Scientific Publications of the University of Toulouse II Le Mirail
Not a member yet
92205 research outputs found
Sort by
The contribution of language autobiography to in-service teacher training: towards personal and professional awareness and reflection
No full textInternational audienc
Mères mobilisées : entre assignation au rôle social de mère et rétributions de l'engagement
No full textInternational audienc
On the integration of Dantzig-Wolfe and Fenchel decompositions via directional normalizations
No full textThe strengthening of linear relaxations and bounds of mixed integer linear programs has been an active research topic for decades. Enumeration-based methods for integer programming like linear programming-based branch-and-bound exploit strong dual bounds to fathom unpromising regions of the feasible space. In this paper, we consider the strengthening of linear programs via a composite of Dantzig-Wolfe and Fenchel decompositions. We provide geometric interpretations of these two classical methods. Motivated by these geometric interpretations, we introduce a novel approach for solving Fenchel sub-problems and introduce a novel decomposition combining Dantzig-Wolfe and Fenchel decompositions in an original manner. We carry out an extensive computational campaign assessing the performance of the novel decomposition on the unsplittable flow problem. Very promising results are obtained when the new approach is compared to classical decomposition methods
Multilevel Monte Carlo methods for ensemble variational data assimilation
No full textInternational audienceEnsemble variational data assimilation relies on ensembles of forecasts to estimate the background error covariance matrix B. The ensemble can be provided by an Ensemble of Data Assimilations (EDA), which runs independent perturbed data assimilation and forecast steps. The accuracy of the ensemble estimator of B is strongly limited by the small ensemble size that is needed to keep the EDA computationally affordable. We investigate here the potential of the multilevel Monte Carlo (MLMC) method, a type of multifidelity Monte Carlo method, to improve the accuracy of the standard Monte-Carlo estimator of B while keeping the computational cost of ensemble generation comparable. MLMC exploits the availability of a range of discretization grids, thus shifting part of the computational work from the original assimilation grid to coarser ones. MLMC differs from the mere averaging of statistical estimators, as it ensures that no bias from the coarse resolution grids is introduced in the estimation. The implications for ensemble variational data assimilation systems based on EDAs are discussed. Numerical experiments with a quasi-geostrophic model demonstrate the potential of the approach, as MLMC yields more accurate background error covariances and reduced analysis error. The challenges involved in cycling a multilevel variational data assimilation system are identified and discussed
Safety Monitoring of Machine Learning Perception Functions: a Survey
No full text25 pages, 2 figuresInternational audienceMachine Learning (ML) models, such as deep neural networks, are widely applied in autonomous systems to perform complex perception tasks. New dependability challenges arise when ML predictions are used in safety-critical applications, like autonomous cars and surgical robots. Thus, the use of fault tolerance mechanisms, such as safety monitors, is essential to ensure the safe behavior of the system despite the occurrence of faults. This paper presents an extensive literature review on safety monitoring of perception functions using ML in a safety-critical context. In this review, we structure the existing literature to highlight key factors to consider when designing such monitors: threat identification, requirements elicitation, detection of failure, reaction, and evaluation. We also highlight the ongoing challenges associated with safety monitoring and suggest directions for future research
Brève présentation générale des résultats du PCR
No full textInternational audienceEn quatre ans, ce programme collectif de recherche a mobilisé 26 chercheurs et produit quatre rapports annuelstotalisant 630 pages. Il s’articule autour de trois axes principaux :1. Inventaire des vestiges des conflits contemporains-Recensement systématique et normalisé des sites archéologiques dans les régions concernées.-142 sites intégrés à une base de données spatiale sous QGIS.-Documentation issue de 157 références bibliographiques (dans une bibliothèque Zotero plus générale de 425notices).2. Recherches en archives-Analyse des sources pour contextualiser les vestiges découverts.-Identification raisonnée des fonds d’archives pertinents.-Consultation de centaines de documents historiques.3. Système d’Information Géographique (SIG) historique-Géolocalisation et géoréférencement de données issues de cartographies militaires et d’archives textuelles.Intégration de milliers d’infrastructures défensives (1870-1871, fortifications du camp retranché de Paris, ligneChauvineau).-Recensement de 759 crashs d’avions (Seconde Guerre mondiale), 275 aérodromes allemands et une centainede bombardements de la Royal Air Force.Cette communication présentera un premier bilan des résultats obtenus
Vanguardias con títeres: utopías y experimentos en Europa a principios del siglo XX
No full textInternational audienc
Quelles représentations de l’amour et de la sexualité chez des sujets en EHPAD malgré le veuvage ? Étude clinique exploratoire,
No full textInternational audienc
Optimisation bayésienne d'un réseau neuronal léger et précis pour la prédiction des performances aérodynamiques
No full textInternational audienceEnsuring high accuracy and efficiency of predictive models is paramount in the aerospace industry, particularly in the context of multidisciplinary design and optimization processes. These processes often require numerous evaluations of complex objective functions, which can be computationally expensive and time-consuming. To build efficient and accurate predictive models, we propose a new approach that leverages Bayesian Optimization (BO) to optimize the hyper-parameters of a lightweight and accurate Neural Network (NN) for aerodynamic performance prediction. To clearly describe the interplay between design variables, hierarchical and categorical kernels are used in the BO formulation. We demonstrate the efficiency of our approach through two comprehensive case studies, where the optimized NN significantly outperforms baseline models and other publicly available NNs in terms of accuracy and parameter efficiency. For the drag coefficient prediction task, the Mean Absolute Percentage Error (MAPE) of our optimized model drops from 0.1433% to 0.0163%, which is nearly an order of magnitude improvement over the baseline model. Additionally, our model achieves a MAPE of 0.82% on a benchmark aircraft self-noise prediction problem, significantly outperforming existing models (where their MAPE values are around 2 to 3%) while requiring less computational resources. The results highlight the potential of our framework to enhance the scalability and performance of NNs in large-scale MDO problems, offering a promising solution for the aerospace industry.Garantir la précision et l'efficacité des modèles prédictifs est primordial dans l'industrie aérospatiale, en particulier dans le contexte des processus de conception et d'optimisation multidisciplinaires. Ces processus nécessitent souvent de nombreuses évaluations de fonctions objectives complexes, ce qui peut être coûteux en temps et en argent. Pour construire des modèles prédictifs efficaces et précis, nous proposons une nouvelle approche qui s'appuie sur l'optimisation bayésienne (BO) pour optimiser les hyperparamètres d'un réseau neuronal (NN) léger et précis pour la prédiction des performances aérodynamiques. Pour décrire clairement l'interaction entre les variables de conception, des noyaux hiérarchiques et catégoriels sont utilisés dans la formulation BO. Nous démontrons l'efficacité de notre approche à travers deux études de cas complètes, où le réseau neuronal optimisé surpasse de manière significative les modèles de base et d'autres réseaux neuronaux publiquement disponibles en termes de précision et d'efficacité des paramètres. Pour la tâche de prédiction du coefficient de traînée, l'erreur absolue moyenne en pourcentage (MAPE) de notre modèle optimisé passe de 0,1433 % à 0,0163 %, ce qui représente une amélioration de près d'un ordre de grandeur par rapport au modèle de base. En outre, notre modèle atteint un MAPE de 0,82 % sur un problème de référence de prédiction du bruit propre d'un avion, ce qui est nettement supérieur aux modèles existants (dont les valeurs MAPE sont de l'ordre de 2 à 3 %) tout en nécessitant moins de ressources informatiques. Les résultats soulignent le potentiel de notre cadre pour améliorer l'évolutivité et la performance des NN dans les MDO à grande échelle
