HAL Evry
Not a member yet
19237 research outputs found
Sort by
Guide du bon usage des assistants à base d'intelligences artificielles génératives
No full textINRAE publie son Guide du bon usage des assistants à base d’intelligences artificielles génératives (IAG), un document de référence qui répond aux besoins croissants d’accompagnement dans l’utilisation de ces outils au quotidien. Il est accompagné de 2 notices pratiques.Ce document s’adresse à tous les personnels INRAE voulant utiliser un assistant basé sur une intelligence artificielle générative (IAG) dans le contexte professionnel. Il souligne les risques et impacts que chacun doit connaître et évaluer avant de les utiliser et propose également des recommandations générales d’utilisation. Des cas d'usage ont été identifiés et aideront le lecteur à mieux cerner les opportunités et risques qu'offrent ces technologies. Chaque cas d’usage pouvant être lu séparément, certaines recommandations sont volontairement répétées.Les recommandations proposées renvoient et ne se substituent pas aux réglementations existantes (réglement général sur la protection des données à caractère personnel, droit d’auteur, droit sui generis sur les bases de données, etc.) et ne traitent pas de la mise à disposition ou de la mise en service d’IAG faisant l’objet de la réglementation européenne n°2024/1699 sur l’IA (RIA ou AI Act) pour laquelle des obligations spécifiques s’appliquent
High‐throughput screening identifies bazedoxifene as a potential therapeutic for dysferlin‐deficient limb girdle muscular dystrophy
No full textInternational audienceAbstract Background and Purpose Limb‐girdle muscular dystrophy R2 (LGMD R2) is a rare genetic disorder characterised by progressive weakness and wasting of proximal muscles. LGMD R2 is caused by the loss of function of dysferlin, a transmembrane protein crucial for plasma membrane repair in skeletal muscles. This study aimed to identify drugs that could improve the localisation and restore the function of an aggregated mutant form of dysferlin ( DYSF L1341P ). Experimental Approach We developed an in vitro high‐throughput assay to monitor the expression and reallocation of aggregated mutant dysferlin ( DYSF L1341P ) in immortalised myoblasts. After screening 2239 clinically approved drugs and bioactive compounds, the ability of the more promising candidates to improve cell survival following hypo‐osmotic shock was assessed. Their protective effects were evaluated on immortalised myoblasts carrying other dysferlin mutations and on dysferlin‐deficient muscle fibres from Bla/J mice. Key Results We identified two compounds, saracatinib and bazedoxifene, that increase dysferlin content in cells carrying the DYSF L1341P mutation. Both drugs improved cell survival and plasma membrane resistance following osmotic shock. Whereas saracatinib acts specifically on misfolded L1341P dysferlin, bazedoxifene shows an additional protective effect on dysferlin KO immortalised myoblasts and mice muscle fibres. Further analysis revealed that bazedoxifene induces autophagy flux, which may enhance the survival of LGMD R2 myofibres. Conclusion and Implications Our drug screening identified saracatinib and bazedoxifene as potential treatments for LGMD R2, especially for patients with the L1341P mutation. The widespread protective effect of bazedoxifene reveals a new avenue toward genotype‐independent treatment of LGMD R2 patients
Faire de la sociohistoire : quelques réflexions sur l’usage des entretiens par l’historien
No full textInternational audienc
Fault Detection for Heterogeneous Multi-Agent Systems with Unknown Dynamics Using Distributed Autoencoder
No full textInternational audienceThis paper presents a novel approach addressing fault detection challenges for multi-agent systems through a machine-learning method using recurrent autoencoders. The main advantage lies in its ability to handle heterogeneous multi-agent systems with unknown dynamics. The approach features a distributed detection architecture based on a cluster representation that depends solely on the agents’ relative outputs, integrating stable image representation and orthogonal projection. Unlike traditional observer-based methods, the fault detection framework employs distributed autoencoders for residual generation, offering a data-driven and model-free solution. The autoencoders are carefully designed for effective time-series data learning, incorporating gated recurrent units and neural networks. Simulation results validate the effectiveness of the proposed method, demonstrating excellent fault detection capabilities and highlighting the promising extension to more complex and generic systems
The natural history of transposons in plant pangenomes and panepigenomes
No full textInternational audienc
Mesure et contrôle du risque de liquidité
No full textThis thesis explores methods to model, detect, and respond to dynamic liquidity conditions in electronic markets. Liquidity, understood as the ability to transact large quantities quickly and with minimal price impact, is neither static nor directly observable. It varies throughout the trading day and across market conditions, presenting significant challenges for both theoretical modeling and practical trading. In response, we develop a comprehensive set of tools for analyzing liquidity dynamics and designing adaptive execution strategies.The first part of the thesis introduces a novel measure of liquidity based on the observation of multiple limit trades. These events occur when a single market order consumes liquidity across several levels of the order book, reflecting the market's resilience and depth. We model the timing and volume of these events using marked Hawkes processes, which allow for a self-exciting structure and capture the informational content of trade sizes. To detect shifts in liquidity conditions, we formulate a disorder detection problem in which the goal is to identify changes in the distribution of these events as quickly as possible. To our knowledge, our change-point detection methodology is the first to account for processes that can exhibit simultaneous jumps. We demonstrate that this approach can effectively detect intraday regime changes based on empirical results on high frequency data.Building on these insights, the second part of the thesis addresses a problem of optimal execution when the state of market liquidity is not directly observable. Traders must rely on order flow data to estimate the underlying liquidity conditions. We model this setting using a system where order arrivals are governed by Hawkes processes influenced by an unobserved liquidity regime that evolves according to a hidden Markov chain. To estimate the hidden liquidity state, we apply nonlinear stochastic filtering techniques to update beliefs. The execution problem is then formulated as an impulse control problem under partial observation. We apply the separation principle to treat estimation and control separately, and derive a recursive approximation scheme for the value function. Simulations illustrate how the optimal trading strategy adjusts to varying levels of inferred liquidity, balancing the trade-off between execution cost and risk.The third part develops an optimal execution model with stochastic resilience. The model allows the shape of the limit order book to vary across different liquidity regimes, represented by a finite state Markov chain. A jump-diffusion process is used to represent volume effect, capturing continuous fluctuations and sudden shocks in market activity. We formulate the execution problem as a singular stochastic control problem, and characterize the value function through a system of Hamilton-Jacobi-Bellman quasi-variational inequalities. Using a viscosity solution framework, we prove the uniqueness of the value function and describe the structure of the optimal execution region. A finite difference numerical scheme is developed to approximate the solution, and simulations highlight how factors such as market volatility and resilience influence the execution strategy.The final part of this thesis focuses on the development of a reinforcement learning-based execution strategy within a custom MDP framework, using limit order book features as state inputs. To address the limitations of historical data, we simulate realistic market dynamics with the ABIDES multi-agent environment. The proposed agent outperforms standard benchmarks, demonstrating its effectiveness and practical relevance.In summary, this thesis provides a unified framework for adapting to changes in market liquidity. It combines high frequency data analysis, statistical filtering, stochastic modeling, and optimal control theory to address both theoretical and practical challenges in modern financial markets.Cette thèse explore des méthodes de modélisation, de détection et de gestion des conditions de liquidité dans les marchés électroniques. La liquidité, comprise comme la capacité à exécuter rapidement des transactions de grands volumes avec un impact minimal sur les prix, n'est ni statique ni directement observable. Elle varie dans le temps et selon des régimes de marché, ce qui pose des défis importants tant pour la modélisation théorique que pour la mise en oeuvre pratique des stratégies de trading. En réponse à ces enjeux, nous développons un ensemble d'outils permettant d'analyser la dynamique de la liquidité et de concevoir des stratégies d'exécution adaptées.La première partie de la thèse introduit une nouvelle mesure de la liquidité fondée sur l'analyse des multiple limit trades, c'est-à-dire des ordres de marché qui consomment plusieurs niveaux du carnet. Ces événements sont modélisés par des processus de Hawkes marqués, qui permettent de représenter à la fois la dépendance temporelle et l'information contenue dans les volumes échangés. Un cadre de détection de désordre est ensuite utilisé pour identifier rapidement les changements dans la distribution de ces événements. Cette approche généralise les méthodes classiques de détection de désordre et s'adapte à des processus présentant des sauts simultanés. L'analyse empirique sur données haute fréquence confirme la capacité de cette méthode à détecter les transitions de régimes intrajournaliers. Cette approche permet également de mieux quantifier la résilience du carnet d'ordres face à des perturbations soudaines.La deuxième partie s'intéresse à la liquidation optimale dans un contexte d'information partielle, où la liquidité n'est pas observable directement. Le flux d'ordres est modélisé par des processus de Hawkes dont l'intensité dépend d'un régime évoluant selon une chaîne de Markov cachée. L'estimation de ce régime est réalisée via un filtrage stochastique non linéaire. Le problème d'exécution est formulé comme un contrôle impulsionnel sous observation partielle, résolu grâce au principe de séparation et à une approximation récursive de la fonction de valeur. Des simulations illustrent l'ajustement des stratégies en fonction des conditions estimées du marché. Cette modélisation permet d'intégrer l'incertitude informationnelle dans les décisions de trading, en tenant compte de l'endogénéité du flux d'ordres.Nous proposons par la suite un cadre d'exécution optimale prenant en compte des évolutions dynamiques et des chocs soudains de liquidité. Le modèle combine un volume effect stochastique, représenté par un processus de diffusion avec sauts, et une dynamique de régime pilotée par une chaîne de Markov. Le problème est formulé comme un contrôle stochastique singulier, et la fonction valeur est caractérisée comme solution de viscosité d'inéquations de Hamilton-Jacobi-Bellman. Une méthode numérique permet d'approximer cette solution et d'analyser l'impact des paramètres de marché sur la stratégie optimale. Ce cadre offre une plus grande flexibilité en distinguant notamment les effets liés à la forme du carnet et à l'intensité de l'activité.La dernière partie de cette thèse porte sur le développement d'une stratégie d'exécution basée sur l'apprentissage par renforcement, formulée dans un cadre MDP utilisant des caractéristiques du carnet d'ordres comme variables d'état. Afin de pallier les limitations des données historiques, nous simulons des dynamiques de marché réalistes à l'aide de l'environnement multi-agent ABIDES. L'agent proposé surpasse les stratégies de référence standard, démontrant ainsi son efficacité et sa pertinence pratique.En résumé, cette thèse propose un cadre unifié pour s'adapter aux variations de la liquidité de marché. Elle combine analyse de données haute fréquence, filtrage non-linéaire, modélisation stochastique et théorie du contrôle optimal afin de répondre aux défis théoriques et pratiques posés par les marchés financiers moderne
Road Patrol with Traveling Salesman Formulation
No full textInternational audienceTraffic jams and accidents are one of the biggest problems in road traffic. The most agile way to monitor trafficpatrols and detect incidents is to use a fleet of drones. We propose an approach based on a fleet of drones to maximize firstlythe patrol task, secondly the traffic observation and thirdly the Point of Interest (PoI) observation. While maximizing the trafficobservation, our system keeps a probability map of the traffic condition updated. For this purpose, the multi-TravelingSalesman (mTSP) formulation coupled with a selection criterion of (PoI) and a probabilistic formula for keeping the probabilitymap updated are used to solve our problem. The control strategy is ensured by pursuit law. Compared to a systematic patrolling,namely the scanning approach, the performance of our method surpasses the scanning approach and is designed tobe real-time
Overview on Fractional Calculus
No full textInternational audienceFractional calculus can be defined as the generalization of classical calculus to order of integration and differentiation not necessary integer. The theory of derivatives of non-integer order goes back to the Leibniz’s note in his letter to l’Hospital , dated 30 September 1695, in which the meaning of the derivative of order one half is discussed. The question raised by Leibniz for a non-integer-order derivative was an ongoing topic for more than 300 years
Design, thermal-mechanical coupling analysis, and optimization of polymeric matrix composite sandwiches with a lattice core exposed to a high temperature
No full textInternational audienceThis study presents the design of a sandwich structure tailored for post-heat transfer applications subjected to out-of-plane compression. A three-dimensional finite element simulation model was developed to analyze the temperature distribution within the sandwich structure and investigate the effects of high-temperature exposure on its mechanical behaviors. The structure was subjected to a temperature of 300 °C for 400 s, and the temperature distribution at the upper connection point between the top face sheet and the struts of the core was determined. Subsequently, upon returning the sandwich to ambient temperature, a comprehensive calculation of its mechanical properties was conducted and then enhanced by applying different optimization techniques. The results demonstrate that filling the core with Saffil alumina fibers in the presence of a 1.5 mm a thermal barrier coating of Superwool 607 helps increase the mechanical properties of the sandwich structure by around 55%
Vers une évaluation rigoureuse des systèmes RAG : le défi de la due diligence
No full textInternational audienceThe rise of generative AI, has driven significant advancements in high-risk sectors like healthcare and finance. The Retrieval-Augmented Generation (RAG) architecture, combining language models (LLMs) with search engines, is particularly notable for its ability to generate responses from document corpora. Despite its potential, the reliability of RAG systems in critical contexts remains a concern, with issues such as hallucinations persisting. This study evaluates a RAG system used in due diligence for an investment fund. We propose a robust evaluation protocol combining human annotations and LLM-Judge annotations to identify system failures, like hallucinations, off-topic, failed citations, and abstentions. Inspired by the Prediction Powered Inference (PPI) method, we achieve precise performance measurements with statistical guarantees. We provide a comprehensive dataset for further analysis. Our contributions aim to enhance the reliability and scalability of RAG systems evaluation protocols in industrial applications.L'IA générative se déploie dans des secteurs à haut risque comme la santé et la finance. L'architecture RAG (Retrieval Augmented Generation), qui combine modèles de langage (LLM) et moteurs de recherche, se distingue par sa capacité à générer des réponses à partir de corpus documentaires. Cependant, la fiabilité de ces systèmes en contextes critiques demeure préoccupante, notamment avec des hallucinations persistantes. Cette étude évalue un système RAG déployé chez un fonds d'investissement pour assister les due diligence. Nous proposons un protocole d'évaluation robuste combinant annotations humaines et LLM-Juge pour qualifier les défaillances du système, comme les hallucinations, les hors-sujets, les citations défaillantes ou les abstentions. Inspirés par la méthode Prediction Powered Inference (PPI), nous obtenons des mesures de performance robustes avec garanties statistiques. Nous fournissons le jeu de données complet. Nos contributions visent à améliorer la fiabilité et la scalabilité des protocoles d'évaluations de systèmes RAG en contexte industriel