aims to sequentially combine different sources of predictions (experts) so as to perform almost as well as the best one in retrospect. We analyze the standard exponential weights algorithm on favorable stochastic instances, showing in particular that it exhibits some adaptivity to the hardness of the problem. We also study a variant of the problem with a growing expert class.The third part deals with regression and density estimation problems. Our first main contribution is a detailed minimax analysis of linear least squares prediction, as a function of the distribution of covariates; our upper bounds rely on a control of the lower tail of empirical covariance matrices. Our second main contribution is a general procedure for density estimation under entropy risk, which achieves optimal excess risk rates that do not degrade under model misspecification. When applied to logistic regression, this procedure has a simple form and achieves fast rates of convergence, bypassing some intrinsic limitations of plug-in estimators.; L’apprentissage statistique fournit un cadre aux problèmes de prédiction, où l’on cherche à prédire des quantités inconnues à partir d’exemples.La première partie de cette thèse porte sur les méthodes de Forêts aléatoires, une famille d'algorithmes couramment utilisés en pratique, mais dont l'étude théorique s'avère délicate. Notre principale contribution est l'analyse précise d'une variante stylisée, les forêts de Mondrian, pour lesquelles nous établissons des vitesses de convergence non paramétriques minimax ainsi qu'un avantage des forêts sur les arbres. Nous étudions également une variante "en ligne" des forêts de Mondrian.La seconde partie est dédiée à l'agrégation d'experts, où il s'agit de combiner plusieurs sources de prédictions (experts) afin de prédire aussi bien que la meilleure d'entre elles. Nous analysons l'algorithme classique d'agrégation à poids exponentiels dans le cas stochastique, où il exhibe une certaine adaptativité à la difficulté du problème. Nous étudions également une variante du problème avec une classe croissante d'experts.La troisième partie porte sur des problèmes de régression et d'estimation de densité. Notre première contribution principale est une analyse minimax détaillée de la prédiction linéaire avec design aléatoire, en fonction de la loi des variables prédictives; nos bornes supérieures reposent sur un contrôle de la queue inférieure de matrices de covariance empiriques. Notre seconde contribution principale est l'introduction d'une procédure générale pour l'estimation de densité avec perte logarithmique, qui admet des bornes optimales d'excès de risque ne se dégradant pas dans le cas mal spécifié. Dans le cas de la régression logistique, cette procédure admet une forme simple et atteint des vitesses de convergence rapides inaccessibles aux estimateurs de type plug-in.

Better feeding cities in quantity and quality, especially large cities, is a major challenge, whose resolution requires a better understanding of the relationships between urban populations and their food. On the scale of urban food systems, we need to understand the availability of food resources crossed with the socio-economic profiles of the territories. But we lack tools and methods to systematically understand the relationships between consumption basins, supply and eating habits. The objective of this thesis is to contribute to the development of new IT tools to process temporal, heterogeneous and multi-sources data in order to identify and characterize behaviors specific to a geographic area. For this, we rely on the joint exploration of gradual patterns, to discover rank correlations, and subgroups in order to find contexts for which the correlations described by the gradual patterns are exceptionally strong compared to the remaining of the data. We propose an enumeration algorithm based on pruning properties with upper bounds, as well as another algorithm which samples the patterns according to the quality measure. These approaches are validated not only on benchmark datasets, but also through an empirical study of the formation of food deserts in the Lyon urban area.; Mieux nourrir les villes en quantité et en qualité, notamment les grandes agglomérations, constitue un défi majeur dont la résolution passe par une meilleure compréhension des relations entre les populations urbaines et leur alimentation. A l’échelle des systèmes alimentaires urbains, on a besoin de diagnostics ciblant la disponibilité des ressources alimentaires croisée avec les profils socio-économiques des territoires et l’on manque d’outils et de méthodes pour appréhender de façon systématique les relations entre les bassins de consommation, l’offre et les comportements alimentaires. L’objectif de cette thèse est de contribuer à l’élaboration de nouveaux outils informatiques pour traiter des données temporelles, hétérogènes et multi-sources afin d’identifier et de caractériser des comportements propres à une zone géographique. Pour cela, nous nous appuyons sur l’exploration conjointe de motifs graduels, identifiant des corrélations de rang, et de sous-groupes afin de découvrir des contextes pour lesquels les corrélations décrites par les motifs graduels sont exceptionnellement fortes par rapport au reste des données. Nous proposons un algorithme d’énumération s’appuyant sur des propriétés d’élagage avec des bornes supérieures, ainsi qu’un autre algorithme qui échantillonne les motifs selon la mesure de qualité. Ces approches sont validées non seulement sur des jeux de données de référence, mais aussi à travers une étude empirique de laformation des déserts alimentaires sur l’agglomération lyonnaise.

Following the deployment of the RGPD, the European Commission published in February 2020 a White Paper for an approach to AI based on excellence and trust. Its recommendations are largely derived from the guide for trustworthy AI drawn up in 2019 by a group of European experts. Beyond the priority data protection issues at the very heart of the CNIL's missions, this white paper insistently raises other issues related to the risks of the impacts of machine learning algorithms on our society: quality, reproducibility of algorithmic decisions, opacity of algorithms and explanability of decisions, bias and risks of discrimination. Based on practical examples: credit scoring, predictive hiring, we describe which tools, procedures, indicators (cf. tutorial), could participate in the construction of a Discrimination Impact Assessment (DIA) desired by the Villani report (2018) and consistent with the evaluation list of the European experts group. These examples reveal the difficulties and even the impossibility of an ex-post audit of an artificial intelligence system (AIS) based on learning algorithms. We conclude with a few recommendations, including the need to set up audits on the basis of accurate and exhaustive ex-ante documentation of an AIS.; Faisant suite au déploiement du RGPD, la Commission Européenne a publié, en février 2020 un livre blanc pour une approche de l'IA basée sur l'excellence et la confiance et dont les recommandations sont largement issues du guide pour une IA digne de confiance rédigé en 2019 par un groupe d'experts européens. Au delà des questions prioritaires de protection des données au coeur des missions de la CNIL, ce livre blanc soulève avec insistance d'autres questions relatives aux risques des impacts des algorithmes d'apprentissage automatique sur notre société : qualité, re-productibilité de décisions algorithmiques, opacité des algorithmes et ex-plicabilité des décisions, biais et risques de discrimination. En nous ba-sant sur des exemples concrets : score de crédit, pré-recrutement prédictif, nous décrivons quels outils, procédures, indicateurs (cf. tutoriel), pour-raient participerà la construction d'un DIA ou Discrimination Impact Assessment souhaité par le rapport Villani (2018) et cohérent avec la liste d'évaluation du groupe des experts européens. Les exemples traités montrent les difficultés et même l'impossibilité d'un audit ex post d'un système d'intelligence artificielle (SIA) sur la base d'algorithmes d'appren-tissage. Nous concluons sur quelques recommandations dont la nécessité de la mise en place d'audits sur la base de documentations précises et exhaustives ex ante d'un SIA.

With the increase in size of supercomputers, also increases the number of failures or abnormal events. This increase of the number of failures reduces the availability of these systems.To manage these failures and be able to reduce their impact on HPC systems, it is important to implement solutions to understand the failures and to predict them. HPC systems produce a large amount of monitoring data that contains useful information about the status of these systems. However, the analysis of these data is difficult and can be very tedious because these data reflect the complexity and the size of HPC systems. The work presented in this thesis proposes to use machine-learning-based solutions to analyse these data in an automated way. More precisely, this thesis presents two main contributions: the first one focuses on the prediction of processors overheating events in HPC systems, the second one focuses on the analysis and the highlighting of the relationships between the events present in the system logs. Both contributions are evaluated on real data from a large HPC system used in production.To predict CPU overheating events, we propose a solution that uses only the temperature of the CPUs. It is based on the analysis of the general shape of the temperature prior to an overheating event and on the automated learning of the correlations between this shape and overheating events using a supervised learning model. The use of the general curve shape and a supervised learning model allows learning using temperature data with low accuracy and using a limited number of overheating events. The evaluation of the solution shows that it is able to predict overheating events several minutes in advance with high accuracy and recall. Furthermore, the evaluation of these results shows that it is possible to use preventive actions based on the predictions made by the solution to reduce the impact of overheating events on the system.To analyze and to extract in an automated way the causal relations between the events described in the HPC system logs, we propose an unconventional use of a deep machine learning model. Indeed, this type of model is classically used for prediction tasks. Thanks to the addition of a new layer proposed by state-of-the-art contributions of the machine learning community, it is possible to determine the weight of the algorithm inputs associated to its prediction. Using this information, we are able to detect the causal relations between the different events. The evaluation of the solution shows that it is able to extract the causal relations of the vast majority of events occurring in an HPC system. Moreover, its evaluation by administrators validates the highlighted correlations.Both contributions and their evaluations show the benefit of using machine learning solutions for understanding and predicting failures in HPC systems by automating the analysis of supervision data.; Les systèmes informatiques dédiés à la haute performance (HPC) se livrent à une course à la puissance de calcul. Cette course se concrétise principalement par une augmentation de leur taille et de leur complexité. Cependant, cette augmentation entraîne des défaillances fréquentes qui peuvent réduire la disponibilité des systèmes HPC.Pour gérer ces défaillances et être capable de réduire leur influence sur les systèmes HPC, il est important de mettre en place des solutions permettant de comprendre les défaillances, voire de les prédire. En effet, les systèmes HPC produisent une grande quantité de données de supervision qui contiennent de nombreuses informations utiles à propos de leur état de fonctionnement. Cependant, l'analyse de ces données n'est pas facile à réaliser et peut être très fastidieuse car elles reflètent la complexité et la taille des systèmes HPC. Les travaux présentés dans cette thèse proposent d'utiliser des solutions d’apprentissage machine pour réaliser de manière automatisée cette analyse. De manière plus précise, cette thèse présente deux contributions principales : la première s'intéresse à la prédiction des surchauffes des processeurs dans les systèmes HPC, la deuxième se concentre sur l’analyse et la mise en évidence des relations entre les événements présents dans les journaux systèmes. Ces deux contributions sont évaluées sur des données réelles provenant d’un système HPC de grande taille utilisé en production.Pour prédire les surchauffes de processeur, nous proposons une solution qui utilise uniquement la température des processeurs. Elle repose sur l’analyse de la forme générale de la température avant un événement de surchauffe et sur l’apprentissage automatisé des corrélations entre cette forme et les événements de surchauffe grâce à un modèle d’apprentissage supervisé. L’utilisation de la forme générale des courbes et d'un modèle d'apprentissage supervisé permet l'apprentissage en utilisant des données de température avec une faible précision et en utilisant un nombre de cas de surchauffe restreint. L'évaluation de la solution montre qu'elle est capable de prédire plusieurs minutes en avance les surchauffes avec une précision et un rappel élevés. De plus, l’évaluation de ces résultats montre qu’il est possible d'utiliser des actions préventives reposant sur les prédictions faites par la solution pour réduire l'influence des surchauffes sur le système.Pour analyser et mettre en évidence de manière automatisée les relations causales entre dans les événements décrits dans les journaux des systèmes HPC, nous proposons une utilisation détournée d'un modèle d'apprentissage machine profond. En effet, ce type de modèle est classiquement utilisé pour des tâches de prédiction. Grâce à l'ajout d'une nouvelle couche proposée par des travaux de l'état de l'art étudiant les méthodes d'apprentissage machine, il est possible de déterminer l’importance des entrées de l’algorithme dans sa prédiction. En utilisant les informations sur l'importance des entrées, nous sommes capables de reconstruire les relations entre les différents événements. L’évaluation de la solution montre qu'elle est capable de mettre en évidence les relations de la grande majorité des événements survenant sur un système HPC. De plus, son évaluation par des administrateurs montre la validité des corrélations mises en évidence.Les deux contributions et leurs évaluations montrent le bénéfice de l'utilisation de solutions d'apprentissage machine pour la compréhension et la prédiction des défaillances dans les systèmes HPC en automatisant l'analyse des données de supervision.

This PhD falls within the development of hands-free telecommunication systems, more specifically smart speakers in domestic environments. The user interacts with another speaker at a far-end point and can be typically a few meters away from this kind of system. The microphones are likely to capture sounds of the environment which are added to the user's voice, such background noise, acoustic echo and reverberation. These types of distortion degrade speech quality, intelligibility and listening comfort for the far-end speaker, and must be reduced. Filtering methods can reduce individually each of these types of distortion. Reducing all of them implies combining the corresponding filtering methods. As these methods interact with each other which can deteriorate the user's speech, they must be jointly optimized. First of all, we introduce an acoustic echo reduction approach which combines an echo cancellation filter with a residual echo postfilter designed to adapt to the echo cancellation filter. To do so, we propose to estimate the postfilter coefficients using the short term spectra of multiple known signals, including the output of the echo cancellation filter, as inputs to a neural network. We show that this approach improves the performance and the robustness of the postfilter in terms of echo reduction, while limiting speech degradation, on several scenarios in real conditions. Secondly, we describe a joint approach for multichannel reduction of echo, reverberation and noise. We propose to simultaneously model the target speech and undesired residual signals after echo cancellation and dereveberation in a probabilistic framework, and to jointly represent their short-term spectra by means of a recurrent neural network. We develop a block-coordinate ascent algorithm to update the echo cancellation and dereverberation filters, as well as the postfilter that reduces the undesired residual signals. We evaluate our approach on real recordings in different conditions. We show that it improves speech quality and reduction of echo, reverberation and noise compared to a cascade of individual filtering methods and another joint reduction approach. Finally, we present an online version of our approach which is suitable for time-varying acoustic conditions. We evaluate the perceptual quality achieved on real examples where the user moves during the conversation.; Cette thèse s'insère dans le développement des systèmes de télécommunication mains-libres, en particulier avec des enceintes intelligentes en environnement domestique. L'utilisateur interagit avec un correspondant distant en étant généralement situé à quelques mètres de ce type de système. Les microphones sont susceptibles de capter des sons de l'environnement qui se mêlent à la voix de l'utilisateur, comme le bruit ambiant, l'écho acoustique et la réverbération. Ces types de distorsions peuvent gêner fortement l'écoute et la compréhension de la conversation par le correspondant distant, et il est donc nécessaire de les réduire. Des méthodes de filtrage existent pour réduire individuellement chacun de ces types de distorsion sonore, et leur réduction simultanée implique de combiner ces méthodes. Toutefois, celles-ci interagissent entre elles, et leurs interactions peuvent dégrader de la voix de l'utilisateur. Il est donc nécessaire d'optimiser conjointement ces méthodes. En premier lieu, nous présentons une approche de réduction de l'écho acoustique combinant un filtre d'annulation d'écho avec un post-filtre de suppression d'écho résiduel conçu de manière à s'adapter à différents modes de fonctionnement du filtre d'annulation. Pour cela, nous proposons d'estimer les coefficients du post-filtre en utilisant les spectres à court terme de plusieurs signaux observés, dont le signal estimé par le filtre d'annulation, en entrée d'un réseau de neurones. Nous montrons que cette approche améliore la performance et la robustesse du post-filtre en matière de réduction d'écho, tout en limitant la dégradation de la parole de l'utilisateur, sur plusieurs scénarios dans des conditions réelles. En second lieu, nous décrivons une approche conjointe de réduction multicanale de l'écho, de la réverbération et du bruit. Nous proposons de modéliser simultanément la parole cible et les signaux résiduels après annulation d'écho et déréverbération dans un cadre probabiliste et de représenter conjointement leurs spectres à court terme à l'aide d'un réseau de neurones récurrent. Nous intégrons cette modélisation dans un algorithme de montée par blocs de coordonnées pour mettre à jour les filtres d'annulation d'écho et de déréverbération, ainsi que le post-filtre de suppression des signaux résiduels. Nous évaluons notre approche sur des enregistrements réels dans différentes conditions. Nous montrons qu'elle améliore la qualité de la parole ainsi que la réduction de l'écho, de la réverbération et du bruit, par rapport à une approche optimisant séparément les méthodes de filtrage et une autre approche de réduction conjointe. En dernier lieu, nous formulons une version en ligne de notre approche adaptée aux situations où les conditions acoustiques varient dans le temps. Nous évaluons la qualité perceptuelle sur des exemples réels où l'utilisateur se déplace durant la conversation.

This PhD falls within the development of hands-free telecommunication systems, more specifically smart speakers in domestic environments. The user interacts with another speaker at a far-end point and can be typically a few meters away from this kind of system. The microphones are likely to capture sounds of the environment which are added to the user's voice, such background noise, acoustic echo and reverberation. These types of distortion degrade speech quality, intelligibility and listening comfort for the far-end speaker, and must be reduced. Filtering methods can reduce individually each of these types of distortion. Reducing all of them implies combining the corresponding filtering methods. As these methods interact with each other which can deteriorate the user's speech, they must be jointly optimized. First of all, we introduce an acoustic echo reduction approach which combines an echo cancellation filter with a residual echo postfilter designed to adapt to the echo cancellation filter. To do so, we propose to estimate the postfilter coefficients using the short term spectra of multiple known signals, including the output of the echo cancellation filter, as inputs to a neural network. We show that this approach improves the performance and the robustness of the postfilter in terms of echo reduction, while limiting speech degradation, on several scenarios in real conditions. Secondly, we describe a joint approach for multichannel reduction of echo, reverberation and noise. We propose to simultaneously model the target speech and undesired residual signals after echo cancellation and dereveberation in a probabilistic framework, and to jointly represent their short-term spectra by means of a recurrent neural network. We develop a block-coordinate ascent algorithm to update the echo cancellation and dereverberation filters, as well as the postfilter that reduces the undesired residual signals. We evaluate our approach on real recordings in different conditions. We show that it improves speech quality and reduction of echo, reverberation and noise compared to a cascade of individual filtering methods and another joint reduction approach. Finally, we present an online version of our approach which is suitable for time-varying acoustic conditions. We evaluate the perceptual quality achieved on real examples where the user moves during the conversation.; Cette thèse s'insère dans le développement des systèmes de télécommunication mains-libres, en particulier avec des enceintes intelligentes en environnement domestique. L'utilisateur interagit avec un correspondant distant en étant généralement situé à quelques mètres de ce type de système. Les microphones sont susceptibles de capter des sons de l'environnement qui se mêlent à la voix de l'utilisateur, comme le bruit ambiant, l'écho acoustique et la réverbération. Ces types de distorsions peuvent gêner fortement l'écoute et la compréhension de la conversation par le correspondant distant, et il est donc nécessaire de les réduire. Des méthodes de filtrage existent pour réduire individuellement chacun de ces types de distorsion sonore, et leur réduction simultanée implique de combiner ces méthodes. Toutefois, celles-ci interagissent entre elles, et leurs interactions peuvent dégrader de la voix de l'utilisateur. Il est donc nécessaire d'optimiser conjointement ces méthodes. En premier lieu, nous présentons une approche de réduction de l'écho acoustique combinant un filtre d'annulation d'écho avec un post-filtre de suppression d'écho résiduel conçu de manière à s'adapter à différents modes de fonctionnement du filtre d'annulation. Pour cela, nous proposons d'estimer les coefficients du post-filtre en utilisant les spectres à court terme de plusieurs signaux observés, dont le signal estimé par le filtre d'annulation, en entrée d'un réseau de neurones. Nous montrons que cette approche améliore la performance et la robustesse du post-filtre en matière de réduction d'écho, tout en limitant la dégradation de la parole de l'utilisateur, sur plusieurs scénarios dans des conditions réelles. En second lieu, nous décrivons une approche conjointe de réduction multicanale de l'écho, de la réverbération et du bruit. Nous proposons de modéliser simultanément la parole cible et les signaux résiduels après annulation d'écho et déréverbération dans un cadre probabiliste et de représenter conjointement leurs spectres à court terme à l'aide d'un réseau de neurones récurrent. Nous intégrons cette modélisation dans un algorithme de montée par blocs de coordonnées pour mettre à jour les filtres d'annulation d'écho et de déréverbération, ainsi que le post-filtre de suppression des signaux résiduels. Nous évaluons notre approche sur des enregistrements réels dans différentes conditions. Nous montrons qu'elle améliore la qualité de la parole ainsi que la réduction de l'écho, de la réverbération et du bruit, par rapport à une approche optimisant séparément les méthodes de filtrage et une autre approche de réduction conjointe. En dernier lieu, nous formulons une version en ligne de notre approche adaptée aux situations où les conditions acoustiques varient dans le temps. Nous évaluons la qualité perceptuelle sur des exemples réels où l'utilisateur se déplace durant la conversation.

Data shared throughout the world has a major impact on the lives of billions of people. It is critical to be able to analyse this data automatically in order to measure and alter its impact. This analysis is tackled by training deep neural networks, which have reached competitive results in many domains. In this work, we focus on the understanding of daily life images, in particular on the interactions between objects and people that are visible in images, which we call visual relations.To complete this task, neural networks are trained in a supervised manner. This involves minimizing an objective function that quantifies how detected relations differ from annotated ones. Performance of these models thus depends on how widely and accurately annotations cover the space of visual relations.However, existing annotations are not sufficient to train neural networks to detect uncommon relations. Thus we integrate knowledge into neural networks during the training phase. To do this, we model semantic relationships between visual relations. This provides a fuzzy set of relations that more accurately represents visible relations. Using the semantic similarities between relations, the model is able to learn to detect uncommon relations from similar and more common ones. However, the improved training does not always translate to improved detections, because the objective function does not capture the whole relation detection process. Thus during the inference phase, we combine knowledge to model predictions in order to predict more relevant relations, aiming to imitate the behaviour of human observers; Les données échangées en ligne ont un impact majeur sur les vies de milliards de personnes et il est crucial de pouvoir les analyser automatiquement pour en mesurer et ajuster l'impact. L'analyse de ces données repose sur l'apprentissage de réseaux de neurones profonds, qui obtiennent des résultats à l'état de l'art dans de nombreux domaines. En particulier, nous nous concentrons sur la compréhension des intéractions entre les objets ou personnes vivibles dans des images de la vie quotidienne, nommées relations visuelles.Pour cette tâche, des réseaux de neurones sont entraînés à minimiser une fonction d'erreur qui quantifie la différence entre les prédictions du modèle et la vérité terrain donnée par des annotateurs.Nous montrons dans un premier temps, que pour la détection de relation visuelles, ces annotations ne couvrent pas l'ensemble des vraies relations et sont, de façon inhérente au problème, incomplètes. Elle ne sont par ailleurs pas suffisantes pour entraîner un modèle à reconnaître les relations visuelles peu habituelles.Dans un deuxième temps, nous intégrons des connaissances sémantiques à ces réseaux pendant l'apprentissage. Ces connaissances permettent d'obtenir des annotations qui correspondent davantage aux relations visibles. En caractérisant la proximité sémantique entre relations, le modèle apprend ainsi à détecter une relation peu fréquente à partir d'exemples de relations plus largement annotées.Enfin, après avoir montré que ces améliorations ne sont pas suffisantes si le modèle annote les relations sans en distinguer la pertinence, nous combinons des connaissances aux prédictions du réseau de façon à prioriser les relations les plus pertinentes

To prevent the loss of autonomy linked to aging due to physical and / or psychological alterations, new technologies are working to delay its occurrence, detect it, assess it by offering modern and innovative solutions. In this context, our thesis project aims to exploit the contribution of analysis and data processing techniques for monitoring human behavior.This thesis targets two important and complementary parts: the first carries out the daily action recognition performed by a person, to inform us about his degree of autonomy. The second part offers a modern solution to maintain autonomy, it is based on the execution of physical exercices.From a datasets of signals collected by an accelerometer and a gyroscope embedded in a smartphone, we have developed and implemented an intelligent system for action recognition. We were first interested in the construction of a relevant and optimal feature vector according to the classification problem encountered. Our feature selection algorithm is executed at the level of each internal node of the classification approach, thus allowing us to outperform various state-of-the-art methods. Out approach carries out the classification of three categories of actions highly correlated with autonomy and well-being: sedentary actions, periodic or pseudo-periodic actions, and non-periodic actions. Our system also recognizes six postural transitions important for autonomy and well-being. The proposed approach guarantees robustness in the location of sensors and considerably reduces the computation time necessary to recognize the action.Based on actions carried out by the person during the day, an autonomy indicator can be established. To maintain this autonomy and decrease the risk of losing it, it is important to practice physical exercises. In this context, we propose a second intelligent system to recognize human actions based on skeleton data collected from a Kinect camera. A new algorithm for feature extraction in real-time called BDV (Body-part Directional Velocity) has been proposed. The classification of actions is based on hidden Markov models (HMMs) with state output distributions represented by Gaussian mixing models (GMMs). Experimental results on public datasets have demonstrated the effectiveness of our approach and its superiority over state-of-the-art methods. The invariance and robustness to the orientation of the camera were also addressed, thus positioning our technique among the best approaches on two datasets presenting this challenge. The early recognition of the action by our system was also considered by showing that half of the actions were predictable almost in the middle of the entire sequence of skeleton data and that some classes were recognized with only 4% of the sequence.; Pour lutter contre la perte d’autonomie liée au vieillissement dû à des altérations physiques et/ou psychiques, les nouvelles technologies, oeuvrent à retarder sa survenue, la détecter, l’évaluer et proposer des solutions modernes et innovantes. Dans ce contexte, notre projet de thèse vise à exploiter l’apport des techniques d’analyse et de traitement de données pour le suivi du comportement humain.Cette thèse cible deux parties importantes et complémentaires : la première réalise la synthèse journalière de l’ensemble des actions effectuées par la personne, afin de nous renseigner sur son degré d’autonomie. La deuxième partie propose une solution moderne basée sur l’exécution d’exercices physiques sous forme de mouvements contrôlés reconnus et corrigés.A partir d’une base de données de signaux acquis d’un accéléromètre et d’un gyroscope embarqués dans un smartphone, nous avons développé et mis en place un système intelligent pour la reconnaissance de l’action. Nous nous sommes tout d’abord intéressés à la construction d’un vecteur d’attributs pertinent et optimal suivant le problème de classification rencontré. Notre algorithme de sélection d’attributs est exécuté au niveau de chaque nœud interne de l’approche de classification nous permettant ainsi d’obtenir des performances supérieures aux différents travaux existants dans la littérature. Cette démarche a permis de classer trois catégories d’actions intiment corrélées avec l’autonomie et le bien-être : les actions sédentaires, les actions périodiques ou pseudo-périodiques et les actions non périodiques. Ce système reconnaît aussi six transitions posturales négligées dans la littérature mais importantes pour l’autonomie et le bien-être. Notre approche nous garantit la robustesse à l’emplacement des capteurs et permet de réduire considérablement le temps de calcul nécessaire pour reconnaître l’action.A la base des actions effectuées par la personne durant la journée, un indicateur d’autonomie pourra être établi. Pour maintenir cette autonomie et pallier au risque de la perdre, il est important de s’entretenir physiquement. Dans ce contexte, nous proposons un second système intelligent de reconnaissance de l’action humaine basé sur des données squelette acquis à partir d’une caméra Kinect. Un nouvel algorithme d’extraction d’attributs en temps réel appelé BDV (Body-part Directional Velocity) a été proposé. Dans ce cas le système intelligent de reconnaissance de l’action est basé sur les modèles de Markov cachés (HMMs) avec des distributions de sortie d’état représentées par des modèles de mélange gaussiens (GMMs). Les résultats expérimentaux sur deux jeux de données publiques ont démontré l’efficacité de notre approche et sa supériorité par rapport aux approches de l’état de l’art. L’invariance et la robustesse de l’approche à l’orientation ont été aussi abordées en positionnant ainsi notre technique parmi les meilleures approches testées sur deux jeux de données présentation ce challenge.La reconnaissance anticipée de l’action par notre système a aussi été considérée en montrant que la moitié des actions étaient prévisibles presque au milieu de l’ensemble de la séquence de données squelette, et que certaines classes ont été reconnues avec seulement 4 % de l’ensemble des données de la séquence.

Most manufacturing products are composed of metals, themselves produced from mining or recycling of metal alloys.Our study is part of the context of mining. This activity generates huge profits through two processes: the upstream process and the downstream process. The upstream process is the headquarters of the extraction activities while the downstream process is the seat of the transformation activities. Because of the huge profits generated by the mining activity, one of the primary concerns of the decision-makers is to ensure a stable income for the activity. Therefore, we must ensure the robustness of the mining production chain. The robustness of the mining production chain means a stability of the chain in the face of hazards outside from the mining system.It should be noted that the processes of the mining chain are realized in an unique reality. Hence, we are interested in the New Caledonian mining process (French archipelago of the South Pacific) in which maritime transport is essential. This specificity places the mining system in an environment subject to climatic hazards. In this context, we are interested in the hazards caused by the hurricane event; a frequent phenomenon in this part of the globe.In order to ensure the robustness of the mining production chain, we propose to coordinate upstream and downstream processes via the exchange of key information between upstream and downstream processes and also at the very heart of the upstream process ie between mines. Moreover, the consideration of cyclonic hazards is done by a scenario approach.In order to solve the question of mining planning under uncertainty in order to ensure the robustness of the entire mining system: a bibliographic study has made it possible to highlight the component processes of the global chain. This study also identified two types of uncertainty: ore supply uncertainty and uncertainty in the distribution of the mineral product. Climate hazards are poorly studied, as is the exchange of key information between upstream and downstream processes.As a perspective, we propose: knowledge propagation in the mining context then we propose the consideration of other sources of ore likely to modify the current definition of the mining chain and finally the taking into account of the appropriate weightings between the scenarios describing expert knowledge of a hazard affecting the mining chain.; La plupart des produits manufacturiers sont composés de métaux, eux-mêmes produits à partir de l’extraction minière ou du recyclage d’alliages métalliques.Notre étude s’inscrit dans le contexte de l’exploitation minière. Cette activité génère des profits colossaux grâce à deux processus : le processus amont et le processus avale. Le processus amont est le siège des activités d’extraction tandis que le processus aval est le siège des activités de transformation. Du fait des profits colossaux générés par l’activité d’exploitation minière, une des préoccupations premières des décideurs est d’assurer un revenu stable pour l’activité. Par conséquent, on doit assurer la robustesse de la chaîne de production minière. Par robustesse de la chaîne de production minière on entend une stabilité de la chaîne face aux aléas extérieurs au système minier.Il faut noter que les processus de la chaîne minière se réalisent dans une réalité propre. De ce fait, nous nous intéressons au processus minier calédonien (archipel français du pacifique sud) dans lequel le transport maritime est primordial. Cette spécificité inscrit le système minier dans un environnement sujet aux aléas climatiques. Dans ce contexte, nous nous intéressons aux aléas causés par l’occurrence d’ouragan ; phénomène fréquent dans cette partie du globe.Afin d’assurer la robustesse de la chaîne de production minière, nous proposons d’assurer une coordination entre processus amont et aval via l’échange d’information clé entre les processus amont et aval et également au cœur même du processus amont i.e. entre les mines. Ajoutons, que la prise en compte des aléas cycloniques se fait par une approche par scénario.Afin de résoudre la question de la planification minière sous incertitude dans le but d’assurer la robustesse de l’ensemble du système minier : une étude bibliographique a permis de mettre en exergue les processus composant de la chaîne globale. Cette étude a également permis d’identifier deux types d’incertitude : l’incertitude liée à l’approvisionnement de minerai et l’incertitude liée à la distribution du produit minier. Les aléas climatiques sont peu étudiés, de même que l’échange d’information clé entre processus amont et processus aval.En guise de perspective, nous proposons : la propagation et la représentation de la connaissance entre processus amont et aval.

Le découpage d’une série temporelle en segments d'intérêt, récurrents ou isolés, est un sujet de recherche en traitement du signal et fouille de données, qui trouve des applications dans de nombreux domaines comme l'analyse de signaux marins. Le projet scientifique développé dans mon mémoire d'habilitation à diriger des recherches concerne la classification et la segmentation de séries temporelles uni- ou multi-variées par des techniques d’apprentissage non supervisé à guidé. Les approches proposées dans ce cadre sont utilisées dans différentes applications comme la caractérisation des masses d’eau lors d’un transect de bateau ou la caractérisation de la dynamique phytoplanctonique à partir de signaux collectés. L'objectif de la segmentation de série est d'utiliser les informations ou mesures fournies par différents capteurs, pour offrir une meilleure connaissance des états du processus observé sans a priori sur leur nombre, leur distribution et la datation de leur apparition dans cette série. Un de nos apports dans ce domaine est de conserver la résolution des données et de proposer une comparaison des séries et une modélisation markovienne d’une série, par apprentissage totalement non supervisé combinant des techniques de classification spectrale. De nouvelles méthodes de complétion basées sur une recherche de segments redondants ont aussi été proposées. Ainsi, il devient possible d'interpréter en totalité une série temporelle complexe, caractérisée par un cycle saisonnier ou par des processus non stationnaires à forte variabilité, malgré de longues plages de valeurs manquantes ou aberrantes. Un autre apport a été de formaliser des techniques d’intégration de connaissance par paires selon le formalisme ML/CNL (deux observations doivent être liées, ou ne le doivent pas, formalisme de contraintes de Wagstaff). Ces connaissances sont obtenues soit par proposition d'une sélection d’observations représentatives à un expert humain, soit par introduction d'informations sur la dynamique du processus étudié. Ce travail a principalement été appliqué à la caractérisation de la dynamique phytoplanctonique avec des résolutions infra-horaires à partir de données physico-chimiques pluriannuelles issues de stations de mesures fixes instrumentées, ou de données issues d'embarcation mobile d’opportunité lors de transects. Des expérimentations sur signaux réels ont montré que les méthodes proposées génèrent des segmentations cohérentes, satisfaisantes pour l'expert humain. En particulier, leurs résultats ont permis de détecter des événements intermittents, mais aussi extrêmes tels que les efflorescences particulières d’espèces nuisibles ou toxiques ayant une forte réponse aux forçages environnementaux et anthropiques. L’étiquetage automatique obtenu est aussi une première réponse pour fournir une base d’apprentissage à des systèmes de classification supervisée, où la tache de labellisation par un expert humain est impossible compte tenu des technologies actuelles aux résolutions de plus en plus élevées. Ainsi, aujourd’hui les perspectives de ce travail sont l’apprentissage supervisé et incrémental de ces événements pour affiner des stratégies actives de correction de ces événements lorsqu’ils peuvent être nocifs.

International audience

International audience

International audience; Nous présentons Lexifield, un système entièrement automatique et indépendant de la langue pour la construction de lexiques spécifiques à un domaineà partir de courtes listes de termes 1. Lexifield s’appuie sur un modèle de plongement lexical (word embedding), un dictionnaire de définitions et un dictionnaire de synonymes. Pour évaluer Lexifield, quatre lexiques ont été générés : unlexique en français pour le sujet “son” et trois lexiques en anglais pour les sujets“sound”, “taste” et “odour”. Les résultats ont confirmé ses bonnes performancespar rapport à d’autres systèmes de l’état de l’art.

International audience

Résumé : L’anatomopathologie remonte au 19ème siècle. Depuis, le matériel n’a cessé d’évoluer, mais l’oeil expert du pathologiste reste incontournable. De même, le processus complet (préparation du tissu et des lames, coloration, contrôle qualité) consiste encore en beaucoup d’étapes manuelles. Grâce à l’avènement récent de scanners numériques à bon rendement, les lames d’histopathologie tissulaire peuvent maintenant être numérisées et stockées sous forme d’images numériques. Avec la disponibilité et l’analyse d’un ensemble beaucoup plus vaste de variables combinées à des techniques d’imagerie et d’analyse sophistiquées, le paradigme traditionnel du pathologiste et de la microscopie pourrait rapidement être remplacé par la pathologie numérique, s’appuyant sur une visualisation sur écran des coupes de tissus numérisées et une analyse combinant un pathologiste et un système d’aide au diagnostic informatisé. En termes d’analyse d’images, d’immenses progrès ont aussi été faits récemment, notamment les travaux de Lecun et al. sur les réseaux de neurones convolutionnels et surtout le développement de réseaux de neurones de très grandes tailles (apprentissage profond) qui révolutionnent le domaine. En effet, ceux-ci ont surpassé l’ensemble des méthodes de traitement d’images existantes dans la plupart des domaines (segmentation, détection d’objets, classification). L’ensemble des méthodes actuelles appliquées à l’analyse d’images histopathologiques sera présenté ainsi que les enjeux et défis technologiques futurs de cette discipline. Abstract : Anatomical Pathology dates back to the 19th century when Rudolf Virchow introduced his concept of cellular pathology and when the technical improvements of light microscopy enabled wide-spread use of structural criteria to define diseases. Since then, the quality of optical instruments has been constantly evolving. However, the central element of the diagnostic process remains the knowledge and experience of pathologists visually classifying observations according to internationally agreed guidelines (e.g., WHO classification), and much of the preanalytical steps of specimen preparation (e.g., fixation, embedding, sectioning, staining) is only partially automated and still requires many manual steps. Thanks to the recent advent and cost-effectiveness of digital scanners, tissue histopathology slides can now be fully digitized and stored as Whole Slide Images. With the availability and analysis of a much larger set of variables combined with sophisticated imaging and analytic techniques, the traditional paradigm of pathology based on visually descriptive microscopy can be complemented and substantially improved by digital pathology, utilizing screen-based visualization of digital tissue sections and novel analysis tools potentially combining the conventional evaluation by pathologists with a computer-based diagnostic aid system. A central element of such evolving medical utilities and decision support systems will be image analysis, a field in which deep learning has recently made immense progress, notably the work of Lecun et al. on convolutional neural networks and especially the development of very large neural networks (deep learning) that are revolutionizing the field. Indeed, they have surpassed all existing image processing methods in most fields (segmentation, object detection, classification, etc.). All current methods applied to histopathological image analysis will be presented as well as the future technological issues and challenges of this discipline.

Agents using a role variable to specialize in the collection of one kind of object. MIND architecture., Utilisation d'une variable de rôle pour se spécialiser dans le ramassage d'un type d'object. Architecture MIND.

One of the objectives of this thesis is to demonstrate that Partial Differential Equations (PDE) can be powerful to build efficient Artificial Intelligence, especially in the Smart Farming sector. Data Assimilation seems to be the tool that will permit to oversee the breeding farms of tomorrow. Yet, to perform Data Assimilation for livestock data, it is necessary to have tools having a very strong learning capability from data and able to predict the evolution of biological variables. To achieve these objectives, we built biomimetic Statistical Learning tools, based on PDE systems embarking the mathematical expression of key biological processes. These equations permit to involve synthetic modeling of the internal dynamics of the animal body. They contain parameters, corresponding to biological-like factors which can be learned from collected data. Those thesis works demonstrated that those tools distinguished themselves from the existing ones by their capability to be fitted on few data without overfitted the training data and to integrate information over time. They also distinguished themselves by their capability to learn dynamics on a given period and to apply those learned dynamics out of the ranges of the used training data. We also performed studies relative to the existence, the uniqueness and some qualitative properties of the solution of our main PDE model., Un des objectifs de ces travaux de thèse a été de montrer que les Equations aux Dérivées Partielles (EDP) pouvaient être des outils intéressants pour construire d’efficientes Intelligences Artificielles, tout particulièrement pour traiter des problématiques liées à l’élevage de précision. L’Assimilation de Données semble être l’outil qui permettra de piloter les élevages de demain. Or pour réaliser de l’Assimilation de Données d’élevage il est nécessaire de disposer d’outils ayant une très forte capacité d’apprentissage et capables de prédire l’évolution de variables biologiques. Pour atteindre ces objectifs nous avons construit des outils de Statistical Learning biomimétiques basés sur des systèmes d’EDP embarquant l’expression mathématique de processus biologiques. Ces équations permettent d’embarquer une modélisation synthétique de la dynamique interne du corps de l’animal. Elles contiennent des paramètres, associés à des facteurs biologiques, qui peuvent être appris sur des données. Au cours de ces travaux de thèse nous avons montré que ces outils de Statistical Learning se distinguent des outils existants par leur capacité à s’ajuster sur très peu de données, sans surajuster les données d’apprentissage et leur capacité à intégrer des informations au cours du temps. Les outils construits se distinguent également par leur capacité à apprendre une dynamique sur une période donnée et d’appliquer cette dynamique apprise en dehors de la gamme de données d’apprentissage. Au cours de ces travaux de thèse nous avons également réalisé des études relatives à l’existence, à l’unicité et à certaines propriétés qualitatives de la solution de notre modèle d’EDP principal.

Deep convolutional networks (convnets) have a predominant importance in pattern recognition, and in machine listening in particular. Although the resort to two-dimensional convolutions in the time-frequency domain has led to successful results in audio classification, the prospect of employing them directly in the raw waveform, without any a priori on the underlying time-frequency representation,would allow to take full advantage of the "end-to-end learning" paradigm. However, applying statistical machine learning to yield a spectrogram-like time-frequency representation raises issues of aliasing, scalability, and phase reconstruction. In this document, I address those issues by initiating a research program at the intersection of multiresolution approximation (MRA) and deep learning. I outline the main theoretical and experimental challenges that remain to be solved in order to train multiresolution neural networks (MuReNN) on machine listening tasks, either supervised or unsupervised.; Les réseaux convolutifs profonds (convnets) occupent une place prépondérante en reconnaissance des formes, et notamment en écoute artificielle (machine listening). Si l'utilisation de convolutions bidimensionnelles dans le plan temps-fréquence a fourni des résultant probants en classification de sons, la perspective de les employer directement sur le domaine de la forme d'onde (raw waveform), sans a priori de représentation temps-fréquence, permettrait à l'avenir de tirer pleinement parti du paradigme "de bout en bout" (end to end). Toutefois, l'apprentissage statistique d'une représentation de type spectrogramme soulève des problèmes de repliement de spectre (aliasing), de scalabilité, et de reconstruction de phase. Dans ce document, je propose d'y répondre en initiant une démarche de recherche mêlant étroitement approximations multirésolution (MRA) et apprentissage profond. J'esquisse les principaux défis théoriques et pratiques restant à relever pour entrainer des réseaux de neurones multirésolution (MuReNN) sur des tâches d'écoute artificielle, supervisées ou non.

Nous commençons le projet en explorant un grand nombre de méthodes NLP qui s'apparentent au Topic Clustering. Ensuite, nous choisissons parmi ces techniques une qui nous semble la plus prometteuse, à savoir les Contextualised Word Embeddings. Dans notre projet, nous nous intéressons plus particulièrement à ELMo, que l'on compare à d'autres modèles similaires en terme de performance. En optimisant les hyper-paramètres des modèles construits, nous obtenons un f1-score supérieur de 0.9. Nous poussons l'étude un peu plus loin, en examinant non seulement la détection de sujet, mais aussi la génération d'une réponse adéquate, avec un mécanisme d'attention particulièrement efficace dans le cas d'un utilisateur non-coopératif. Enfin, nous étudions comment les 3 modèles décrits peuvent être combinés pour répondre à la problématique du projet.

Our research is part of a technological research program in adult education conducted in reference to the "course of action" program. Using the activity-sign hypothesis of this programme, training situations are thought as opportunities to perturb/relaunch the participants’dynamics of meaning. Our contribution aims to (i) improve the conceptualization of training situations that are thought as aids to the understanding and transformation of the participants situations, and (ii) derive cross-cutting design principles that allow the enactment of these training situations in different contexts. We rely on the analysis of training programs aiming either at the management or at the overcoming of events experienced as unprecedented and critical by the individuals concerned. Depending on the case, these training programs have a "restorative" aim (resolving of impasse situations), or have a "preparatory" aim (prefiguration of crisis situations). The design principles of these training programs and their effects are analysed with the conceptual tools developed within the course-of-action, integrating two additional dimensions: fictional and event-driven. The conditions for the emergence of new meanings are described in terms of abduction, either for reparative purposes (resolution of deadlock situations) or for preparatory purposes (prefiguration of crisis situations). The contribution to course-of-action program and to research on adult education is discussed through the prism of the hypothesis of activity-sign., Notre recherche s'inscrit dans un programme de recherche technologique en formation des adultes conduit en référence au programme du « cours d'action » (Theureau, 2006, 2009, 2015). À partir de l'hypothèse d'activité-signe inscrite dans ce programme, nous concevons les formations comme des occasions de perturbation et/ou relance de la dynamique de signification des participant-es. Cette contribution a pour buts (i) de faire avancer la conceptualisation de formations conçues comme des aides aux participant-es pour la compréhension et la transformation de leur activité, et (ii) d'élaborer des principes de conception transversaux qui permettent la mise en oeuvre de ces formations dans différents contextes. Nous nous appuyons sur l'analyse de formations visant soit la gestion, soit le dépassement d'évènements vécus comme inédits et critiques par les individus concernés. Il s'agit, selon le cas, de formations ayant une visée « réparatrice » de situations vécues comme traumatisantes et/ou sclérosantes, ou ayant une visée « préparatrice » à des situations imprévues et pouvant avoir des conséquences majeures. À travers le concept d'abduction, les conditions d'émergence de nouvelles significations sont décrites, soit à des fins « réparatrices » (dénouement de situations d'impasse), soit à des fins « préparatrices » (préfiguration de situations de crise). Les principes de conception de ces formations et leurs effets sont analysés à l'aide des outils conceptuels du cours d'action, en intégrant deux dimensions supplémentaires : fictionnelle et événementielle. La contribution au programme du cours d'action et à la recherche en formation est discutée en fin d'article au prisme de l'hypothèse d'activité-signe.

Coordination of reactive agent on a foraging task . MIND architecture., Coordination d'agents réactifs pour une tache de fourragement . Architecture MIND.

Using a variable to generalize behaviour. MIND architecture., Utilisation d'une variable pour généraliser un comportement. Architecture MIND.

Image comparison, which consists in deciding whether or not several images represent some common or similar objects, is a problem recognized as difficult, especially because of the viewpoint changes between images. The apparent deformations of objects caused by changes of the camera position can be locally approximated by affine maps. This has motivated the quest for affine invariant local descriptors in the last 15 years. Unfortunately, existing descriptors cannot handle angle viewpoint differences larger than 45 degrees, and fail completely beyond 60 degrees. In this thesis, we address several strategies to resolve this limitation, and we show at the end that they complete each other.Three main branches to obtain affine invariance are actively being investigated by the scientific community:- Through affine simulations followed by (less invariant) matching of many simulated image pairs;- Through a description that is already independent from the viewpoint;- Through local affine patch normalization.In this thesis we explore all three approaches. We start by presenting a distance between affine maps that measures viewpoint deformation. This distance is used to generate optimal (minimal) sets of affine transformations, to be used by Image Matching by Affine Simulation (IMAS) methods. The goal is to reduce the number of affine simulations while keeping the same performance level in the matching process. We use these optimal sets of affine maps and other computational improvements to boost the well established ASIFT method. We also propose a new method, Optimal ARootSIFT whose performance and speed significantly improve on those of ASIFT. As a side quest and direct application of the IMAS methodology, we propose two descriptors suitable to track repeated objects based on the Number of False Alarms (NFA), test their viewpoint tolerance and generate accordingly proper sets of affine simulations. In that way we end up with two IMAS methods able to handle repetitive structures under strong viewpoint differences.Our search for improvement focuses then on local descriptors, which once were manually-designed, but are currently being learned from data with the promise of a better performance. This motivates our proposition of an affine invariant descriptor (called AID) based on a convolutional neural network trained with optical affine simulated data. Even if not trained for occlusion nor noise, the performance of AIDs on real images is surprisingly good. This performance confirms that it might be possible to attain a straightaway common description of a scene regardless of viewpoint.Finally, recent advances in affine patch normalization (e.g. Affnet) help circumvent the lack of affine invariance of state-of-the-art descriptors. As usual with affine normalization, patches are normalized to a single representation and then described. We instead propose to rely not on the precision nor on the existence of a single affine normalizing map, by presenting an Adaptive IMAS method that computes a small set of possible normalizing representations. This method aggregates the Affnet information to attain a good compromise between speed and performance. At the end of the day, our inquiries lead to a method that fuses normalization and simulation ideas to get a still faster and more complete affine invariant image matcher.All in all, affine invariance is a way to remove the viewpoint information from patches and focus on what the scene really describes. However, clues on how geometry is transformed can be useful when matching two images, e.g., recovering the global transformation, the proposal of new tentative matches, among others. With that in mind, we propose a LOCal Affine Transform Estimator (LOCATE) which is proved to be valuable for affine guided matching and homography estimation. These two applications of LOCATE provide complementary tools that improve still more the affine invariant image matchers presented above., La mise en correspondance d'images, qui consiste à décider si plusieurs images représentent ou non des objets communs ou similaires, est un problème reconnu comme difficile, notamment en raison des changements de point de vue entre les images. Les déformations apparentes des objets causées par les changements de position de la caméra peuvent être approximées localement par des transformations affines. Cette propriété a motivé la recherche de descripteurs locaux invariants affines depuis une quinzaine d'années. Malheureusement, les descripteurs existants ne permettent pas de traiter des différences de point de vue d'angle supérieures à 45 degrés, et échouent complètement au-delà de 60 degrés. Dans cette thèse, nous abordons plusieurs stratégies pour résoudre cette limitation, et nous montrons qu'elles se complètent.Trois directions principales pour obtenir l'invariance affine sont activement étudiées par la communauté scientifique :- Par des simulations affines suivies d'un appariement (moins invariant) de nombreux couples d'images simulées ;- Par une description indépendante du point de vue ;- Grâce à une normalisation affine locale de patchs.Dans cette thèse, nous explorons les trois approches. Nous commençons par présenter une distance entre les transformations affines qui mesure la déformation du point de vue. Cette distance est utilisée pour générer des ensembles optimaux (minimaux) de transformations affines, qui sont utilisés par les méthodes de mise en correspondance d'images par simulation affine (IMAS). L'objectif est de réduire le nombre de simulations affines à simuler tout en conservant le même niveau de performance dans le processus d'appariement. Nous utilisons ces ensembles optimaux de transformations affines et d'autres améliorations informatiques pour renforcer la méthode ASIFT. Nous proposons également une nouvelle méthode, Optimal ARootSIFT, dont les performances et la vitesse sont nettement supérieures à celles d'ASIFT. Dans une application directe de la méthodologie IMAS pour un problème connexe, nous proposons deux descripteurs permettant de suivre des objets répétés en mesurant un nombre de fausses alarmes (NFA), de tester leur tolérance au changement de point de vue, et de générer en conséquence des ensembles appropriés de simulations affines. De cette façon, nous obtenons deux méthodes IMAS capables de traiter des structures répétitives avec de fortes différences de points de vue.Notre recherche d'amélioration se concentre ensuite sur les descripteurs locaux, qui étaient autrefois conçus heuristiquement, mais qui sont actuellement appris à partir de données massives, avec la promesse d'une meilleure performance. Nous proposons un descripteur invariant affine (appelé AID) appris par un réseau neuronal convolutionnel entraîné avec des données simulées. Même si ce réseau n'est pas entraîné pour les occlusions ou le bruit, la performance des descripteurs AIDs sur des images réelles est étonnamment bonne. Cette performance confirme qu'il est possible d'obtenir immédiatement une description commune d'une scène, quel que soit le point de vue.Enfin, les progrès récents dans la normalisation affine des patchs (par exemple Affnet) permettent de contourner l'absence d'invariance affine des descripteurs de l'état de l'art. Comme d'habitude avec la normalisation affine, les patchs sont normalisés en une représentation unique, qui est transformée en descripteur. Nous préférons ne pas nous fier à la précision ni à l'existence d'une seule normalisation affine, et présentons une méthode IMAS adaptative qui calcule un petit ensemble de représentations normalisantes possibles. Cette méthode agrège les informations d'Affnet pour obtenir un bon compromis entre vitesse et performance. En fin de compte, nos recherches aboutissent à une méthode qui fusionne les idées de normalisation et de simulation pour obtenir une mise en correspondance d'images invariante affine encore plus rapide et plus complète.

A demo of the Collect task(2020) with the real time effect of the influence on the hierarchy. MIND architecture., Une démonstration de la tâche "Collect" (2020) avec l'affichage en temps réel de l'effet de l'influence sur la hiérarchie. Architecture MIND.

National audience; L’équipe Bibliome développe des méthodesd’extraction et de formalisation d’information à partir de textes écrits. Ces méthodes identifient et formalisent des informations et connaissances précisesdans de larges corpus de documents de genres divers et les mettent en relation, faisant appel à desméthodes de traitement automatique de la langueet d’apprentissage automatique. Les principaux travaux concernent trois sujets :1. l’apprentissage automatique pour la reconnaissance et la formalisation d’entités et de relations ;2. la conception de terminologies et d’ontologies ;3. l’intégration et l’évaluation des méthodes dansune infrastructure partagée.Nos recherches sont guidées par des besoins applicatifs qui permettent de valider nos méthodeset d’identifier les objectifs prioritaires dans des domaines variés de la biologie, microbiolologie, génétique et phénotypes des plantes et des animauxd’élevage.

Mes travaux portent principalement sur le développement, l’adaptation, l’implémentation et l’application de méthodes statistiques de sélection de modèle. Ma principale contribution consiste à adapter des méthodes de l'apprentissage statistique supervisé qui sont devenues très populaires lors de la dernière décennie, les régressions pénalisées de type Lasso, à l'analyse de données issues d'études épidémiologiques. L'enjeu est de s'attaquer aux problèmes des données volumineuses (\textit{Big Data}) tout en respectant les objectifs et spécificités de la discipline. Le volume important se réfère ici au fait que le nombre d'observations et/ou le nombre de variables est bien plus important que celui qui était classique dans le domaine, sans exclure le cas où le nombre de variables est supérieur au nombre d'observations (données de grande dimension). Le contexte de la pratique épidémiologique est en plein changement avec les évolutions technologiques et la conséquente disponibilité croissante des Big Data. Le Système National des Données de Santé (SNDS), regroupant les principales bases de données de santé publique existantes en France, constitue un exemple de Big Data en santé. Le données ``omiques'' (génomiques, transcriptomiques, protéomiques, métabolomiques, microbiomiques, mycobiomiques, viromiques,$\ldots$) issues des avancées des techniques de séquençage à haut débit constituent un autre exemple de Big Data en santé. Enfin, les mesures de l'\textit{exposome} (par opposition aux facteurs génétiques), qui désigne en épidémiologie l’ensemble des expositions environnementales que subit un individu au long de sa vie peut également constituer une source de Big Data.Ce document s'articule autour de trois chapitres. Il résume mon activité de recherche depuis 2005, soit depuis mon recrutement à l’Université de Bordeaux après ma thèse. Le premier chapitre est une introduction générale dans laquelle je contextualise, motive et énonce la problématique abordée tout au long de mes recherches. Le deuxième chapitre est consacré à mes travaux en lien avec les études sur les traumatismes accidentels et expositions médicamenteuses à partir des données du SNDS. Le troisième chapitre est consacré à mes travaux en lien avec des études biomédicales: la prédiction de la charge virale censurée par un seuil de détection à partir des mutations du VIH, d'une part, et l'automatisation de la détection des seuils d'anomalie des hémogrammes en population générale, d'autre part.

The semantic Web proposes standards and tools to formalize and share knowledge on the Web, in the form of ontologies. Biomedical ontologies and associated data represents a vast collection of complex, heterogeneous and linked knowledge. The analysis of such knowledge presents great opportunities in healthcare, for instance in pharmacovigilance. This thesis explores several ways to make use of this biomedical knowledge in the data mining step of a knowledge discovery process. In particular, we propose three methods in which several ontologies cooperate to improve data mining results. A first contribution of this thesis describes a method based on pattern structures, an extension of formal concept analysis, to extract associations between adverse drug events from patient data. In this context, a phenotype ontology and a drug ontology cooperate to allow a semantic comparison of these complex adverse events, and leading to the discovery of associations between such events at varying degrees of generalization, for instance, at the drug or drug class level. A second contribution uses a numeric method based on semantic similarity measures to classify different types of genetic intellectual disabilities, characterized by both their phenotypes and the functions of their linked genes. We study two different similarity measures, applied with different combinations of phenotypic and gene function ontologies. In particular, we investigate the influence of each domain of knowledge represented in each ontology on the classification process, and how they can cooperate to improve that process. Finally, a third contribution uses the data component of the semantic Web, the Linked Open Data (LOD), together with linked ontologies, to characterize genes responsible for intellectual deficiencies. We use Inductive Logic Programming, a suitable method to mine relational data such as LOD while exploiting domain knowledge from ontologies by using reasoning mechanisms. Here, ILP allows to extract from LOD and ontologies a descriptive and predictive model of genes responsible for intellectual disabilities.These contributions illustrates the possibility of having several ontologies cooperate to improve various data mining processes., Le Web sémantique propose un ensemble de standards et d'outils pour la formalisation et l'interopérabilité de connaissances partagées sur le Web, sous la forme d'ontologies.Les ontologies biomédicales et les données associées constituent de nos jours un ensemble de connaissances complexes, hétérogènes et interconnectées, dont l'analyse est porteuse de grands enjeux en santé, par exemple dans le cadre de la pharmacovigilance.On proposera dans cette thèse des méthodes permettant d'utiliser ces ontologies biomédicales pour étendre les possibilités d'un processus de fouille de données, en particulier, permettant de faire cohabiter et d'exploiter les connaissances de plusieurs ontologies biomédicales.Les travaux de cette thèse concernent dans un premier temps une méthode fondée sur les structures de patrons, une extension de l'analyse formelle de concepts pour la découverte de co-occurences de événements indésirables médicamenteux dans des données patients. Cette méthode utilise une ontologie de phénotypes et une ontologie de médicaments pour permettre la comparaison de ces événements complexes, et la découverte d'associations à différents niveaux de généralisation, par exemple, au niveau de médicaments ou de classes de médicaments.Dans un second temps, on utilisera une méthode numérique fondée sur des mesures de similarité sémantique pour la classification de déficiences intellectuelles génétiques. On étudiera deux mesures de similarité utilisant des méthodes de calcul différentes, que l'on utilisera avec différentes combinaisons d'ontologies phénotypiques et géniques. En particulier, on quantifiera l'influence que les différentes connaissances de domaine ont sur la capacité de classification de ces mesures, et comment ces connaissances peuvent coopérer au sein de telles méthodes numériques.Une troisième étude utilise les données ouvertes liées ou LOD du Web sémantique et les ontologies associées dans le but de caractériser des gènes responsables de déficiences intellectuelles. On utilise ici la programmation logique inductive, qui s'avère adaptée pour fouiller des données relationnelles comme les LOD, en prenant en compte leurs relations avec les ontologies, et en extraire un modèle prédictif et descriptif des gènes responsables de déficiences intellectuelles.L'ensemble des contributions de cette thèse montre qu'il est possible de faire coopérer avantageusement une ou plusieurs ontologies dans divers processus de fouille de données.

International audience; Cet article est le prolongement des deux articles «L’extraction des règles d’association (RA) Support-valides à base de MGK» et «Une mesurede cohésion basée sur MGK», parus dans les actes de SFC’2017. L’objectif est d’utiliser la nouvelle mesure de cohésion par la méthode CHIC, pour classifier les mesures des RA repértoriées dans la littérature et de faciliter l’interprétation des RA obtenues pour un choix judicieux des mesures.

During the last few years Recurrent Neural Networks (RNN) have reached state-of-the-art performances on most sequence modeling problems. In particular the sequence to sequence model and the neural CRF have proved very effective on this class of problems. In this paper we propose an alternative RNN for sequence labelling, based on label embeddings and memory networks, which makes possible to take arbitrary long contexts into account. Our results are better than those of state-of-the-art models in most cases, and close to them in all cases. Moreover, our solution is simpler than the best models in the literature. MOTS-CLÉS : Réseaux neuronaux récurrents, contexte global, Étiquetage de séquences., Depuis quelques années, les réseaux neuronaux récurrents ont atteint des performances à l'état-de-l'art sur la plupart des problèmes de traitement de séquences. Notamment les modèles sequence to sequence et les CRF neuronaux se sont montrés particulièrement efficaces pour ce genre de problèmes. Dans cet article, nous proposons un réseau neuronal alternatif pour le même type de problèmes, basé sur l'utilisation de plongements d'étiquettes et sur des réseaux à mémoire, qui permettent la prise en compte de contextes arbitrairement longs. Nous comparons nos modèles avec la littérature, nos résultats dépassent souvent l'état-de-l'art, et ils en sont proches dans tous les cas. Nos solutions restent toutefois plus simples que les meilleurs modèles de la littérature.

International audience

International audience; Dans ce document, nous proposons une nouvelle approche répondant à la tâche de classification d'images à partir d'un apprentissage sur données positives et non-labélisées. Son bon fonctionnement repose sur certaines particularités des réseaux antagonistes génératifs (GANs). Ces derniers nous permettent de générer des fausses images dont la distribution se rapproche de la distribution des échantillons négatifs inclus dans le jeu de données non labélisé disponible, tout en restant différente de la distribution des échantillons positifs non labélisés. Ensuite, nous entraînons un classifieur convolutif avec les échantillons positifs et les faux échantillons générés, tel que cela aurait été fait avec un jeu de données classique de type Positif Négatif. Les tests réalisés sur trois jeux de données différents de classification d'images montrent que le système est stable dans son comportement jusqu'à une fraction conséquente d'échantillons positifs présents dans le jeu de données non labélisé. Bien que très différente, cette méthode surpasse l'état de l'art PU learning sur le jeu de données RVB CIFAR-10.

Our research focuses on the recommendation of new job offers that have just been posted and have no interaction history (cold start). To this objective, we adapt well-knowns recommendations systems in the field of e-commerce by exploiting the record of use of all job seekers on previous offers. One of the specificities of the work presented is to have considered real data, and to have tackled the challenges of heterogeneity and noise of textual documents. The presented contribution integrates the information of the collaborative data to learn a new representation of text documents, which is required to make the so-called cold start recommendation of a new offer. The new representation essentially aims to build a good metric. The search space considered is that of neural networks. Neural networks are trained by defining two loss functions. The first seeks to preserve the local structure of collaborative information, drawing on non-linear dimension reduction approaches. The second is inspired by Siamese networks to reproduce the similarities from the collaborative matrix. The scaling up of the approach and its performance are based on the sampling of pairs of offers considered similar. The interest of the proposed approach is demonstrated empirically on the real and proprietary data as well as on the CiteULike public benchmark. Finally, the interest of the approach followed is attested by our participation in a good rank in the international challenge RecSys 2017 (15/100, with millions of users and millions of offers)., Notre recherche porte sur la recommandation de nouvelles offres d'emploi venant d'être postées et n'ayant pas d'historique d'interactions (démarrage à froid). Nous adaptons les systèmes de recommandations bien connus dans le domaine du commerce électronique à cet objectif, en exploitant les traces d'usage de l'ensemble des demandeurs d'emploi sur les offres antérieures. Une des spécificités du travail présenté est d'avoir considéré des données réelles, et de s'être attaqué aux défis de l'hétérogénéité et du bruit des documents textuels. La contribution présentée intègre l'information des données collaboratives pour apprendre une nouvelle représentation des documents textes, requise pour effectuer la recommandation dite à froid d'une offre nouvelle. Cette représentation dite latente vise essentiellement à construire une bonne métrique. L'espace de recherche considéré est celui des réseaux neuronaux. Les réseaux neuronaux sont entraînés en définissant deux fonctions de perte. La première cherche à préserver la structure locale des informations collaboratives, en s'inspirant des approches de réduction de dimension non linéaires. La seconde s'inspire des réseaux siamois pour reproduire les similarités issues de la matrice collaborative. Le passage à l'échelle de l'approche et ses performances reposent sur l'échantillonnage des paires d'offres considérées comme similaires. L'intérêt de l'approche proposée est démontrée empiriquement sur les données réelles et propriétaires ainsi que sur le benchmark publique CiteULike. Enfin, l'intérêt de la démarche suivie est attesté par notre participation dans un bon rang au challenge international RecSys 2017 (15/100; un million d'utilisateurs pour un million d'offres).

International audience; L'ambition du projet "Les Filles Qui..." est de revaloriser les métiers de l'informatique auprès des filles et s'appuie sur les vertus de la pédagogie par l'exemple et de l'enseignement mutuel. A l'appui de ce projet et sur la base d'un protocole de recherche adapté, nous souhaitons questionner le concept d'organisation apprenante et analyser les motivations et ressorts à l'action des différentes parties prenantes en nous focalisant notamment sur les étudiantes dispensatrices de savoirs.

We propose a novel deep learning-based framework to tackle the challenge of semantic segmentation of large-scale point clouds of millions of points. We argue that the organization of 3D point clouds as interconnected object parts can be efficiently captured by a structure called superpoint graph (SPG). Our framework sets a new state of the art for segmenting outdoor LiDAR scans (+11.9 and +8.8 mIoU points for both Semantic3D test sets [13]), as well as indoor scans (+12.4 mIoU points for the S3DIS dataset [2]). This is a french translation of the article [25]., Nous proposons dans cet article une méthode pour la seg-mentation sémantique de nuages de millions de points basée sur l'apprentissage profond. Nous introduisons une nouvelle structure pour les nuages de points 3D ap-pelée graphe de superpoints (superpoint graph, ou SPG), capable d'encoder demanì ere compacte l'organisation d'un nuage de points en sous-objets interconnectés. Notre méthode définit un nouveí etat de l'art pour la segmenta-tion sémantique de scans LiDAR aussi bien en extérieur (+11.9 et +8.8 points de mIoU pour les deux ensembles de tests de Semantic3D [13]), ainsi qu'en extérieur (+12.4 points de mIoU pour les acquisitions S3DIS [2]).

International audience; La détection précoce d'actions vise à déterminer au plus tôt la classe d'une action, si elle a lieu, dans un flot non segmenté et en utilisant le moins d'observations possibles. Cette tâche est d'autant plus complexe qu'elle doit considérer à la fois des contraintes de détection, de reconnaissance et celles de précocité. De ce fait, et en dépit de son intérêt pratique certain, cette problématique est rarement abordée dans la littérature. Dans ce papier, nous proposons une approche combinant trois modèles basés sur le concept de segmentation curviligne. Ces modèles permettent de traiter le flot d'entrée à court, moyen et long terme de façon à réduire à la fois le risque d'erreur et la latence. De plus, le fait que ces modèles soient basés sur la notion de segmentation curviligne permet de s'affranchir de difficultés inhérentes à la détection, notamment la variabilité des vitesses de performance. En outre, l'approche proposée est adaptée au cas de la reconnaissance d'actions pré-segmentées afin de permettre une comparaison aux meilleures approches de la littérature, notamment celles à base d'apprentissage profond. Les résultats que nous présentons dans le cadre de la détection précoce et celui de la reconnaissance sont prometteurs vis-à-vis de ce sujet de recherche encore en émergence.

National audience

National audience

International audience; Soumission: Jeune-chercheur Mots-clés: Reconnaissance de gestes manuscrites, Evolving Fuzzy System (EFS), concept drifts, clustering incrémental, apprentissage incrémental en-ligne. Avec la multiplication des appareils intégrant des interfaces tactiles, l'interaction homme-machine tactile ou stylet s'est démocratisée. Malgré cela, aujourd'hui encore, l'interaction repose le plus souvent sur un jeu de gestes imposés par le système, facilitant la reconnaissance au détriment de la flexibilité pour l'utilisateur. Il a cependant été montré par [1] qu'un utilisateur s'approprie plus facilement les gestes de commandes s'il peut les personnaliser. De nombreuses applications pourraient tirer profit d'une telle personnalisation pour offrir un interaction personnalisée plus intuitive. Dans ce contexte, l'utilisateur peut ajouter de nouveaux gestes à chaque instant de l'utilisation du système il peut aussi progressivement modifier la forme de ses gestes. Pour concevoir ce type d'interaction, il est nécessaire d'utiliser un système d'apprentissage évolutif capable notamment de changer sa structure à partir de très peu de données pour réagir au changement de concepts (ajout de classes, modification de gestes). Les systèmes de reconnaisse évolutif (evolving fuzzy system (EFS)) tel que les ANYA-type fuzzy system [2] ou Evolve [3] sont des approches offrant une grande capacité d'évolution de par la flexibilité de leur structure modélisée par des règles d'inférences floues. Pour autant la modélisation de la détection et de la dérive des concepts n'est pas suffisamment stable dans ces systèmes pouvant conduire à une sur ou sous création de règles. Nos travaux de recherche se focalisent sur ce dernier point pour améliorer l'adaptation du système aux concepts par la modification et la création des règles d'inférences floues. Actuellement le système Evolve s'adapte aux dérives graduelles grâce à une mise a jour des règles à l'arrivée de chaque nouveau geste, mais échoue lorsqu'il doit faire face à une dérive brutale. De manière générale, il est compliqué pour un système de s'adapter efficacement à la fois aux dérives brutales et au dérives graduelles. Pour amorcer ce travail, nous explorons ici une nouvelle approche permettant de remettre à jour les anciennes règles en symbiose avec la création de nouvelles. Nous avons dans un premier temps exploré cette piste en conservant les données d'apprentissage pour simplifier la mise en oeuvre. De meilleurs résultats sur l'adaptation aux données sont déjà observés sur des données artificielles. Une étude comparative avec d'autres approches comme [4] a été menée sur des benchmarks de référence. Dans un second temps, on souhaite s'affranchir du stockage des données d'apprentissages. Nous proposons actuellement de faire du clustering incrémental sur deux couches en parallèle pour chacune des règles. La première couche est constituée d'un cluster qui évolue au fil de l'eau comme utilisé actuellement dans Evolve (pour suivre les changement de concepts graduels) tandis que la seconde couche travail directement sur deux clusters qui évoluent incrémentalement pour anticiper au plus tôt la détection et la modélisation d'une dérive de concept brutale (ajout d'un nouveau geste, forte déformation des gestes existants. .. .). Nous présenterons donc les problématiques sous-tendus par ce challenge ainsi que les premiers résultats obtenus.

National audience; Le contexte de nos travaux se situe sur la reconnaissance en ligne de formules mathématiques écrites à la main. Nous nous focalisons plus précisément sur la phase de segmentation des tracés en symbole. Nous présentons une extension des graphes de visibilité conçus par Hu et al. [1] en s'appuyant sur la théorie des paysages flous proposés par Bloch et al. [2]. L'objectif est d'une part de réduire la complexité du graphe au niveau des liens de visibilité sans perdre en rappel et d'autre part, d'évaluer qualitativement le degré de visibilité sous-tendu par chacun des liens. Aujourd'hui ce graphe de visilité est généré à partir d'angles de visions calculés du centre d'un tracé par rapport aux points des autres tracés. Nous souhaitons tirer profit des caractéristiques des paysages flous pour étendre la notion de cette visibilité entre les formes complètes des paires de tracés. De ce fait nous pouvons évaluer de manière qualitative les distances et les directions précédemment apprises des liens entre les tracés. À partir de ce graphe valué, nous utilisons la stratégie de segmentation conçue par [1] et qui est basée sur une forêt d'arbres décisionnels binaire apprise sur des caractéristiques spatiales que nous enrichissons par les degrés de visibilité des paysages flous. Des expériences sur les jeux de données publiques CROHME 2012 et 2014 seront réalisées pour évaluer la contribution de l'ajout du concept de paysage flou dans de tels graphes vis-à-vis d'autres méthodes de l'état de l'art. Les apports obtenus avec l'extension de cette approche par des graphes de visibilité floue permettront de consolider les étapes de reconnaissance et d'interprétation des formules mathématiques.

Structured learning has become ubiquitousin Natural Language Processing; a multitude ofapplications, such as personal assistants, machinetranslation and speech recognition, to name just afew, rely on such techniques. The structured learningproblems that must now be solved are becomingincreasingly more complex and require an increasingamount of information at different linguisticlevels (morphological, syntactic, etc.). It is thereforecrucial to find the best trade-off between the degreeof modelling detail and the exactitude of the inferencealgorithm. Imitation learning aims to perform approximatelearning and inference in order to better exploitricher dependency structures. In this thesis, we explorethe use of this specific learning setting, in particularusing the SEARN algorithm, both from a theoreticalperspective and in terms of the practical applicationsto Natural Language Processing tasks, especiallyto complex tasks such as machine translation.Concerning the theoretical aspects, we introduce aunified framework for different imitation learning algorithmfamilies, allowing us to review and simplifythe convergence properties of the algorithms. With regardsto the more practical application of our work, weuse imitation learning first to experiment with free ordersequence labelling and secondly to explore twostepdecoding strategies for machine translation., L’apprentissage structuré est devenu omniprésent dans le traitement automatique des langues naturelles. De nombreuses applications qui font maintenant partie de notre vie telles que des assistants personnels, la traduction automatique, ou encore la reconnaissance vocale, reposent sur ces techniques. Les problèmes d'apprentissage structuré qu’il est nécessaire de résoudre sont de plus en plus complexes et demandent de prendre en compte de plus en plus d’informations à des niveaux linguistiques variés (morphologique, syntaxique, etc.) et reposent la question du meilleurs compromis entre la finesse de la modélisation et l’exactitude des algorithmes d’apprentissage et d’inférence. L’apprentissage par imitation propose de réaliser les procédures d’apprentissage et d’inférence de manière approchée afin de pouvoir exploiter pleinement des structures de dépendance plus riches. Cette thèse explore ce cadre d’apprentissage, en particulier l’algorithme SEARN, à la fois sur le plan théorique ainsi que ses possibilités d’application aux tâches de traitement automatique des langues, notamment aux plus complexes telles que la traduction. Concernant les aspects théoriques, nous présentons un cadre unifié pour les différentes familles d’apprentissage par imitation, qui permet de redériver de manière simple les propriétés de convergence de ces algorithmes; concernant les aspects plus appliqués, nous utilisons l’apprentissage par imitation d’une part pour explorer l’étiquetage de séquences en ordre libre; d’autre part pour étudier des stratégies de décodage en deux étapes pour la traduction automatique.

Mention-pair classification for corefence resolution on spontaneous spoken French. This paper presents the first experiments conducted by our laboratory (LIFAT) on the question of the resolution of coreference on spontaneous spoken French. We have developed a mention-pair classifier, trained on the ANCOR French coreference corpus, which is based on various classification techniques among which support vector machines (SVM). The paper details several experimental studies that investigate several factors (classification model, interactivity degree, nature of the coreference…) that should affect the performances of the system., Cet article présente et analyse les premiers résultats obtenus par notre laboratoire pour la construction d'un modèle de résolution des coréférences en français à l'aide de techniques de classifications parmi lesquelles les arbres de décision et les séparateurs à vaste marge. Ce système a été entraîné sur le corpus ANCOR et s'inspire de travaux antérieurs réalisés au laboratoire LATTICE (système CROC). Nous présentons les expérimentations que nous avons menées pour améliorer le système en passant par des classifieurs spécifiques à chaque type de situation interactive, puis chaque type de relation de coréférence.

International audience

Reinforcement learning allows an agent to learn a behavior that has never been previously defined by humans. The agent discovers the environment and the different consequences of its actions through its interaction: it learns from its own experience, without having pre-established knowledge of the goals or effects of its actions. This thesis tackles how deep learning can help reinforcement learning to handle continuous spaces and environments with many degrees of freedom in order to solve problems closer to reality. Indeed, neural networks have a good scalability and representativeness. They make possible to approximate functions on continuous spaces and allow a developmental approach, because they require little a priori knowledge on the domain. We seek to reduce the amount of necessary interaction of the agent to achieve acceptable behavior. To do so, we proposed the Neural Fitted Actor-Critic framework that defines several data efficient actor-critic algorithms. We examine how the agent can fully exploit the transitions generated by previous behaviors by integrating off-policy data into the proposed framework. Finally, we study how the agent can learn faster by taking advantage of the development of his body, in particular, by proceeding with a gradual increase in the dimensionality of its sensorimotor space, L'apprentissage par renforcement permet à un agent d'apprendre un comportement qui n'a jamais été préalablement défini par l'homme. L'agent découvre l'environnement et les différentes conséquences de ses actions à travers des interactions avec celui-ci : il apprend de sa propre expérience, sans avoir de connaissances préétablies des buts ni des effets de ses actions. Cette thèse s'intéresse à la façon dont l'apprentissage profond peut aider l'apprentissage par renforcement à gérer des espaces continus et des environnements ayant de nombreux degrés de liberté dans l'optique de résoudre des problèmes plus proches de la réalité. En effet, les réseaux de neurones ont une bonne capacité de mise à l'échelle et un large pouvoir de représentation. Ils rendent possible l'approximation de fonctions sur un espace continu et permettent de s'inscrire dans une approche développementale nécessitant peu de connaissances a priori sur le domaine. Nous cherchons comment réduire l'expérience nécessaire à l'agent pour atteindre un comportement acceptable. Pour ce faire, nous avons proposé le cadre Neural Fitted Actor-Critic qui définit plusieurs algorithmes acteur-critique efficaces en données. Nous examinons par quels moyens l'agent peut exploiter pleinement les transitions générées par des comportements précédents en intégrant des données off-policy dans le cadre proposé. Finalement, nous étudions de quelle manière l'agent peut apprendre plus rapidement en tirant parti du développement de son corps, en particulier, en procédant par une augmentation progressive de la dimensionnalité de son espace sensorimoteur

Many studies indicate that teachers spontaneously and regularly evaluate while observing videos of others’ teaching, but this evaluative activity is understudied. We analyzed the activity of six trainee teachers using resituating interviews supported by digital traces. The findings show that they evaluate through four normative registers: (i) efficiency (educational potential), (ii) sustainability (self-economy), (iii) acceptability (professional ethics) and (iv) accessibility (perceived possibility to adopt/adapt identified actions). We discuss their implications for training., Alors que de nombreuses études indiquent que les enseignants en situation de vidéoformation déploient très spontanément et régulièrement une activité évaluative, la nature de cette activité reste méconnue. Nous avons analysé l’activité de six stagiaires à partir d’entretiens de remise en situation à l’aide de traces numériques. Les résultats montrent qu’ils mobilisent des normes évaluatives de quatre registres : (i) efficacité (potentiel éducatif) ; (ii) soutenabilité (économie de soi) ; (iii) acceptabilité (déontologie) ; (iv) accessibilité (possibilité perçue ou non d’adopter/adapter les actions identifiées). Nous en discutons les implications pour la formation.

Summary In the Security and Safety Excellence Program of SNCF Réseau, the aim of this study is to assess and to compare, by several methods, the operational safety level for signalling functions (EN 50129 : SIL4) taking into account feedback in operational conditions (train, track, operational rules, …)., Résumé Au sein du programme excellence sécurité de SNCF Réseau, l'étude a pour objectif d'estimer et de comparer, par différentes méthodes, le niveau de sécurité opérationnel de fonctions de signalisation (EN50129/SIL4) avec le retour d'expérience en contexte opérationnel (voie, train, procédures…).