52 research outputs found
Voix d'outre-temps : Chikhates Brika et Zineb. Une effraction archivistique
No full textThis text explores the powerful rediscovery of the forgotten voices of Moroccan popular singers Chikha Brika and Chikha Zineb, pivotal yet marginalized figures in the tradition of ʿAyta music. Through a passage by Eugène Aubin and the archival recordings available on Gallica (BnF), the author examines the emotional charge and affective knowledge triggered by sonic archives. Far from any romanticization or exotic gaze, the text highlights how these rural female voices—once silenced—resurface with force through the grooves of old vinyl records. This "archival breach" becomes an intimate and political experience, in which listening restores dignity and presence to what history tried to erase. The text reflects on the spectral nature of recorded voices and rethinks the researcher’s role as a host of haunted memory and affective knowledge.Ce texte explore la redécouverte bouleversante des voix oubliées des chanteuses marocaines populaires Chikha Brika et Chikha Zineb, figures majeures mais marginalisées du chant de l’ʿAyta. À partir d’un passage d’Eugène Aubin et d’écoutes archivistiques via Gallica (BnF), l’auteur interroge la matérialité sonore de l’archive et ses effets émotionnels. Loin de tout exotisme ou fétichisation, il décrit l’irruption de ces voix féminines rurales, à la fois effacées des récits dominants et intensément présentes dans le sillon du vinyle. Cette « effraction archivistique » devient une expérience sensible, politique et éthique, où l’écoute fait émerger une connaissance affective et une reconnaissance réparatrice. Le texte s'inscrit dans une réflexion sur les formes de présence de l’archive sonore, la spectralité des voix et le rôle du chercheur comme hôte d’une mémoire occultée
Convergence IA et HPC pour des techniques de détection d’anomalies
No full textAnomaly detection, a branch of AI, aims to identify instances or patterns in data that deviate from the norm. This capability is essential across various sectors, including finance, where it helps identify fraud; healthcare, where it detects abnormal conditions; and predictive maintenance, where it anticipates equipment failures. In cybersecurity, anomaly detection enables the identification of suspicious behaviors and aids in preventing intrusions by analyzing unusual patterns in network traffic.Existing techniques, such as statistical methods like Grubbs' test, as well as clustering-based methods, machine learning, and deep learning approaches, have limitations in terms of accuracy and efficiency, especially when dealing with complex anomalies or dynamic, high-dimensional environments. Generalizing these methods to detect diverse types of anomalies remains a challenge, often requiring adaptations or combinations of approaches to improve performance.Ensemble learning techniques such as Bagging, Boosting, and Stacking can also provide interesting solutions for anomaly detection purposes. These methods, traditionally used to improve the accuracy of classification and regression models, provide more general models improving the robustness, flexibility and generalizability of the basic models. However, they do not always provide very good accuracy. Moreover, they require significant computing power to process large volumes of data in real time, which is a crucial factor for production anomaly detection platforms, especially in environments such as cybersecurity, where attacks are constantly evolving and becoming more sophisticated.The objective of this thesis is to improve the accuracy and efficiency of anomaly detection techniques with a particular focus on cybersecurity domain. To this end, we focus on the application of the “Unite and Conquer (UC)” approach to ensemble learning methods. The UC approach, initially developed in linear algebra, involves several iterative methods (co-methods) collaborating to solve a same given problem more efficiently than each co-method individually. This collaboration, which consists of sharing the intermediate results of the co-methods, allows the acceleration of the convergence of the global method. Applied to ensemble learning techniques, this strategy facilitates the construction of a global model from several co-models, thus offering better accuracy as well as better computational efficiency.The proposed collaborative, iterative approach integrates diverse machine learning and deep learning techniques and leverages UC parallelism to boost processing efficiency. Its iterative structure enhances performance through synchronous and asynchronous execution, supporting both inter-co-method and intra-co-method parallelism with coarse granularity. By sharing results across co-models and adjusting inputs for successive iterations, our approach continuously refines detection accuracy and accelerates global convergence. This approach strengthens system robustness through fault tolerance and optimized load balancing, adapted for massive distributed systems such as Fugaku.La détection des anomalies, une branche de l'IA, vise à identifier des instances ou des motifs dans les données qui s'écartent de la norme. Cette capacité est essentielle dans divers secteurs, notamment la finance, où elle aide à identifier la fraude ; la santé, où elle détecte les conditions anormales ; et la maintenance prédictive, où elle anticipe les pannes d'équipement. En cybersécurité, la détection des anomalies permet d'identifier les comportements suspects et aide à prévenir les intrusions en analysant les motifs inhabituels dans le trafic réseau. Les techniques existantes, telles que les méthodes statistiques comme le test de Grubbs, ainsi que les méthodes basées sur le clustering, l'apprentissage automatique et les approches d'apprentissage profond, ont des limitations en termes de précision et d'efficacité, notamment lorsqu'il s'agit de traiter des anomalies complexes ou des environnements dynamiques et de grande dimension. La généralisation de ces méthodes pour détecter des types divers d'anomalies demeure un défi, nécessitant souvent des adaptations ou des combinaisons d'approches pour améliorer les performances. Les techniques d'apprentissage ensembliste telles que le Bagging, le Boosting et le Stacking peuvent également fournir des solutions intéressantes pour la détection des anomalies. Ces méthodes, traditionnellement utilisées pour améliorer la précision des modèles de classification et de régression, fournissent des modèles plus généraux, améliorant ainsi la robustesse, la flexibilité et la généralisabilité des modèles de base. Cependant, elles ne garantissent pas toujours une très bonne précision. De plus, elles nécessitent une puissance de calcul importante pour traiter de grands volumes de données en temps réel, ce qui constitue un facteur crucial pour les plateformes de détection des anomalies en production, notamment dans des environnements comme la cybersécurité, où les attaques évoluent constamment et deviennent de plus en plus sophistiquées. L'objectif de cette thèse est d'améliorer la précision et l'efficacité des techniques de détection des anomalies, en mettant particulièrement l'accent sur le domaine de la cybersécurité. À cette fin, nous nous concentrons sur l'application de l'approche "Unite and Conquer (UC)" aux méthodes d'apprentissage ensembliste. L'approche UC, initialement développée en algèbre linéaire, implique plusieurs méthodes itératives (co-méthodes) collaborant pour résoudre un même problème donné de manière plus efficace que chaque co-méthode individuellement. Cette collaboration, qui consiste à partager les résultats intermédiaires des co-méthodes, permet d'accélérer la convergence de la méthode globale. Appliquée aux techniques d'apprentissage ensembliste, cette stratégie facilite la construction d'un modèle global à partir de plusieurs co-modèles, offrant ainsi une meilleure précision ainsi qu'une meilleure efficacité computationnelle. L'approche collaborative et itérative proposée intègre diverses techniques d'apprentissage automatique et d'apprentissage profond et tire parti du parallélisme UC pour améliorer l'efficacité du traitement. Sa structure itérative améliore la performance grâce à une exécution synchronisée et asynchrone, soutenant à la fois le parallélisme inter-co-méthode et intra-co-méthode avec une granularité grossière. En partageant les résultats entre les co-modèles et en ajustant les entrées pour les itérations successives, notre approche affine continuellement la précision de la détection et accélère la convergence globale. Cette approche renforce la robustesse du système grâce à une tolérance aux pannes et à un équilibrage de charge optimisé, adapté aux systèmes distribués massifs tels que Fugaku
Convergence IA et HPC pour des techniques de détection d’anomalies
No full textLa détection des anomalies, une branche de l'IA, vise à identifier des instances ou des motifs dans les données qui s'écartent de la norme. Cette capacité est essentielle dans divers secteurs, notamment la finance, où elle aide à identifier la fraude ; la santé, où elle détecte les conditions anormales ; et la maintenance prédictive, où elle anticipe les pannes d'équipement. En cybersécurité, la détection des anomalies permet d'identifier les comportements suspects et aide à prévenir les intrusions en analysant les motifs inhabituels dans le trafic réseau. Les techniques existantes, telles que les méthodes statistiques comme le test de Grubbs, ainsi que les méthodes basées sur le clustering, l'apprentissage automatique et les approches d'apprentissage profond, ont des limitations en termes de précision et d'efficacité, notamment lorsqu'il s'agit de traiter des anomalies complexes ou des environnements dynamiques et de grande dimension. La généralisation de ces méthodes pour détecter des types divers d'anomalies demeure un défi, nécessitant souvent des adaptations ou des combinaisons d'approches pour améliorer les performances. Les techniques d'apprentissage ensembliste telles que le Bagging, le Boosting et le Stacking peuvent également fournir des solutions intéressantes pour la détection des anomalies. Ces méthodes, traditionnellement utilisées pour améliorer la précision des modèles de classification et de régression, fournissent des modèles plus généraux, améliorant ainsi la robustesse, la flexibilité et la généralisabilité des modèles de base. Cependant, elles ne garantissent pas toujours une très bonne précision. De plus, elles nécessitent une puissance de calcul importante pour traiter de grands volumes de données en temps réel, ce qui constitue un facteur crucial pour les plateformes de détection des anomalies en production, notamment dans des environnements comme la cybersécurité, où les attaques évoluent constamment et deviennent de plus en plus sophistiquées. L'objectif de cette thèse est d'améliorer la précision et l'efficacité des techniques de détection des anomalies, en mettant particulièrement l'accent sur le domaine de la cybersécurité. À cette fin, nous nous concentrons sur l'application de l'approche "Unite and Conquer (UC)" aux méthodes d'apprentissage ensembliste. L'approche UC, initialement développée en algèbre linéaire, implique plusieurs méthodes itératives (co-méthodes) collaborant pour résoudre un même problème donné de manière plus efficace que chaque co-méthode individuellement. Cette collaboration, qui consiste à partager les résultats intermédiaires des co-méthodes, permet d'accélérer la convergence de la méthode globale. Appliquée aux techniques d'apprentissage ensembliste, cette stratégie facilite la construction d'un modèle global à partir de plusieurs co-modèles, offrant ainsi une meilleure précision ainsi qu'une meilleure efficacité computationnelle. L'approche collaborative et itérative proposée intègre diverses techniques d'apprentissage automatique et d'apprentissage profond et tire parti du parallélisme UC pour améliorer l'efficacité du traitement. Sa structure itérative améliore la performance grâce à une exécution synchronisée et asynchrone, soutenant à la fois le parallélisme inter-co-méthode et intra-co-méthode avec une granularité grossière. En partageant les résultats entre les co-modèles et en ajustant les entrées pour les itérations successives, notre approche affine continuellement la précision de la détection et accélère la convergence globale. Cette approche renforce la robustesse du système grâce à une tolérance aux pannes et à un équilibrage de charge optimisé, adapté aux systèmes distribués massifs tels que Fugaku.Anomaly detection, a branch of AI, aims to identify instances or patterns in data that deviate from the norm. This capability is essential across various sectors, including finance, where it helps identify fraud; healthcare, where it detects abnormal conditions; and predictive maintenance, where it anticipates equipment failures. In cybersecurity, anomaly detection enables the identification of suspicious behaviors and aids in preventing intrusions by analyzing unusual patterns in network traffic.Existing techniques, such as statistical methods like Grubbs' test, as well as clustering-based methods, machine learning, and deep learning approaches, have limitations in terms of accuracy and efficiency, especially when dealing with complex anomalies or dynamic, high-dimensional environments. Generalizing these methods to detect diverse types of anomalies remains a challenge, often requiring adaptations or combinations of approaches to improve performance.Ensemble learning techniques such as Bagging, Boosting, and Stacking can also provide interesting solutions for anomaly detection purposes. These methods, traditionally used to improve the accuracy of classification and regression models, provide more general models improving the robustness, flexibility and generalizability of the basic models. However, they do not always provide very good accuracy. Moreover, they require significant computing power to process large volumes of data in real time, which is a crucial factor for production anomaly detection platforms, especially in environments such as cybersecurity, where attacks are constantly evolving and becoming more sophisticated.The objective of this thesis is to improve the accuracy and efficiency of anomaly detection techniques with a particular focus on cybersecurity domain. To this end, we focus on the application of the “Unite and Conquer (UC)” approach to ensemble learning methods. The UC approach, initially developed in linear algebra, involves several iterative methods (co-methods) collaborating to solve a same given problem more efficiently than each co-method individually. This collaboration, which consists of sharing the intermediate results of the co-methods, allows the acceleration of the convergence of the global method. Applied to ensemble learning techniques, this strategy facilitates the construction of a global model from several co-models, thus offering better accuracy as well as better computational efficiency.The proposed collaborative, iterative approach integrates diverse machine learning and deep learning techniques and leverages UC parallelism to boost processing efficiency. Its iterative structure enhances performance through synchronous and asynchronous execution, supporting both inter-co-method and intra-co-method parallelism with coarse granularity. By sharing results across co-models and adjusting inputs for successive iterations, our approach continuously refines detection accuracy and accelerates global convergence. This approach strengthens system robustness through fault tolerance and optimized load balancing, adapted for massive distributed systems such as Fugaku
Convergence IA et HPC pour des techniques de détection d’anomalies
No full textAnomaly detection, a branch of AI, aims to identify instances or patterns in data that deviate from the norm. This capability is essential across various sectors, including finance, where it helps identify fraud; healthcare, where it detects abnormal conditions; and predictive maintenance, where it anticipates equipment failures. In cybersecurity, anomaly detection enables the identification of suspicious behaviors and aids in preventing intrusions by analyzing unusual patterns in network traffic.Existing techniques, such as statistical methods like Grubbs' test, as well as clustering-based methods, machine learning, and deep learning approaches, have limitations in terms of accuracy and efficiency, especially when dealing with complex anomalies or dynamic, high-dimensional environments. Generalizing these methods to detect diverse types of anomalies remains a challenge, often requiring adaptations or combinations of approaches to improve performance.Ensemble learning techniques such as Bagging, Boosting, and Stacking can also provide interesting solutions for anomaly detection purposes. These methods, traditionally used to improve the accuracy of classification and regression models, provide more general models improving the robustness, flexibility and generalizability of the basic models. However, they do not always provide very good accuracy. Moreover, they require significant computing power to process large volumes of data in real time, which is a crucial factor for production anomaly detection platforms, especially in environments such as cybersecurity, where attacks are constantly evolving and becoming more sophisticated.The objective of this thesis is to improve the accuracy and efficiency of anomaly detection techniques with a particular focus on cybersecurity domain. To this end, we focus on the application of the “Unite and Conquer (UC)” approach to ensemble learning methods. The UC approach, initially developed in linear algebra, involves several iterative methods (co-methods) collaborating to solve a same given problem more efficiently than each co-method individually. This collaboration, which consists of sharing the intermediate results of the co-methods, allows the acceleration of the convergence of the global method. Applied to ensemble learning techniques, this strategy facilitates the construction of a global model from several co-models, thus offering better accuracy as well as better computational efficiency.The proposed collaborative, iterative approach integrates diverse machine learning and deep learning techniques and leverages UC parallelism to boost processing efficiency. Its iterative structure enhances performance through synchronous and asynchronous execution, supporting both inter-co-method and intra-co-method parallelism with coarse granularity. By sharing results across co-models and adjusting inputs for successive iterations, our approach continuously refines detection accuracy and accelerates global convergence. This approach strengthens system robustness through fault tolerance and optimized load balancing, adapted for massive distributed systems such as Fugaku.La détection des anomalies, une branche de l'IA, vise à identifier des instances ou des motifs dans les données qui s'écartent de la norme. Cette capacité est essentielle dans divers secteurs, notamment la finance, où elle aide à identifier la fraude ; la santé, où elle détecte les conditions anormales ; et la maintenance prédictive, où elle anticipe les pannes d'équipement. En cybersécurité, la détection des anomalies permet d'identifier les comportements suspects et aide à prévenir les intrusions en analysant les motifs inhabituels dans le trafic réseau. Les techniques existantes, telles que les méthodes statistiques comme le test de Grubbs, ainsi que les méthodes basées sur le clustering, l'apprentissage automatique et les approches d'apprentissage profond, ont des limitations en termes de précision et d'efficacité, notamment lorsqu'il s'agit de traiter des anomalies complexes ou des environnements dynamiques et de grande dimension. La généralisation de ces méthodes pour détecter des types divers d'anomalies demeure un défi, nécessitant souvent des adaptations ou des combinaisons d'approches pour améliorer les performances. Les techniques d'apprentissage ensembliste telles que le Bagging, le Boosting et le Stacking peuvent également fournir des solutions intéressantes pour la détection des anomalies. Ces méthodes, traditionnellement utilisées pour améliorer la précision des modèles de classification et de régression, fournissent des modèles plus généraux, améliorant ainsi la robustesse, la flexibilité et la généralisabilité des modèles de base. Cependant, elles ne garantissent pas toujours une très bonne précision. De plus, elles nécessitent une puissance de calcul importante pour traiter de grands volumes de données en temps réel, ce qui constitue un facteur crucial pour les plateformes de détection des anomalies en production, notamment dans des environnements comme la cybersécurité, où les attaques évoluent constamment et deviennent de plus en plus sophistiquées. L'objectif de cette thèse est d'améliorer la précision et l'efficacité des techniques de détection des anomalies, en mettant particulièrement l'accent sur le domaine de la cybersécurité. À cette fin, nous nous concentrons sur l'application de l'approche "Unite and Conquer (UC)" aux méthodes d'apprentissage ensembliste. L'approche UC, initialement développée en algèbre linéaire, implique plusieurs méthodes itératives (co-méthodes) collaborant pour résoudre un même problème donné de manière plus efficace que chaque co-méthode individuellement. Cette collaboration, qui consiste à partager les résultats intermédiaires des co-méthodes, permet d'accélérer la convergence de la méthode globale. Appliquée aux techniques d'apprentissage ensembliste, cette stratégie facilite la construction d'un modèle global à partir de plusieurs co-modèles, offrant ainsi une meilleure précision ainsi qu'une meilleure efficacité computationnelle. L'approche collaborative et itérative proposée intègre diverses techniques d'apprentissage automatique et d'apprentissage profond et tire parti du parallélisme UC pour améliorer l'efficacité du traitement. Sa structure itérative améliore la performance grâce à une exécution synchronisée et asynchrone, soutenant à la fois le parallélisme inter-co-méthode et intra-co-méthode avec une granularité grossière. En partageant les résultats entre les co-modèles et en ajustant les entrées pour les itérations successives, notre approche affine continuellement la précision de la détection et accélère la convergence globale. Cette approche renforce la robustesse du système grâce à une tolérance aux pannes et à un équilibrage de charge optimisé, adapté aux systèmes distribués massifs tels que Fugaku
Aperçu sur la biodiversité faunistique de deux milieux d’étude, Sour El Ghozlane et Ain Bessem, dans la région de Bouira
Full text linkL’étude arthropodologique est réalisé dans deux sites à Bouira par l’utilisation de la technique de capture quantificative, celle des pots Barber, durant le mois de février de l’année 2020. Pour la culture de blé (Site de Sour El Ghozlane), sur les 56 individus collectés, 44 d’entre eux appartiennent à la classe des Insectes (78,57%) représentés par 20 espèces, notons la dominance de l’ordre des Hymenoptera avec 21 individus (37,5%). Une seule espèce appartenant à la classe des Collemboles celle d’Isotoma viridis avec 5 individus (8,93%) et trois espèces d’Arachnides englobant 7 individus (12,5%). Pour la culture de pomme de terre
à Ain Bessem, sur les 69 individus collectés, 58 individus appartiennent à la classe des insectes (84,06%). Notons la dominance de l’ordre des Diptera avec 40 individus (57,97%) qui est représenté principalement par l’espèce de Cyclorrhapha sp.ind. avec 37 individus soit un taux de 53,62% par rapport à l’ensemble des arthropodes capturés
Conundrum in Measured Electron Affinities of Complex Heavy Atoms
Full text linkLow-energy electron scattering from the lanthanide atoms Eu, Tb, Tm, Gd, and Nd including Nb is investigated through calculated electron elastic total cross sections using our robust Regge-pole methodology. The extracted binding energies of the resultant ground and metastable anions formed during the collisions are contrasted with the measured electron affinities (EAs). It is concluded that the measured EAs for these atoms require reinterpretation and new recommended values are presented
Electron Elastic Collisions with Pu, Am and Lr Actinide Atoms
Full text linkSynopsis The robust Regge-pole methodology which embeds the crucial electron correlations and the vital core-polarization interaction is used to explore negative-ion formation in the actinide atoms Pu, Am and Lr through the electron elastic total cross sections (TCSs) calculation. The TCSs are found to be characterized by ground, metastable and excited anionic formation, whence we extract the anionic binding energies and compare them with existing electron affinities. The TCSs exhibit both atomic and molecular behavior in addition to polar- ization-induced metastable TCSs
A novel approach to parallel anomaly detection: application in cybersecurity
No full textInternational audienceIntroducing the Scalable Anomaly Detection with UC2B framework, this paper addresses the critical task of identifying unusual patterns in data, crucial for effective cyber threat defense. By leveraging ensemble learning methods and the parallel processing capabilities of the Unite and Conquer approach, the framework demonstrates its proficiency in handling large datasets. It strives to offer computational efficiency, scalability, and high accuracy in real-world applications. Notably, this paper places special emphasis on the diversity of components and acknowledges their substantial influence on the overall framework functionality. It encompasses features such as fault tolerance, adaptability to various architectures, and efficient load balancing. Experimental validation on the Ruche Cluster within the realm of cybersecurity provides valuable insights into its potential in detecting anomalies
Fullerene Negative Ions: Formation and Catalysis
Full text linkWe first explore negative-ion formation in fullerenes C44 to C136 through low-energy electron elastic scattering total cross sections calculations using our Regge-pole methodology. Then, the formed negative ions C44?t o C136? are used to investigate the catalysis of water oxidation to peroxide and water synthesis from H2 and O2. The exploited fundamental mechanism underlying negative-ion catalysis involves hydrogen bond strength-weakening/breaking in the transition state. Density Functional Theory transition state calculations found C60? optimal for both water and peroxide synthesis, C100? increases the energy barrier the most, and C136? the most effective catalyst in both water synthesis and oxidation to H2O2
Novel Mechanism for Creating Long-Lived Metastable Atomic Negative Ions
Full text linkA novel mechanism is proposed for creating long-lived metastable atomic negative ions in complex atoms. It exploits the orbital collapse of the 5d orbital in Gd (Z=64) into the 4f orbital of Tb (Z=65). In the region of collapse the properties of the 5d and 4f orbitals are quite sensitive to the changes in the effective potential. Consequently the collapse phenomenon impacts significantly the core-polarization interaction in the relevant atoms. The mechanism is demonstrated in Tb and Dy through the appearance of long-lived Tb? and Dy? anions in the Regge-pole calculated electron elastic cross sections
- …
