Portail HAL Lumière Lyon 2
Not a member yet
111406 research outputs found
Sort by
Tâche 5.2 : Sujet de thèse : Développement d’une approche territoriale pour l’aide à la décision sur la valorisation des déchets dans un contexte de tensions sur les ressources
No full textNational audienc
Apprentissage continu adaptatif et efficace dans des environnements dynamiques
No full textAs data in real-world applications continuously evolve, the ability of artificial intelligence systems to learn incrementally while preserving previously acquired knowledge has become increasingly critical. However, deploying continual learning (CL) methods in practice is impeded by blurred task boundaries, severe data imbalance, and the high computational demands and data privacy concerns associated with large models. This thesis addresses these challenges through three core contributions, thus enhancing the feasibility and robustness of CL in dynamic environments. First, to manage blurred task boundaries, where data distributions often overlap, we propose a novel Distribution-Shift Incremental Learning (DS-IL) scenario. In this framework, an entropy-guided learning approach effectively leverages these overlaps to mitigate catastrophic forgetting without maintaining large memory buffers. In real-world scenarios, data imbalance is a common challenge that can significantly hinder the performance of learning systems. To address this issue, our second contribution introduces a Memory Selection and Contrastive Learning (MSCL) strategy. By actively sampling representative instances and coupling them with current data in a contrastive loss, the model better balances underrepresented classes and domains. This approach not only preserves crucial historical information but also maintains robust performance under significantly skewed data distributions. Finally, to alleviate the computational overhead of continually training diffusion models, particularly relevant in scenarios with data privacy constraints or prohibitive storage costs, we introduce a Multi-Mode Adaptive Generative Distillation (MAGD) framework. Using generative distillation, noisy intermediate representations, and exponential moving averages, this method enables efficient continual updates while preserving high-quality image generation and classification performance. Collectively, these contributions form a comprehensive framework for scalable, memory-efficient, and computationally tractable continual learning. Through effective knowledge retention, dynamic adaptation to imbalanced data, and resource-efficient generative replay, this thesis expands the applicability of CL methods to a wider range of real-world settings.Face à l'évolution continue des données dans les applications du monde réel, la capacité des systèmes d'intelligence artificielle à apprendre de manière incrémentale tout en préservant les connaissances acquises précédemment est devenue de plus en plus critique. Cependant, le déploiement des méthodes d'apprentissage continu (CL) dans la pratique est entravé par des frontières de tâches floues, un déséquilibre sévère des données, et les fortes exigences computationnelles et les préoccupations liées à la confidentialité des données associées aux grands modèles. Cette thèse aborde ces défis à travers trois contributions principales, améliorant ainsi la faisabilité et la robustesse du CL dans des environnements dynamiques. Premièrement, pour gérer les frontières de tâches floues, où les distributions de données se chevauchent souvent, nous proposons un nouveau scénario d'Apprentissage Incrémental du Changement de Distribution (DS-IL). Dans ce cadre, une approche d'apprentissage guidée par l'entropie exploite efficacement ces chevauchements pour atténuer l'oubli catastrophique sans maintenir de grands tampons de mémoire. Dans les scénarios réels, le déséquilibre des données est un défi commun qui peut entraver significativement la performance des systèmes d'apprentissage. Pour aborder ce problème, notre deuxième contribution introduit une stratégie de Sélection de Mémoire et d'Apprentissage Contrastif (MSCL). En échantillonnant activement des instances représentatives et en les couplant avec des données actuelles dans une perte contrastive, le modèle équilibre mieux les classes et les domaines sous-représentés. Cette approche préserve non seulement des informations historiques cruciales, mais maintient également une performance robuste sous des distributions de données considérablement biaisées. Enfin, pour alléger la charge computationnelle de la formation continue des modèles de diffusion, particulièrement pertinente dans des scénarios avec des contraintes de confidentialité des données ou des coûts de stockage prohibitifs, nous introduisons un cadre de Distillation Générative Adaptative Multi-Mode (MAGD). Utilisant la distillation générative, des représentations intermédiaires bruyantes, et des moyennes mobiles exponentielles, cette méthode permet des mises à jour continues efficaces tout en préservant une haute qualité de génération d'images et de performance de classification. Collectivement, ces contributions forment un cadre complet pour un apprentissage continu, évolutif, efficace en mémoire et gérable computationnellement. À travers une rétention de connaissances efficace, une adaptation dynamique à des données déséquilibrées et une relecture générative efficiente en ressources, cette thèse étend l'applicabilité des méthodes de CL à un plus large éventail de paramètres du monde réel
Penser le changement en politique. Entre Rome et Florence (1453-1478)
No full textL’ouvrage explore l’émergence du prince civil en Italie au xve siècle à travers lesconjurationsde Stefano Porcari (Rome, 1453) et des Pazzi (Florence, 1478) et analyse l’impact de ces événements sur la transition politique et la réflexion des humanistes.International audienceThis book explores the emergence of the civil prince in fifteenth-century Italy through the conjurations of Stefano Porcari (Rome, 1453) and the Pazzi (Florence, 1478), and analyses the impact of these events on the political transition and the thinking of the humanists
Constructions for positional games and applications to domination games
No full textWe present constructions regarding the general behaviour of biased positional games, and amongst others show that the outcome of such a game can differ in an arbitrary way depending on which player starts the game, and that fair biased games can behave highly non-monotonic. We construct a gadget that helps to transfer such results to Maker-Breaker domination games, and by this we extend a recent result by Gledel, Iršič, and Klavžar, regarding the length of such games. Additionally, we introduce Waiter-Client dominations games, give tight results when they are played on trees or cycles, and using our transference gadget we show that in general the length of such games can differ arbitrarily from the length of their Maker-Breaker analogue
Leveraging Graph Structures and Large Language Models for End-to-End Synthetic Task-Oriented Dialogues
No full textvideo : https://www.youtube.com/watch?v=5pXa4yGcc58International audienceTraining task-oriented dialogue systems is both costly and time-consuming, due to the need for high-quality datasets encompassing diverse intents. Traditional methods depend on extensive human annotation, while recent advancements leverage large language models (LLMs) to generate synthetic data. However, these approaches often require custom prompts or code, limiting accessibility for non-technical users. We introduce GraphTOD, an end-to-end framework that simplifies the generation of task-oriented dialogues. Users can create dialogues by specifying transition graphs in JSON format. Our evaluation demonstrates that GraphTOD generates high-quality dialogues across various domains, significantly lowering the cost and complexity of dataset creation
Unraveling CO2 emission dynamics in home-work mobility: Insights from two French urban areas of Lyon and Lille
No full textInternational audienceThe transport sector faces a critical challenge, balancing the growing demand for mobility with the urgent need to reduce CO₂ emissions. Addressing this challenge requires a comprehensive understanding of mobility patterns and the factors influencing CO₂ emissions. This study focuses on the French urban areas of Lyon and Lille to examine CO₂ emissions associated with home-work mobility. Combining commuting data from the national census and household travel surveys, the study uses multiple linear regression analysis to assess CO₂ emissions linked to home-work mobility. The analysis considers factors at the socio-economic, household, and urban form levels. The results show that full-time employment, larger households, and vehicle ownership drive higher CO₂ emissions due to longer commutes and car dependency. Compact, well-connected urban areas reduce CO₂ emissions by enabling shorter travel and greater public transport use, while dispersed structures increase emissions through extended commutes. Public transport accessibility strongly mitigates CO₂ emissions, highlighting the need for sustainable urban planning policies promoting alternative solutions to the car
Oceans and Isles in Contemporary Taiwanese Comics: Environment, Art, and Identity
No full textInternational audienc
Utilisation des signatures et de la topologie des données en détection d'anomalies et traitement du signal
No full textIn recent years, anomaly detection has become a major issue in the industrial sector. At the same time, companies have implemented numerous online monitoring solutions. By combining these two elements, anomaly detection algorithms must be able to apply on time-evolving signals.With this goal in mind, we introduce the signature of a rough path as the main tool. This tool, developed in 1954 by K.T. Chen within the framework of theoretical geometry, was brought back to the forefront by T. Lyons in 1998 in the context of stochastic differential equations involving rough paths. Over the past twenty years, this tool has led to a drastic improvement in the performance of some algorithms applied to time series data. Furthermore, its introduction enabled the success of an algorithm for Chinese handwriting recognition. An interesting aspect is that the signature space is equipped with a Lie group structure: this provides us with a group homomorphism for key operations, along with a homeomorphism for topology transport.Throughout this manuscript, the main thread is the study of temporal signals through their topological organization. For this reason, we map these signals to the signature space. We then introduce a series of tools from the field of Topological Data Analysis (TDA). This field from statistics emerged from Edelsbrunner's work in 2002. TDA is based on a highly intuitive principle: a point cloud has a shape. A variation of this principle in our context would be that functional data have an underlying, difficult-to-visualize shape, whose alteration can indicate an anomaly.In this thesis, we begin by demonstrating the statistical (and topological) power of signatures on stochastic processes modeling a cancer biomarker rate. Next, we propose an algorithm to create a topological structure in the signature space, ensuring that this structure reflects that of the signals being considered. We build on this algorithm by introducing a variable selection method and presenting some obtained results. Finally, a concluding chapter focuses on anomaly detection by randomly generating multivariate time signals using the two previously mentioned tools.Ces dernières années, la détection d'anomalies s'est imposée comme une problématique majeure dans le domaine industriel. Parallèlement, les entreprises ont mis en place de nombreuses solutions de surveillance en ligne. En combinant ces deux aspects, les algorithmes de détection d'anomalies doivent pouvoir s'appliquer aux signaux évolutifs dans le temps.Dans cette optique, nous introduisons comme outil principal la signature d'un chemin rugueux (rough path). Cet outil, développé en 1954 par K.T. Chen dans le cadre de la géométrie théorique, a été remis en avant par T. Lyons en 1998 dans le cadre des équations différentielles stochastiques impliquant des chemins rugueux. Depuis une vingtaine d'années, cet outil a entraîné une amélioration considérable de la performance de certains algorithmes appliqués aux séries temporelles. Par ailleurs, son introduction a permis la réussite d’un algorithme de reconnaissance d’écriture chinoise. Ce qui est particulièrement intéressant, c'est que l'espace des signatures est doté d'une structure de groupe de Lie : nous obtenons donc un homomorphisme de groupe pour les opérations importantes, accompagné d’un homéomorphisme pour le transport de la topologie.Tout le long de ce manuscrit, le fil conducteur principal est l’étude des signaux temporels par le biais de leur organisation topologique. C'est pourquoi nous transposons ces signaux dans l'espace des signatures. Nous introduisons alors une série d'outils issus du champ de l'analyse topologique des données (TDA). Ce domaine de l'analyse statistique a émergé avec le travail d'Edelsbrunner en 2002. La TDA repose sur un principe très intuitif : un nuage de points possède une forme. Une application de ce principe dans notre contexte serait que les données fonctionnelles ont une forme sous-jacente, difficilement visualisable, dont une modification peut traduire une anomalie.Dans cette thèse, nous débutons par une démonstration de la puissance statistique (et topologique) des signatures sur des processus stochastiques modélisant un taux de biomarqueurs cancéreux. Ensuite, nous proposons un algorithme de création de structure topologique sur l'espace des signatures, en veillant à ce que cette structure reflète celle des signaux considérés. Nous approfondissons cet algorithme en introduisant un algorithme de sélection de variables et en présentant certains résultats obtenus. Enfin, un dernier chapitre s'intéresse à la détection d'anomalies par génération aléatoire de signaux temporels multivariés, en utilisant les deux outils précédemment mentionnés
From pioneering sufficiency lifestyles to a sufficiency society
No full textThis part of the European H2020 project FULFILL (Fundamental Decarbonisation through Sufficiency by Lifestyle Changes) focuses on upscaling, and on the macro-analysis of structural variables and conditions behind the diffusion of sufficient lifestyles. To that end, we analyse the data collected in WP3 and in WP4 through a macro level perspective to identify and understand the structural drivers and social determinants that are at play in the diffusion processes of sufficient lifestyles and in the transformation of social norms and values in society