HAL: Hyper Article en Ligne
Not a member yet
3159010 research outputs found
Sort by
[HDR] Étude des interfaces électrode-électrolyte pour les applications de stockage électrochimique de l'énergie
No full textMy HDR manuscript, titled “Investigation of Electrode–Electrolyte Interfaces for Electrochemical Energy Storage Applications,” summarizes my research over the past ten years on understanding electrode/electrolyte interfaces in supercapacitors and solid-state batteries using microscopic techniques.Mon manuscrit HDR, intitulé « Étude des interfaces électrode-électrolyte pour les applications de stockage électrochimique de l’énergie », résume mes recherches menées au cours des dix dernières années sur la compréhension des interfaces électrode/électrolyte dans les supercondensateurs et les batteries à l’état solide à l’aide de techniques microscopiques
Évaluer la traduction automatique à l’ère de l’IA : de la métrique à l’évaluation humaine (étude de cas français–chinois dans le domaine médical)
No full textInternational audienc
La fondation de l’Académie des Sciences et des Lettres de Mayence : une initiative allemande soutenue par l’occupant français
No full textInternational audienc
Polymeric nanoparticles: formulation from preformed polymers and biomedical applications
No full textInternational audienc
Advancements in nanoparticle-based devices for precise in-vitro diagnosis
No full textInternational audienc
La confiance avec le contrôle : spécification et vérification d’hyperpropriétés sur réseaux de neurones
No full textInternational audienceL’apprentissage automatique consiste à produire des programmes qui respectent certaines propriétés statistiques sur une distribution de probabilité. Ce formalisme probabiliste se traduit notamment par la notion de « confiance » qu’un programme porte sur sa sortie. Ainsi, un réseau de neurones peut modéliser ses sorties comme une distribution de probabilité. La vérification de réseaux de neurones se concentre encore majoritairement sur des propriétés dites « locales » - c’est-à-dire ne portant que sur des points précis et sur leur voisinage. Nous proposons dans cet article d’employer la notion de score de confiance pour écrire des spécifications globales. Plus précisément, nous proposons de spécifier des propriétés de robustesse sur des réseaux de neurones étant donné une certaine probabilité affectée à une sortie - autrement dit, le niveau de confiance que le programme accorde à sa prédiction. Contrairement aux propriétés de robustesse locale communément rencontrées dans la littérature, notre approche permet une spécification globale, c’est-à-dire pour tout point de l’espace d’entrée qui respecte l’hypothèse de confiance. Cette approche ouvre ainsi la voie à la vérification de propriétés portant sur tout l’espace d’entrée d’un réseau. Nous présentons un travail de réécriture nécessaire pour traduire ces spécifications vers des prouveurs sur étagère, et évaluons les performances et limites de notre approche sur plusieurs cas d’étude
Optimizing Pattern-Matching Compilation Over OCaml's Extensible Variant Types
No full textInternational audienceExtensible variant types have been part of OCaml since version 4.02 and still, as of version 5.4 have a naive pattern matching compilation schema. This paper explores different approaches to compile, potentially more efficiently, those pattern matchings. We propose three compilation schemes, two of which have been implemented in a fork of the compiler, and we discuss the benefits of such optimization for the future of OCaml
Federated Learning-Based Semi-Supervised IDS for Medical IoT
No full textInternational audienceThe rapid adoption of Internet of Things (IoT) technologies in the medical field has introduced new challenges in securing sensitive data against increasingly sophisticated cyber threats. To address the limitations of intrusion detection systems (IDS) that rely on centralized machine learning models, federated learning has emerged as a more privacy-conscious alternative, allowing distributed devices to collaboratively train models without sharing raw data. In this work, we propose a federated, semi-supervised intrusion detection system that couples unsupervised client-side representation learning using a variational autoencoder (VAE); specifically a β-VAE, with server-side classification learning using a small portion of labeled data. Beyond representation learning, we also use a VAE to generate synthetic data and oversample rare attacks. We evaluate across two IoT intrusion datasets: the BoT-IoT dataset and the WUSTL-EHMS-2020 Medical IoT dataset, and release simulation code to enable reproducible evaluation and fair comparisons. To explain performance gains, we compare the client-side latent space to that of a standard autoencoder (AE). On the BoT-IoT, the latent space is better structured, showing higher silhouette scores and clearer 3D cluster separations, which yields stronger detection. This improved representation supports stronger detection performance on both datasets while preserving privacy on connected medical devices.</div