Scientific Publications of the University of Toulouse II Le Mirail
Not a member yet
92205 research outputs found
Sort by
TouIST in Progress
No full textInternational audienceThis work deals with logical formalization and problem solving using automated solvers. The goal of TO UIST is to allow the user to concentrate on the modeling of a given problem without worrying about the technical details related to the use of solvers: TO UIST provides a simple language to generate logical formulas (as an input to solvers) from a problem description, and allows to model many static or dynamic combinatorial problems. All this can be very helpful as a teaching support for logics and discrete mathematics. Users may benefit from the regular improvements of SAT, QBF, or SMT solvers to solve concrete problems efficiently, e.g., different classes of planning tasks in Artificial Intelligence. We consider recent updates to TO UIST dealing with modal logic (mostly due to the first author), and discuss possible applications of TO UIST in scientific research
Des Raimondins aux Capétiens : les consuls de Toulouse et la transition comtale (1249-1271)
No full textInternational audienc
Does Mindfulness Support the Status Quo? The Role of Neoliberal Orientation and Emotion Regulation
No full textInternational audienceCritiques of mindfulness as a tool embedded in neoliberal ideology have emerged since the mid‐2010s, though they remain largely theoretical. Although they suggest that mindfulness shapes a neoliberal selfhood through self‐regulation and disidentification, potentially fostering acceptance of the system and political disengagement, our research empirically examined these assumptions. Study 1 ( N = 213) indicated that trait mindfulness was associated with less system justification through lower competitiveness, whereas mindfulness practice had an indirect positive association with economic system justification (ESJ) via self‐regulation. On the basis of the social identity model of collective action, Study 2 ( N = 252) revealed that trait mindfulness was linked to less group‐based anger through greater emotion regulation (i.e., acceptance), which, in turn, was associated with lower collective action intentions, but mindfulness was not related with social identification. Both studies point to nuanced relationships between mindfulness and the maintenance of the status quo, of which practical and social implications are discussed
Étude longitudinale des effets d’un programme d’activités physiques en présentiel ou digital sur la qualité de vie et la motivation de patientes atteintes d'endométriose
No full textInternational audienceContexte : L’endométriose est une pathologie chronique encore méconnue malgré sa prévalence mondiale d’environ 1 femme sur 10 [1]. En dépit des bénéfices engendrés par l’activité physique (AP) dans son accompagnement tertiaire [2], la littérature semble indiquer que les femmes atteintes d’endométriose pratiquent moins que les femmes sans endométriose [3]. Compte tenu des spécificités de l’endométriose, telles que l’isolement social et les contraintes de déplacement, les ressources numériques représentent une option prometteuse pour promouvoir la pratique de l’AP [4]. Cette étude vise à comparer l’efficacité de deux modalités d’accompagnement par l’AP : en présentiel et via une application mobile.Méthodes : 71 femmes (22 en présentiel et 49 en distanciel) atteintes d’endométriose participent à un programme d’accompagnement par de l’AP de 3 mois, réparties en deux groupes : présentiel et distanciel via une application mobile. Trois temps de mesures (début du programme ; 15 jours après le début du programme ; à la fin du programme) sont effectués (i.e., qualité de vie, motivation et intention de poursuite). Des analyses statistiques inférentielles (e.g., modèle linéaire mixte) seront effectuées.Résultats : La récolte des données est en cours. Les résultats et conclusions de cette étude seront présentés lors du colloque. Cette étude doit permettre d’identifier la modalité de pratique la plus bénéfique en termes de motivation à la pratique d’AP et au niveau de l’augmentation de la qualité de vie. Nous supposons que la qualité de vie s’améliorera dans les deux conditions de pratique. Concernant la motivation, cette dernière doit tendre vers une motivation intrinsèque
Approximation par réseaux de neurones et construction de réseaux de neurones récurrents quantifiés
No full textIn this thesis, we address two important issues in deep learning: approximation and compression. Regarding approximation, we study the expressivity of deep neural networks, which is the focus of Chapter 3 of this thesis. Regarding compression, we study the quantization of orthogonal recurrent neural networks and we introduce two models, QORNN and HadamRNN. This is developed in Chapters 4 and 5. Approximation: We study the fundamental limits to the expressive power of neural networks. Given two sets F, G of real-valued functions, we first prove a general lower bound on how well functions in F can be approximated in Lp(mu) norm by functions in G, for any p >= 1 and any probability measure mu. The lower bound depends on the packing number of F, the range of F, and the fat-shattering dimension of G. We then instantiate this bound to the case where G corresponds to a piecewise-polynomial feed-forward neural network, and describe in details the application to two sets F: Hölder balls and multivariate monotonic functions. Beside matching (known or new) upper bounds up to log factors, our lower bounds shed some light on the similarities or differences between approximation in Lp norm or in sup norm, solving an open question by DeVore et al. Our proof strategy differs from the sup norm case and uses a key probability result of Mendelson. QORNN: We explore the quantization of the weight matrices in ORNNs, leading to Quantized approximately Orthogonal RNNs (QORNNs). The construction of such networks remained an open problem, acknowledged for its inherent instability. We propose and investigate two strategies to learn QORNN by combining quantization-aware training (QAT) and orthogonal projections. We also study post-training quantization of the activations for pure integer computation of the recurrent loop. The most efficient models achieve results similar to state-of-the-art full-precision ORNN, LSTM and FastRNN on a variety of standard benchmarks, even with 4-bits quantization. HadamRNN: Binary and sparse ternary weights in neural networks enable faster computations and lighter representations, facilitating their use on edge devices with limited computational power. Meanwhile, vanilla RNNs are highly sensitive to changes in their recurrent weights, making the binarization and ternarization of these weights inherently challenging. To date, no method has successfully achieved binarization or ternarization of vanilla RNN weights. We present a new approach leveraging the properties of Hadamard matrices to parameterize a subset of binary and sparse ternary orthogonal matrices. This method enables the training of orthogonal RNNs (ORNNs) with binary and sparse ternary recurrent weights, effectively creating a specific class of binary and sparse ternary vanilla RNNs. The resulting ORNNs, named HadamRNN and Block-HadamRNN, are evaluated on various benchmarks, including the copy task, permuted and sequential MNIST tasks, the IMDB dataset, two GLUE benchmarks, and two IoT benchmarks. Despite binarization or sparse ternarization, these RNNs maintain performance levels comparable to state-of-the-art full-precision models, highlighting the effectiveness of our approach. Notably, our approach is the first solution with binary recurrent weights capable of tackling the copy task over 1000 timesteps.Dans cette thèse, nous abordons deux problématiques importantes en apprentissage profond : l'approximation et la compression. En approximation, nous étudions l'expressivité des réseaux de neurones profonds. Cela fait l'objet du chapitre 3 de cette thèse. En compression, nous étudions la quantification, jusqu'à la binarisation et ternarisation, des réseaux de neurones récurrents orthogonaux, et nous introduisons deux modèles, QORNN et HadamRNN. Cela fait l'objet des chapitres 4 et 5. Approximation : nous étudions les limites fondamentales du pouvoir expressif des réseaux de neurones. Étant donnés deux ensembles F et G de fonctions à valeurs réelles, nous démontrons d'abord une borne inférieure générale sur l'erreur d'approximation des fonctions de F par des fonctions de G en norme Lp(mu), pour tout p >= 1 et toute mesure de probabilité mu. Cette borne inférieure dépend du packing-number de F, de l'amplitude de F et de la fat-shattering dimension de G. Nous appliquons ensuite cette borne au cas où G correspond à un réseau de neurones MLP avec activation polynômiale par morceaux, et nous décrivons en détail son application à deux ensembles F : les boules de Hölder et les fonctions monotones multivariées. En plus d'établir des bornes inférieures qui correspondent aux bornes supérieures (connues ou nouvelles) à un facteur logarithmique près, nos résultats éclairent les similitudes et différences entre l'approximation en norme Lp et en norme sup, répondant ainsi à une question ouverte posée par DeVore et al. Notre stratégie de preuve diffère du cas de la norme sup et s'appuie sur un résultat clé en probabilité de Mendelson. QORNN : nous explorons la quantification des matrices de poids dans les ORNNs, conduisant à des réseaux de neurones récurrents approximativement orthogonaux quantifiés (Quantized Approximately Orthogonal RNNs, QORNNs). La construction de tels réseaux restait un problème ouvert, reconnu pour son instabilité inhérente. Nous proposons et analysons deux stratégies pour apprendre des QORNNs en combinant la quantification pendant l'entrainement (Quantization-Aware Training, QAT) et les projections orthogonales. Nous étudions également la quantification post-entraînement (PTQ) des activations afin de permettre un calcul purement entier de la boucle récurrente. Les modèles les plus efficaces obtiennent des résultats similaires aux ORNNs full-precision (non-quantifiés), ainsi qu'aux LSTM et FastRNN de l'état de l'art sur une variété de benchmarks standards, même avec une quantification en 4 bits. HadamRNN : les RNNs classiques sont extrêmement sensibles aux changements de leurs poids récurrents, rendant la binarisation et la ternarisation de ces poids difficiles. À ce jour, aucune méthode ne permet de binariser ou ternariser les poids récurrents des RNNs classiques. Nous présentons une nouvelle approche, exploitant les propriétés des matrices de Hadamard, pour paramétriser un sous-ensemble de matrices orthogonales binaires et ternaires parcimonieuses. Cette méthode permet l'entraînement de réseaux de neurones récurrents orthogonaux (ORNNs) avec des poids récurrents binaires et ternaires parcimonieux, créant ainsi une classe spécifique de RNNs classiques binaires et ternaires parcimonieux. Les ORNNs obtenus, nommés HadamRNN et Block-HadamRNN, sont évalués sur divers benchmarks, notamment la Copy task, Sequential MNIST (permutée et non permutée), IMDB dataset, deux benchmarks GLUE ainsi que deux benchmarks en IoT. Malgré la binarisation ou la ternarisation parcimonieuse, ces RNNs maintiennent des performances comparables aux modèles full-precision de l'état de l'art, soulignant l'efficacité de notre approche. Notamment, notre approche est la première solution avec des poids récurrents binaires capable de résoudre la Copy task sur plus de 1000 pas de temps
Kant et les limites de l’introspection :quelle approche pour la science de l’homme?
No full textInternational audienceDans ses leçons d’anthropologie (Vorlesungen über Anthropologie), tout comme dans l’Anthropologie du point de vue pragmatique, Kant nous met à plusieurs reprises en garde contre les dangers de l’observation de soi-même, pratique qu’il considère comme non naturelle et susceptible de conduire à l’exaltation de l’esprit, voire à la folie. Pourtant, dans une remarque du § 7 de l’Anthropologie, il semble accorder à l’introspection, entendue comme observation de soi, un rôle déterminant dans la connaissance de la nature humaine. Si Kant reconnaît les limites de l’approche introspective dans la fondation d’une connaissance de soi, pourquoi considère-t-il malgré tout une telle approche comme nécessaire à la connaissance de la nature humaine ? Il s’agit ici de déterminer dans quelle mesure l’introspection, bien que critiquée, demeure indispensable à l’élaboration d’une science de l’humain
TOWARDS UNVEILING THE HIDDEN DYNAMICS OF BACTERIORHODOPSIN WITH MEMS-BASED ATOMIC FORCE MICROSCOPY
No full textInternational audienceUnderstanding membrane protein unfolding is essential for elucidating protein stability and function.Here, we employ MEMS-based atomic force microscopy (AFM) to investigate the unfolding dynamics of bacteriorhodopsin (BR) with microsecond resolution. Compared to conventional cantilevers, High frequency MEMS probes minimize meniscus effects and enable highsensitivity force spectroscopy under dry conditions. Unfolding force-extension curves reveal discrete structural transitions consistent with BR domain unfolding. These findings demonstrate MEMS-AFM as a valuable tool for high-speed biomolecular force measurements. This study also lays the groundwork for implementing optomechanical probes at > 100 MHz, advancing timeresolved protein mechanics into the nanosecond regime
XStacking: Explanation-Guided Stacked Ensemble Learning
No full textInternational audienceEnsemble Machine Learning (EML) techniques, especially stacking, have been shown to improve predictive performance by combining multiple base models. However, they are often criticized for their lack of interpretability. In this paper, we introduce XStacking, an effective and inherently explainable framework that addresses this limitation by integrating dynamic feature transformation with model-agnostic Shapley additive explanations. This enables stacked models to retain their predictive accuracy while becoming inherently explainable. We demonstrate the effectiveness of the framework on 29 datasets, achieving improvements in both the predictive effectiveness of the learning space and the interpretability of the resulting models. XStacking offers a practical and scalable solution for responsible ML
Merging bioelectrochemical transducer and antenna functions for continuous monitoring in biological tissues: an innovative volume-saving strategy
No full textInternational audienceThe continuous monitoring of physiological parameters can provide crucial information to better understand and treat health disorders more efficiently. However, because the size of implantable sensors remains generally too large, numerous parts of the body can still not be accessed. We propose here to combine in a synergistic way the two most volumetric functions of a typical sensing device, i.e. the energy supply and the communication unit, to reduce the overall device footprint. The electrode of a biofuel cell (BFC), whose role is to deliver DC current, is merged with the antenna electrode, whose function is to provide radiofrequency alternating current, transforming de facto the BFC electrode into an antenna. This first proof-of-concept BFC, acting at the same time as an energy source and an antenna, enables wireless communication of glucose concentration over macroscopic distances. A novel dielectric screening strategy is also proposed as a trade-off between the analyte diffusion (BFC function), and electric field preservation (wireless communication function) to optimize the overall efficiency. Finally, we demonstrate that the integrity of the proposed device can be maintained after subcutaneous implantation in rats. These results pave the way for wireless miniaturized implantable devices for continuous monitoring in biological tissues.</div