Dissertations / Theses on the topic 'Apprentissage en simple boucle'

Le cervelet joue un rôle fondamental dans la coordination, l'ajustement, la planification et l'automatisation des mouvements, dans la modulation des réflexes ou encore dans certaines fonctions cognitives. Pour ce faire, il va collecter des informations motrices et sensorielles provenant aussi bien du cortex cérébral que du reste du corps. Ces informations sont relayées vers le cortex et les noyaux cérébelleux via les fibres grimpantes et les fibres moussues. Les fibres grimpantes, projetant depuis l'olive inférieure, convoient des signaux sensori-moteurs impliqués dans certains apprentissages et dans la régulation temporelle des activités cérébelleuses. Ces processus jouent un rôle modulateur de la décharge et des plasticités des cellules de Purkinje. Ces dernières ciblent les noyaux cérébelleux qui représentent l'unique sortie du cervelet. Les efférences de ces noyaux cérébelleux incluent une projection GABAergique dirigée sur l'olive inférieure. Ainsi, les connexions entre l'olive inférieure et le cervelet constituent potentiellement une boucle fermé olivo-cortico-nucléaire. Nos études se basent sur les enregistrements électrophysiologiques in vitro et in vivo de ces trois structures effectués sur un modèle de souris génétiquement modifiées qui permet un contrôle spécifique de la décharge des cellules de Purkinje par l'utilisation de l'optogénétique. La stimulation lumineuse du cortex cérébelleux de ces souris transgéniques active les cellules de Purkinje ainsi que la boucle olivo-cortico-nucléaire sur un délai total d'environ 100 ms. Ces résultats démontrent pour la première fois que les cellules de Purkinje contrôlent de manière phasique leurs afférences olivaires et que ce processus pourrait participer à la régulation des apprentissages moteurs cérébelleux<br>The cerebellum plays a fundamental role in coordination, adjustment, planning and automation of movements, in the modulation of reflexes and in some cognitive functions. To do this, it will collect motor and sensory information from both the cerebral cortex and the rest of the body. These information are relayed to the cortex and cerebellar nuclei via climbing fibers and mossy fibers. Climbing fibers, the projections from the inferior olive to the cerebellar cortex, carry sensorimotor error and clock signals that trigger motor learning by controlling cerebellar Purkinje cell synaptic plasticity and discharge. Purkinje cells target the deep cerebellar nuclei, which are the output of the cerebellum and include an inhibitory GABAergic projection to the inferior olive. This pathway identifies a potential closed loop in the olivo-cortico-nuclear network. Therefore, sets of Purkinje cells may phasically control their own climbing fiber afferents. Here, using in vitro and in vivo recordings, we describe a genetically modified mouse model that allows the specific optogenetic control of Purkinje cell discharge. Tetrode recordings in the cerebellar nuclei demonstrate that focal stimulations of Purkinje cells strongly inhibit spatially restricted sets of cerebellar nuclear neurons. Strikingly, such stimulations trigger delayed climbing-fiber input signals in the stimulated Purkinje cells. Therefore, our results demonstrate that Purkinje cells phasically control the discharge of their own olivary afferents and thus might participate in the regulation of cerebellar motor learning

Le dérèglement climatique et la transition énergétique exigent une meilleure efficience et flexibilité dans les solutions de gestion énergétique destinées à l’industrie et aux services publics. Cependant, les installations concernées ne disposent pas toujours des ressources financières nécessaires pour mettre en œuvre les régulations avancées requises. Cette situation encourage le développement de méthodes de régulation accessibles, capables d’être déployées à moindre coût sur une large gamme de systèmes. Cette thèse s’intéresse aux installations capitalisant les données représentatives de leur comportement en conditions opérationnelles (données échantillonnées directement prélevées sur le système en exploitation). Elle emprunte aux méthodes d’identification, qui ont le potentiel de déduire, partir des seules données expérimentales d’un processus physique, des modèles dynamiques représentatifs ; sans recours à des modélisations physiques coûteuses donc. Elle questionne les modèles (traditionnels ou neuronaux) et les méthodes d’apprentissage adaptés au contexte. Elle approfondit la problématique de l’apprentissage de modèles ad hoc pour la commande prédictive. Elle a établi deux bancs d’essais adaptés au contexte industriel cible. Elle propose, in fine, une nouvelle brique méthodologique visant une réduction du coût énergétique d’exploitation : il s’agit d’une nouvelle modélisation de type boîte noire, capable de représenter un comportement non-linéaire, tout en bénéficiant, pour la classe d’application visée, des capacités d’extrapolation des modèles linéaires. Ce modèle est directement utilisable pour la commande prédictive, sans nécessiter un processus complexe d’estimation d’état<br>Climate change and the energy transition demand greater efficiency and flexibility in energy management solutions for industry and utilities. However, the facilities involved do not always have the financial resources to implement the advanced control systems required. This situation fosters the development of accessible control methods that can be deployed at low cost across a wide range of systems. This thesis focuses on facilities that leverage data representative of their behavior under operational conditions (sampled data directly collected from the system in operation). It draws on identification methods capable of inferring dynamic models of a physical process solely from experimental data, thus avoiding costly physical modeling. The work examines traditional and neural models and learning methods suitable for this context. It delves into the challenge of learning ad hoc models for predictive control and establishes two benchmarks tailored to the target industrial context. Ultimately, it proposes a new methodological building block aimed at reducing operational energy costs: a novel black-box model that can represent nonlinear behavior while leveraging, for the targeted application class, the extrapolation capabilities of linear models. This model is directly usable for predictive control without requiring a complex state estimation process

Le modele dynamique est base sur trois procedes: equation generee automatiquement par calcul symbolique iteratif; formalismes recursifs de type newton-euler lineaires vis-a-vis des parametres inertiels; regroupement de parametres inertiels

Dans le domaine de service après-vente et particulièrement dans la maintenance, l’intervention rapide et la réparation du bien du client est un élément clé pour sa satisfaction et pour la création de l’image de marque dans le marché. Le travail présenté dans cette thèse propose une approche Big Data et Machine Learning pour l’amélioration du flux informationnel de la chaine logistique de pièces de rechange. Notre contribution se focalise sur la prévision de la charge dans les centres de réparation des pièces de rechange, qui sont les fournisseurs principaux des pièces utilisés pour réparer les systèmes des clients. La grandeur de la chaine logistique et sa complexité, le grand nombre des références de pièces ainsi que la multitude des cas spéciaux (pays avec de lois spécifiques, pièces particulières…) fait que les approches classiques n’offrent pas des prévisions fiables pour les services de réparation. Dans ce projet, nous proposons des algorithmes d’apprentissage permettant la construction de la connaissance à partir de grands volumes de données, au lieu de l’implémentation manuelle. Nous allons voir les modèles dans la littérature, présenter notre méthodologie, et ensuite implémenter les modèles et évaluer leur performance en comparaison avec les algorithmes existants<br>In the field of after-sales service and particularly in maintenance, the quick intervention and repair of the customer's property is a key element for his satisfaction and for the creation of the brand image in the market. The work presented in this thesis proposes a Big Data and Machine Learning approach for the improvement of the information flow in the spare parts supply chain. Our contribution focuses on load forecasting in spare parts repair centers, which are the main suppliers of parts used to repair customers' systems. The size of the supply chain and its complexity, the large number of part numbers as well as the multitude of special cases (countries with specific laws, special parts...) makes that classical approaches do not offer reliable forecasts for repair services. In this project, we propose learning algorithms allowing the construction of knowledge from large volumes of data, instead of manual implementation. We will see the models in the literature, present our methodology, and then implement the models and evaluate their performance in comparison with existing algorithms

Agir de façon optimale dans un environnement incertain nécessite d'évaluer et de comparer les coûts et bénéfices des différentes alternatives. Cela implique aussi de réguler et de contrôler le comportement de façon flexible pour optimiser les périodes de recherche de gains ou de ressources et les périodes d'exploitation des acquis. Une des hypothèses actuelles sur les mécanismes neurobiologiques impliqués, propose que cortex cingulaire antérieur (CCA), associé à l'évaluation de l'action, et cortex préfrontal dorsolatéral (CPFdl), associé au contrôle cognitif, interagiraient pour réguler le comportement. Les travaux réalisés au cours de cette thèse ont permis de préciser le rôle joué par le CCA dans la détection et l'évaluation des performances ainsi que ses interactions avec le CPFdl au sein d'une boucle du contrôle cognitif. Menés grâce à des enregistrements électrophysiologiques chez le singe en comportement, ils apportent des précisions sur la séquence d'activation du CCA et du CPFdl dans la bande de fréquences gamma lors de l'adaptation du comportement. L'étude des potentiels de champs locaux de ces deux régions amènent à poser des hypothèses sur les mécanismes oscillatoires sous-jacents et notamment sur le rôle des communications basses fréquences entre le CCA et le CPFdl et leur implication différentielle entre recherche et exploitation.

Cette étude porte sur l'apprentissage de la lecture en français (langue étrangère) par des enfants croates de 9 à 11 ans. Ce travail, envisagé sous l'angle de la didactique cognitive des langues, se compose de trois parties. La première est consacrée à une présentation théorique des données linguistiques, psycholinguistiques et didactiques pertinentes dans le cadre de cette recherche. En premier lieu sont envisagées les correspondances phonologiques et orthographiques en croate et en français. Ensuite, nous discutons de la pertinence de différents modèles psycholinguistiques de la lecture, avant d'établir le concept de la mémoire de travail au sein des apprentissages. Le deuxième volet consiste en une étude expérimentale s'efforçant de mettre en relief l'influence de la boucle phonologique dans l'activité de répétition et de lecture à haute voix en ciblant des phonèmes présentant des difficultés pour les croatophones. La procédure adoptée obéit aux critères des expériences relevant de la psycholinguistique. La troisième partie envisage quelques perspectives didactiques à partir des résultats obtenus et met en lumière qu'il importe de reconsidérer le rôle et les différents statuts de l'écrit dans l'accès à la littératie en langue étrangère.

Agir de façon optimale dans un environnement incertain nécessite d'évaluer et de comparer les coûts et bénéfices des différentes alternatives. Cela implique aussi de réguler et de contrôler le comportement de façon flexible pour optimiser les périodes de recherche de gains ou de ressources et les périodes d'exploitation des acquis. Une des hypothèses actuelles sur les mécanismes neurobiologiques impliqués, propose que cortex cingulaire antérieur (CCA), associé à l’évaluation de l’action, et cortex préfrontal dorsolatéral (CPFdl), associé au contrôle cognitif, interagiraient pour réguler le comportement. Les travaux réalisés au cours de cette thèse ont permis de préciser le rôle joué par le CCA dans la détection et l’évaluation des performances ainsi que ses interactions avec le CPFdl au sein d'une boucle du contrôle cognitif. Menés grâce à des enregistrements électrophysiologiques chez le singe en comportement, ils apportent des précisions sur la séquence d’activation du CCA et du CPFdl dans la bande de fréquences gamma lors de l'adaptation du comportement. L’étude des potentiels de champs locaux de ces deux régions amènent à poser des hypothèses sur les mécanismes oscillatoires sous-jacents et notamment sur le rôle des communications basses fréquences entre le CCA et le CPFdl et leur implication différentielle entre recherche et exploitation<br>Acting optimally in uncertain environments requires evaluating costs and benefits of choosing each alternative. It also requires to flexibly regulate between exploration for and exploitation of resources. One current hypothesis is that the anterior cingulate cortex (ACC), involved in action valuation, and dorsolateral prefrontal cortex (dlPFC), involved in cognitive control, interact to elaborate an optimal regulation of behaviour. Studies achieved during this thesis allowed to precise the role of ACC in the detection and valuation of action outcomes as well as to describe the interactions with dlPFC in a cognitive control loop. Thanks to neurophysiological recordings in behaving monkey our work give new clues on the sequential activation of ACC and dlPFC during adaptation. The analyses of local field potentials allowed us to suggest hypotheses on the underlying oscillatory mechanisms, in particular on low frequency communications between ACC and dlPFC, and their modulation during exploration and exploitation

Nous proposons dans cette thèse de mettre en place une collaboration entre un réseau de neurones profond et un utilisateur pour collecter rapidement des cartes de segmentation sémantiques précises d'images de télédétection. En bref, l'utilisateur interagit de manière itérative avec le réseau pour corriger ses prédictions initialement erronées. Concrètement, ces interactions sont des annotations représentant les labels sémantiques. Nos contributions se décomposent en quatre parties. Premièrement, nous proposons deux schémas d'apprentissage interactif pour intégrer les entrées de l'utilisateur dans les réseaux de neurones profonds. Le premier concatène les annotations de l'utilisateur avec les autres entrées du réseau (comme l'image RGB). Nous l'appliquons à la fois aux architectures convolutionnelles et aux Transformers. La seconde utilise les annotations comme une vérité terrain partielle pour ré-entraîner le réseau. Ensuite, nous proposons une stratégie d'apprentissage actif pour guider l'utilisateur vers les zones les plus pertinentes à annoter. Dans ce but, nous adaptons différentes fonctions d'acquisition issues de l'état de l'art pour évaluer l'incertitude du réseau de neurones. Enfin, nous proposons de modifier l'espace de sortie de l'algorithme pour l'adapter rapidement à de nouvelles classes sous faible supervision. Pour atténuer les problèmes de décalage de la classe d'arrière plan et d'oubli catastrophique inhérents à ce problème, nous comparons différentes régularisations et tirons parti d'une stratégie dite de pseudo-labeling. À travers des expériences sur plusieurs jeux de données de télédétection, nous démontrons l'efficacité et analysons les méthodes proposées. La combinaison de ces différents travaux aboutit à un framework robuste et polyvalent pour corriger de manière interactive les cartes de segmentation sémantique produites par des algorithmes d'apprentissage profond en télédétection<br>We propose in this thesis to build up a collaboration between a deep neural network and a human in the loop to swiftly collect accurate segmentation maps of remote sensing images. In a nutshell, the user iteratively interacts with the network to correct its initially flawed predictions. Concretely, these interactions are annotations representing the semantic labels. Our contributions are fourfold. First, we propose two interactive learning schemes to integrate user inputs into deep neural networks. The first one concatenates the user annotations with the other inputs of the network (e.g. RGB image). We apply it both to convolutional architectures and to Transformers. The second one uses the annotations as a sparse ground-truth to retrain the network. Then, we propose an active learning strategy to guide the user towards the most relevant areas to annotate. To this purpose, we adapt different state-of-the-art acquisition functions to evaluate the neural network uncertainty. Finally, we propose to modify the algorithm output space to swiftly adapt it to new classes under weak supervision. To alleviate the background shift and the catastrophic forgetting issues inherent to this problem, we compare different regularization terms and leverage a pseudo-label strategy. Through experiments on multiple remote sensing datasets, we show the effectiveness of the proposed methods and analyze them extensively. Combining these different components results in a robust and versatile framework to interactively correct semantic segmentation maps produced by deep learning algorithms in remote sensing

L'acquisition autonome de representations et de fonctionnalites en robotique pose de nombreux problemes theoriques. Aujourd'hui, les systemes robotiques autonomes sont concus autour d'un ensemble de fonctionnalites. Leurs representations du monde sont issues de l'analyse d'un probleme et d'une modelisation prealablement donnees par les concepteurs. Cette approche limite les capacites d'apprentissage. Nous proposons dans cette these un systeme ouvert de representations et de fonctionnalites. Ce systeme apprend en experimentant son environnement et est guide par l'augmentation d'une fonction de valeur. L'objectif du systeme consiste a agir sur son environnement pour reactiver les representations dont il avait appris une connotation positive. Une analyse de la capacite a generaliser la production d'actions appropriees pour ces reactivations conduit a definir un ensemble de proprietes necessaires pour un tel systeme. Le systeme de representation est constitue d'un reseau d'unites de traitement semblables et utilise un codage par position. Le sens de l'etat d'une unite depend de sa position dans le reseau. Ce systeme de representation possede des similitudes avec le principe de numeration par position. Une representation correspond a l'activation d'un ensemble d'unites. Ce systeme a ete implemente dans une suite logicielle appelee NeuSter qui permet de simuler des reseaux de plusieurs millions d'unites et milliard de connexions sur des grappes heterogenes de machines POSIX. Les premiers resultats permettent de valider les contraintes deduites de l'analyse. Un tel systeme permet d'apprendre dans un meme reseau, de facon hierarchique et non supervisee, des detecteurs de bords et de traits, de coins, de terminaisons de traits, de visages, de directions de mouvement, de rotations, d'expansions, et de phonemes. NeuSter apprend en ligne en utilisant uniquement les donnees de ses capteurs. Il a ete teste sur des robots mobiles pour l'apprentissage et le suivi d'objets.

Cette thèse est consacrée à la conception d'un contrôle en boucle fermée d'un écoulement de cavité subsonique. L'objectif est de réaliser un contrôleur qui dépend seulement de grandeurs observables expérimentalement et qui gère des situations où les écoulements sont excités par des perturbations aléatoires extérieures. Pour faire face à ces deux aspects essentiels, deux stratégies ont été définies: l'identification d'un modèle non-linéaire reproduisant la dynamique de l'écoulement à partir seulement d'informations mesurables et la conception d'un compensateur linéaire robuste, basée sur la théorie du contrôle H∞, qui incorpore des propriété de robustesse dans la définition de la fonction objectif. La première partie de la thèse est consacrée à l'identification d'un modèle non-linéaire grâce à des données obtenues à partir d'une expérience menée dans la soufflerie subsonique (M = 0.1) S19 sur le site Chalais-Meudon de l'ONERA. Afin de décrire la dynamique de cet écoulement, et en particulier son contenu fréquentiel, l'écoulement sans contrôle a été caractérisé par des mesures par fil chaud et de pression instationnaire et par des clichés de vélocimétrie par images des particules (PIV) résolue en temps. Un filtrage temporel a été appliqué avec succès aux clichés PIV afin d'extraire la dynamique basse fréquence de l'écoulement. Cette étape est indispensable pour pouvoir gérer des écoulements turbulents caractérisés par un spectre fréquentiel très étendu. Les modes POD obtenus ont été utilisés comme base de projection pour le champ de vitesse et les trajectoires associées ont été interpolées (apprentissage statistique) sur une structure de modèle non-linéaire autorégressif exogène (NLARX). Il s'avère que les modèles obtenus ne sont pas robustes, dans le sens où ils ne parviennent pas à reproduire la dynamique d'un ensemble de données de validation, une fois adaptés à un ensemble de données d'apprentissage. Il a été démontré que cet échec est dû aux fortes non-linéarités observées dans l'écoulement de cavité, qui rendent impraticables les méthodes d'identification. La deuxième partie de la thèse est consacrée à la conception d'un contrôleur robuste à partir de simulations numériques d'un écoulement de cavité carrée, incompressible et en régime transitionnel, pour différents nombres de Reynolds. Diverses méthodes de synthèse de contrôleur ont été testées et évaluées en utilisant plusieurs mesures de robustesse. On a constaté que la technique traditionnelle de contrôle linéaire quadratique gaussien (LQG) présente une faible robustesse aux perturbations extérieures, tandis que d'autres, comme la technique LTR (Loop Transfer Recovery) et les contrôleurs basés sur les perturbations "les pires" (worst-case), améliorent la robustesse, mais pas suffisamment pour faire face à la forte non-linéarité de l'écoulement. Dans ce but, on met en place un contrôleur qui optimise les propriétés de robustesse par rapport à des incertitudes de type "entrée-multiplicative" et de type "entrée vers sortie". Celui-ci présente des marges de robustesse fortement augmentées par rapport à l'introduction de perturbations de la partie stable de la dynamique entré-sortie, même si le prix à payer en terme de performance est significatif. Une stratégie pour prendre en compte également des perturbations de la partie instable de la dynamique entrée-sortie, comme celles obtenues par un changement du nombre de Reynolds, a été présentée.

La gestion d'énergie est un sujet de plus en plus important dans notre société. Nous faisons actuellement face à un nombre croissant de problèmes tels que l'épuisement des réserves pétrolières, le réchauffement climatique ou encore la diminution de la qualité de l'énergie (principalement due aux coupures pendant les pics de consommation). Les smartgrids sont une des solutions à ces problèmes. En ajoutant une communication bidirectionnelle et de nouvelles capacités en matière de technologies de l'information et de la communication, il est possible de créer un système autonome de gestion intelligente de l'énergie.Les travaux décrits dans ce mémoire s'intéressent particulièrement à la gestion des microgrids à l'aide de systèmes multi-agents (SMA). Les microgrids sont des réseaux de faibles puissances, composés de petits producteurs d'énergie décentralisés (éventuellement renouvelables) et de consommateurs. Ces réseaux peuvent être reliés (ou non) au réseau global ce qui ajoute à leur complexité. De par leurs complexités et leurs répartitions géographiques, les smartgrids, comme les microgrids, ne peuvent pas être gérés facilement par des systèmes centralisés. Les intelligences artificielles distribuées et plus particulièrement les SMA apparaissent comme un moyen cohérent de résoudre les problèmes liés aux smartgrids.Dans un premier temps, nous avons défini une approche mettant en oeuvre des boucles de rétroaction. Une boucle de rétroaction apparaît dans les systèmes complexes qui peuvent être définis avec plusieurs niveaux d'abstraction. Deux niveaux sont ainsi en interaction. Le niveau micro regroupe un ensemble d'agents ayant des comportements qui, une fois combinés, influeront sur l'état du système. Le niveau macro traite ces influences pour définir un nouvel état du système qui influera sur le comportement des agents du niveau micro. Cette boucle de rétroaction permet de séparer les comportements sur plusieurs niveaux.Cette approche est utilisée pour définir un problème de gestion offre-demande dans un microgrid. Ce problème permet de prendre en compte un ensemble d'objectifs qui sont actuellement traités de manière indépendante. Enfin, une application utilisant un SMA a été développée. Cette approche peut s'intégrer dans ce problème. Elle a pour but d'assurer la stabilité du réseau à tout instant grâce au contrôle de systèmes de stockage.Dans un second temps, un simulateur de réseau électrique permettant le contrôle dynamique des périphériques a été développé. Ce simulateur repose sur trois grands principes. Le premier est une modélisation à base d'agents du simulateur lui-même, pour représenter la complexité des réseaux électriques. Le second principe repose sur l'utilisation du paradigme holonique afin de prendre en compte les multiples niveaux inhérents aux réseaux électriques. Enfin, le troisième principe est inspiré du modelé influence/réaction et propose une technique qui permet de gérer les actions simultanées, éventuellement conflictuelles, au sein des SMA.

Au cours des dernières années, il y a eu une augmentation des fausses nouvelles. Malgré les efforts déployés pour atténuer les "fake news", il reste de nombreuses épreuves à surmonter lorsqu'on essaie de construire des systèmes de vérification automatique des faits, dont les quatre que nous abordons dans cette thèse. Tout d'abord, il n'est pas clair comment combler le fossé entre les affirmations textuelles en entrée, qui doivent être vérifiées, et les données structurées qui doivent être utilisées pour la vérification des affirmations. Nous faisons un pas dans cette direction en introduisant Scrutinizer, un système piloté par les données qui traduit les revendications textuelles en requêtes SQL, à l'aide d'un composant d'interaction homme-machine. Deuxièmement, nous améliorons les capacités de raisonnement des modèles de langage pré-entraînés (PLMs) en introduisant RuleBert, un PLM qui s'appuie sur des données provenant de règles logiques. Troisièmement, nous proposons des incorporations de type (TE), des incorporations d'entrée supplémentaires qui codent le type de sortie souhaité lors de l'interrogation des PLM. Nous expliquons comment calculer un TE et fournissons plusieurs méthodes d'analyse. Nous montrons ensuite une augmentation des performances pour le jeu de données LAMA et des résultats prometteurs pour la désintoxication de textes. Enfin, nous analysons le programme BirdWatch, une approche communautaire de la vérification des faits dans les tweets. Dans l'ensemble, le travail de cette thèse vise à mieux comprendre comment les machines et les humains pourraient aider à renforcer et à étendre la vérification manuelle des faits<br>Throughout the last years, there has been a surge in false news spreading across the public. Despite efforts made in alleviating "fake news", there remains a lot of ordeals when trying to build automated fact-checking systems, including the four we discuss in this thesis. First, it is not clear how to bridge the gap between input textual claims, which are to be verified, and structured data that is to be used for claim verification. We take a step in this direction by introducing Scrutinizer, a data-driven fact-checking system that translates textual claims to SQL queries, with the aid of a human-machine interaction component. Second, we enhance reasoning capabilities of pre-trained language models (PLMs) by introducing RuleBert, a PLM that is fine-tuned on data coming from logical rules. Third, PLMs store vast information; a key resource in fact-checking applications. Still, it is not clear how to efficiently access them. Several works try to address this limitation by searching for optimal prompts or relying on external data, but they do not put emphasis on the expected type of the output. For this, we propose Type Embeddings (TEs), additional input embeddings that encode the desired output type when querying PLMs. We discuss how to compute a TE, and provide several methods for analysis. We then show a boost in performance for the LAMA dataset and promising results for text detoxification. Finally, we analyze the BirdWatch program, a community-driven approach to fact-checking tweets. All in all, the work in this thesis aims at a better understanding of how machines and humans could aid in reinforcing and scaling manual fact-checking

Le processus de création de flux de travail en science des données, notamment pour résoudre des problèmes d'apprentissage automatique, repose souvent sur des essais et erreurs, manquant de structure et de partage de connaissances entre les data scientistes. Cela entraîne une variabilité dans les tentatives et une interprétation subjective des cas d'utilisation. Afin d'améliorer ce processus dans le cadre de la détection d'anomalies sur les séries temporelles, notre travail propose trois contributions principales :Contribution 1 : Intégration des données, des exigences métiers et des composants de la solution dans la conception du flux de travail d'apprentissage automatique.Alors que les approches automatiques se concentrent sur les données, notre approche prend en compte les dépendances entre les données, les exigences métier et les composants de la solution.Cette approche holistique assure une compréhension plus complète du problème et guide le développement de solutions appropriées. Contribution 2 : Personnalisation des flux de travail pour des solutions sur mesure en tirant parti de configurations partielles et modulaires. Notre approche vise à aider les data scientists à personnaliser les flux de travail pour leurs problèmes spécifiques.Nous y parvenons en employant divers modèles de variabilité et un système de contraintes.Cette approche permet d'intégrer les données, les exigences métier et les composants de la solution dans le processus de conception des flux de travail.En outre, nous avons montré que les utilisateurs peuvent accéder à des expériences antérieures basées sur les paramètres du problème ou en créer de nouvelles.Contribution 3 : Amélioration de la connaissance des lignes de produits logiciels par l'exploitation de nouveaux produits.Nous avons proposé une approche pratique de la construction d'une ligne de produit logiciel (LPL) comme première étape vers la conception de solutions génériques pour détecter les anomalies dans les séries temporelles tout en capturant de nouvelles connaissances et en capitalisant sur celles qui existent déjà lorsqu'il s'agit de nouvelles expériences ou de nouveaux cas d'utilisation. L'incrémentalité dans l'acquisition de connaissances et l'instabilité du domaine sont soutenues par la LPL à travers sa structuration et l'exploitation de configurations partielles associées à des cas d'utilisation antérieurs.À notre connaissance, il s'agit du premier cas d'application du paradigme LPL dans un tel contexte et avec un objectif d'acquisition de connaissances.En capturant les pratiques dans des descriptions partielles des problèmes et des descriptions des solutions mises en œuvre, nous obtenons les abstractions nécessaires pour raisonner sur les ensembles de données, les solutions et les exigences métier.Le LPL est ensuite utilisé pour produire de nouvelles solutions, les comparer aux solutions antérieures et identifier les connaissances qui n'étaient pas explicites.L'abstraction croissante soutenue par le SPL apporte également d'autres avantages.En ce qui concerne le partage des connaissances, nous avons observé un changement dans l'approche de la création de flux de travail de ML, en se concentrant sur l'analyse des problèmes avant de rechercher des applications similaires<br>When data scientists need to create machine learning workflows to solve a problem, they first understand the business needs, analyze the data, and then experiment to find a solution. They judge the success of each attempt using metrics like accuracy, recall, and F-score. If these metrics meet expectations on the test data, it's a success; otherwise, it's considered a failure. However, they often don't pinpoint why a workflow fails before trying a new one. This trial-and-error process can involve many attempts because it's not guided and relies on the preferences and knowledge of the data scientist.This intuitive method leads to varying trial counts among data scientists. Also, evaluating solutions on a test set doesn't guarantee performance on real-world data. So, when models are deployed, additional monitoring is needed. If a workflow performs poorly, the whole process might need restarting with adjustments based on new data.Furthermore, each data scientist learns from their own experiences without sharing knowledge. This lack of collaboration can lead to repeated mistakes and oversights. Additionally, the interpretation of similarity between use cases can vary among practitioners, making the process even more subjective. Overall, the process lacks structure and heavily depends on the individual knowledge and decisions of the data scientists involved.In this work, we present how to mutualize data science knowledge related to anomaly detection in time series to help data scientists generate machine learning workflows by guiding them along the phases of the process .To this aim, we have proposed three main contributions to this problem:Contribution 1: Integrating Data, Business Requirements, and Solution Components in ML Workflow design.While automatic approaches focus on data, our approach considers the dependencies between the data, the business requirements, and the solution components. This holistic approach ensures a more comprehensive understanding of the problem and guides the development of appropriate solutions.Contribution 2: Customizing Workflows for Tailored Solutions by Leveraging Partial and Modular Configurations. Our approach aims to assist data scientists in customizing workflows for their specific problems. We achieve this by employing various variability models and a constraint system. This setup enables users to receive feedback based on their data and business requirements, possibly only partially identified.Additionally, we showed that users can access previous experiments based on problem settings or create entirely new ones.Contribution 3: Enhancing Software Product Lines Knowledge through New Product Exploitation.We have proposed a practice-driven approach to building an SPL as a first step toward allowing the design of generic solutions to detect anomalies in time series while capturing new knowledge and capitalizing on the existing one when dealing with new experiments or use cases.The incrementality in the acquisition of knowledge and the instability of the domain are supported by the SPL through its structuring and the exploitation of partial configurations associated with past use cases.As far as we know, this is the first case of application of the SPL paradigm in such a context and with a knowledge acquisition objective.By capturing practices in partial descriptions of the problems and descriptions of the solutions implemented, we obtain the abstractions to reason about datasets, solutions, and business requirements.The SPL is then used to produce new solutions, compare them to past solutions, and identify knowledge that was not explicit.The growing abstraction supported by the SPL also brings other benefits.In knowledge sharing, we have observed a shift in the approach to creating ML workflows, focusing on analyzing problems before looking for similar applications

En France, depuis 2016, l'initiation à la programmation informatique est présente dans les curricula scolaires de l'école obligatoire. L'objectif de cette thèse est de comprendre le processus de conceptualisation lors de la résolution de puzzles de programmation par des sujets âgés de 7 à 15 ans. À cette fin, nous combinons les apports respectifs de la théorie des champs conceptuels (Vergnaud, 1991) et de l'analyse de traces d'interaction dans un EIAH. Nous nous concentrons sur le concept de motif, en particulier lors des premières confrontations avec la notion de boucle en programmation par blocs. Nous définissons un motif comme « une entité repérable au sein d'un ensemble car répétée à l'identique ou avec des variations prédictibles » et mettons en évidence la place essentielle de ce concept lors de l'initiation à la pensée algorithmique. L'approche didactique adoptée vise à positionner le concept de motif au sein d'un champ conceptuel des notions de base de l'algorithmique, champ conceptuel qui a pour périmètre la programmation impérative en langage Scratch au niveau de l'école obligatoire. Au sein de ce champ conceptuel, nous approfondissons l'étude des situations de programmation d'un robot virtuel sur une grille qui requièrent l'utilisation d'une boucle. Notre protocole expérimental est adossé au concours en ligne de programmation Algoréa. Nous avons construit un outillage méthodologique incluant un dispositif de collecte de données à trois échelles, des analyses statistiques sur de larges échantillons, une automatisation du traitement de traces d'interaction avec l'EIAH, et des analyses qualitatives d'enregistrements vidéo d'écran. Cet outillage méthodologique, qui permet de combiner précision des analyses qualitatives et robustesse statistique, constitue l'un des apports de la thèse. Avec cette approche, nous avons d'abord réalisé une étude instrumentale de l'EIAH telle que la définit Rabardel (1995). Son but est de distinguer ce qui, dans l'activité, relève de la maîtrise conceptuelle et ce qui relève de la maîtrise instrumentale d'un environnement de programmation particulier. Nous nous sommes ensuite concentrés sur la conceptualisation-en-acte au sens de Vergnaud (1991). Nous avons identifié les schèmes mis en œuvre par le sujet lors de l'activité de programmation étudiée, notamment les invariants opératoires sous-jacents. Nos analyses nous permettent ainsi d'identifier et de documenter des paliers de difficulté et des erreurs récurrentes lors des premiers apprentissages de la boucle. Une de nos perspectives de recherche est de reproduire cette démarche pour mener des investigations sur l'ensemble des concepts abordés lors de l'initiation à la programmation informatique au niveau de l'école obligatoire. Ces résultats constituent une contribution de nature à outiller les enseignants de l'école élémentaire et du collège pour accompagner leurs élèves et les aider à surmonter les difficultés rencontrées lors de l'apprentissage des concepts fondamentaux de l'algorithmique<br>In France, since 2016, introduction to computer programming has been included in compulsory school curricula. The objective of this thesis is to understand the conceptualization process when solving programming puzzles by subjects aged 7 to 15 years old. To this end, we combine the respective contributions of conceptual field theory (Vergnaud, 1991) and the analysis of pupils activity in a TEL environment. We focus on the concept of pattern, in particular during the first confrontations with the loop notion in block programming. We define a pattern as “an entity identifiable within a set because it is repeated identically or with predictable variations” and highlight the essential place of this concept when initiating algorithmic thinking. The didactic approach adopted aims to position the concept of pattern within a conceptual field of basic notions of algorithms, a conceptual field which has as its scope imperative programming in Scratch language at compulsory school level. Within this conceptual field, we deepen the study of programming situations of a virtual robot on a grid which require the use of a loop. Our experimental protocol is backed by the Algoréa online programming competition. We are building methodological tools including a data collection device at three scales, statistical analyzes on large samples, automation of the processing of interaction traces with the EIAH, and qualitative analyzes of screen video recordings. This methodological tool, which makes it possible to combine the precision of qualitative analyzes and statistical robustness, constitutes one of the contributions of this thesis. With this approach, we first carry out an instrumental study of the TEL environmentas defined by Rabardel (1995). Its goal is to distinguish what, in the activity, relates to conceptual mastery and what relates to instrumental mastery of a particular programming environment. We then focus on conceptualization-in-act in the sense of Vergnaud(1991). We identify the schemes implemented by the subject during the programming activity studied, in particular the underlying operational invariants. Our analyzes allow us to identify and document levels of difficulty and recurring errors during the first learning of the loop. One of our research perspectives is to reproduce this approach to carry out investigations on all the concepts covered during the introduction to computer programming at compulsory school level. These results constitute a contribution likely to help elementary and middle school teachers to support their pupils and help them overcome the difficulties encountered when learning fundamental concepts of algorithms

L'apprentissage fédéré (FL) est une technique d'apprentissage automatique qui permet à plusieurs détenteurs de données d'entraîner un modèle de manière collaborative, sans partager les données brutes. Cette approche est particulièrement pertinente dans le domaine de la génétique, où les données sont souvent réparties entre plusieurs institutions, et où des contraintes réglementaires, telles que le Règlement Général sur la Protection des Données, limitent la centralisation des données. En plus d'améliorer la confidentialité et la sécurité des données, FL permet l'entraînement de modèles plus robustes en accédant à des ensembles de données plus vastes et plus diversifiés. FL a été proposé pour la première fois en 2016 comme approche pour entraîner des modèles d'apprentissage automatique sur une fédération d'appareils mobiles, coordonnée par un serveur central. Dans leur mise en œuvre, le serveur définissait un modèle global, et transmettait ses paramètres à un sous-ensemble de clients. Les clients optimisaient ensuite le modèle reçu, en effectuant une descente de gradient stochastique sur leurs données locales, puis renvoyaient les mises à jour locales au serveur. Le serveur créait un nouveau modèle global en agrégeant les mises à jour locales par moyenne pondérée. Ce processus était répété soit pendant un nombre prédéfini de tours, soit jusqu'à la convergence du modèle. FL a également été adapté aux environnements cross-silo, où les clients (généralement entre 2 et 50) sont des organisations telles que des hôpitaux et des instituts de recherche. L'objectif de cette thèse est d'étudier l'efficacité de FL cross-silo pour l'évaluation clinique des variantes génétiques humains. À cet effet, nous avons utilisé la base de données publique ClinVar pour simuler des collaborations multi-institutionnelles réalistes dans l'évaluation des variantes nucléotidiques simples, codantes et non codantes, ainsi que des variations du nombre de copies. Concrètement, nous avons évalué la performance de plusieurs modèles d'apprentissage automatique supervisé, entraînés de manière fédérée entre plusieurs institutions, pour classifier les variantes génétiques comme pathogènes ou non pathogènes. Nous avons ensuite comparé ces performances à celles de modèles centralisés et celles de modèles locaux propres à chaque institution. Pour ce qui est de la comparaison avec les performances de modèles centralisés, les performances de FL étaient équivalentes ou supérieures. Pour ce qui est de la comparaison avec les performances de modèles locaux, les performances de FL étaient dans la grande majorité des cas supérieures. Ces résultats démontrent les avantages à utiliser l'apprentissage fédéré dans la collaboration entre les institutions. Dans nos expériences, nous avons évalué plusieurs stratégies d'agrégation de FL, notamment FedProx, FedAdagrad, FedAdam et FedYogi, qui font référence aux méthodes utilisées par le serveur pour combiner les mises à jour locales en un nouveau modèle global. Nos résultats ont montré que FedProx offrait généralement les meilleures performances. De plus, nous avons analysé la dégradation des performances du modèle de FL et de son modèle centralisé équivalent lorsqu'une institution décidait de ne pas participer à l'entraînement collaboratif. Nous avons constaté que, dans la plupart des cas, le modèle de FL se montrait plus résilient que les approches centralisées, démontrant sa capacité à se généraliser de manière adéquate à des ensembles de données non vus, même avec des ensembles d'entraînement plus réduits. À notre connaissance, cette thèse présente la première étude simulée de FL pour la classification de la pathogénicité des variantes génétiques. Avec nos conclusions, nous espérons encourager l'adoption de FL pour établir des collaborations multi-institutionnelles sécurisées dans l'interprétation des variantes humains<br>Federated learning (FL) is a machine learning (ML) technique that enables multiple data holders to collaboratively train a model, without raw data sharing. This approach is particularly relevant in the field of genomics, where data is often distributed across institutions, and regulatory constraints, such as General Data Protection Regulation (GDPR) and Health Insurance Portability and Accountability Act (HIPAA), restrict data centralization. In addition to improving privacy and data security, FL allows the training of more robust ML models, by leveraging access to a larger and more diverse dataset. FL was first proposed by Google researchers in 2017 as an approach for training ML models on a federation of mobile devices coordinated by a central server. In this setup, the mobile devices contained data that was either sensitive or large in size with respect to the ML model. In their implementation, the server defined a global ML model and communicated the parameters to a subset of clients. The clients then optimized the received model by performing Stochastic Gradient Descent on local data, and sent back the local updates to the server. The server derived a new global model by aggregating the local updates through weighted averaging. This process was repeated for a predefined number of rounds or until the model converged. FL has also been adapted to cross-silo settings, where clients (typically 2-50) are organizations, such as hospitals and research institutions. The objective of this thesis is to study the effectiveness of cross-silo FL for the clinical assessment of human genetic variants. To that extent, we leveraged the public-available database ClinVar for simulating realistic multi-institutional collaborations in the assessment of coding Single Nucleotide Variants (SNVs), non-coding SNVs, and copy number variants (CNVs). Concretely, we evaluated the performance of a diverse set of supervised ML models, trained in a FL manner across multiple institutions, in classifying genetic variants into pathogenic or non-pathogenic, and compared it to the centralized and individual- institution (local) model counterparts. Our results showed that FL generally achieved competitive or superior performance than the centralized model, and systematically outperformed the local models, highlighting the advantages of collaboration. In the experiments we benchmarked several FL aggregation strategies, including FedProx, FedAdagrad, FedAdam, and FedYogi, which refer to the methods used by the server to combine local updates into a new global model. Our results showed that FedProx generally provided the best performance. Furthermore, we analyzed the performance degradation of both FL and its centralized model counterpart when one institution decided not to participate in the collaborative training. We found that FL was more resilient than centralized approaches in most cases, demonstrating that FL can generalize adequately to unseen datasets with smaller training sets. To the best of our knowledge, this thesis presents the first simulated FL study for the pathogenicity classification of genetic variants. With our findings, we expect to incentive the adoption of FL for establishing secure multi-institutional collaborations in human variant interpretation

La capacité des organismes à survivre dans un environnement changeant dépendlargement de leur aptitude à prendre des décisions adaptées. Cette fonction complexerésulte notamment de l’intégration de processus de prédiction et de contrôle de l’action,classiquement étudiés dans le corpus théorique et méthodologique des apprentissagesassociatifs. Les bases neurobiologiques de ces processus sont largement distribués au seinde circuits au sein desquels le cortex préfrontal et son afférence principale, le thalamusmédiodorsal (MD) jouent un rôle important. Dans ce contexte, le travail entrepris au coursde ce travail de thèse visait à déterminer le rôle fonctionnel des échanges entre ces deuxstructures dans le cadre de la prise de décision.Une première partie de ce travail a visé à confirmer le rôle spécifique du MD dans lesprocessus de prise de décision. Par l’utilisation d’un protocole expérimental nécessitantl’intégration des contingences instrumentales et Pavloviennes pour obtenir unerécompense, nous avons démontré que des rats porteurs d’une lésion du MD n’étaient pascapables d’adapter leur comportement en fonction des changements de valeur de larécompense, confirmant ainsi le rôle fondamental du MD dans la représentation du but.Surla base de ce résultat, nous avons ensuite entrepris une étude d’anatomie descriptive visantà caractériser finement l’architecture des projections thalamocorticales issues du MD. Cetteétude nous a permis de démontrer que de multiples voies thalamocorticales issues du MDtrouvent leur origine dans des populations neuronales thalamiques essentiellementségrégées mais également que la région orbitofrontale était innervée par une régionthalamique méconnue, le thalamus submédian. Pour éprouver les fonctions de cesdifférentes voies, nous avons d’abord mis en place une stratégie d’inactivation réversible depopulations neuronales sélectionnées sur la base de leurs projections spécifiques par uneméthode pharmacogénétique conditionnelle. L’utilisation de cette méthode nous a permisde révéler que la capacité de l’animal à se représenter la valeur ou la relation actionrécompensedépend de la direction des échanges entre le MD et le cortex préfrontalmédian. Par ailleurs, une approche lésionnelle comparée plus classique nous a permisd’identifier un rôle fonctionnel spécifique du thalamus submédian dans la mise à jour descontingences Pavloviennes.12Pris dans leur ensemble, ces résultats sont en accord avec l’idée que des bouclesthalamocorticales distinctes sont impliquées dans les processus de prédiction et de contrôlede l’action nécessaires à une prise de décision adaptée<br>Survival of living organisms depends on the ability to make decision adapted to theircurrent needs and desires. Such an ability results from the integration of multiple basiccognitive processes such as events prediction and action control. These processes are bestinvestigated within the framework of associative learning. Past research has demonstratedthat these processes are supported by a widespread neuronal circuit, in which the prefrontalcortex and his major afferent structure, the mediodorsal thalamus (MD), play a central role.In this context, this thesis work aimed at investigating the functional role of the exchangesbetween these two structures in decision making.In a first part of this work, we assessed the role of the MD in prediction and control.We showed that MD lesioned rats are unable to adapt their behavior to a change in rewardvalue, in an experimental procedure asking the integration of instrumental and Pavloviancontingencies. This result confirmed the fundamental role of MD in goal representation. As asecond step, we performed an anatomical study in order to characterize the architecture ofthe thalamocortical pathways arising from the MD. We first showed that multiplethalamocortical pathways originate from segregated neuronal populations within the MD.We also discovered a poorly known thalamic structure innervating the orbitofrontal cortex,the submedius nuclei. In order to understand the functional role of these pathways, we useda conditional chemogenetic technique aimed at inactivating neuronal populations selectedon the basis of their projections. Using this technique, we showed that the animal’s abilitiesto represent either the value or the action-reward relationship depend on the directionalityof MD and prefrontal cortex exchanges. Finally, we identified a specific role for thesubmedius nuclei in updating Pavlovian contingencies, by using a more classical lesioningapproach.Taken together, these results support the idea that decision making involved severalthalamocortical loops, differentially supporting prediction and action control

Cette thèse propose de nouvelles méthodes d'analyse d'enregistrements cérébraux intra-crâniens (potentiels de champs locaux), qui pallie les lacunes de la méthode temps-fréquence standard d'analyse des perturbations spectrales événementielles : le calcul d'une moyenne sur les enregistrements et l'emploi de l'activité dans la période pré-stimulus. La première méthode proposée repose sur la détection de sous-ensembles d'électrodes dont l'activité présente des synchronisations cooccurrentes en un même point du plan temps-fréquence, à l'aide de modèles bayésiens de mélange gaussiens. Les sous-ensembles d'électrodes pertinents sont validés par une mesure de stabilité calculée entre les résultats obtenus sur les différents enregistrements. Pour la seconde méthode proposée, le constat qu'un bruit blanc dans le domaine temporel se transforme en bruit ricien dans le domaine de l'amplitude d'une transformée temps-fréquence a permis de mettre au point une segmentation du signal de chaque enregistrement dans chaque bande de fréquence en deux niveaux possibles, haut ou bas, à l'aide de modèles bayésiens de mélange ricien à deux composantes. À partir de ces deux niveaux, une analyse statistique permet de détecter des régions temps-fréquence plus ou moins actives. Pour développer le modèle bayésien de mélange ricien, de nouveaux algorithmes d'inférence bayésienne variationnelle ont été créés pour les distributions de Rice et de mélange ricien. Les performances des nouvelles méthodes ont été évaluées sur des données artificielles et sur des données expérimentales enregistrées sur des singes. Il ressort que les nouvelles méthodes génèrent moins de faux-positifs et sont plus robustes à l'absence de données dans la période pré-stimulus.

Cette thèse propose de nouvelles méthodes d'analyse d'enregistrements cérébraux intra-crâniens (potentiels de champs locaux), qui pallie les lacunes de la méthode temps-fréquence standard d'analyse des perturbations spectrales événementielles : le calcul d'une moyenne sur les enregistrements et l'emploi de l'activité dans la période pré-stimulus. La première méthode proposée repose sur la détection de sous-ensembles d'électrodes dont l'activité présente des synchronisations cooccurrentes en un même point du plan temps-fréquence, à l'aide de modèles bayésiens de mélange gaussiens. Les sous-ensembles d'électrodes pertinents sont validés par une mesure de stabilité calculée entre les résultats obtenus sur les différents enregistrements. Pour la seconde méthode proposée, le constat qu'un bruit blanc dans le domaine temporel se transforme en bruit ricien dans le domaine de l'amplitude d'une transformée temps-fréquence a permis de mettre au point une segmentation du signal de chaque enregistrement dans chaque bande de fréquence en deux niveaux possibles, haut ou bas, à l'aide de modèles bayésiens de mélange ricien à deux composantes. À partir de ces deux niveaux, une analyse statistique permet de détecter des régions temps-fréquence plus ou moins actives. Pour développer le modèle bayésien de mélange ricien, de nouveaux algorithmes d'inférence bayésienne variationnelle ont été créés pour les distributions de Rice et de mélange ricien. Les performances des nouvelles méthodes ont été évaluées sur des données artificielles et sur des données expérimentales enregistrées sur des singes. Il ressort que les nouvelles méthodes génèrent moins de faux-positifs et sont plus robustes à l'absence de données dans la période pré-stimulus<br>This thesis promotes new methods to analyze intracranial cerebral signals (local field potentials), which overcome limitations of the standard time-frequency method of event-related spectral perturbations analysis: averaging over the trials and relying on the activity in the pre-stimulus period. The first proposed method is based on the detection of sub-networks of electrodes whose activity presents cooccurring synchronisations at a same point of the time-frequency plan, using bayesian gaussian mixture models. The relevant sub-networks are validated with a stability measure computed over the results obtained from different trials. For the second proposed method, the fact that a white noise in the temporal domain is transformed into a rician noise in the amplitude domain of a time-frequency transform made possible the development of a segmentation of the signal in each frequency band of each trial into two possible levels, a high one and a low one, using bayesian rician mixture models with two components. From these two levels, a statistical analysis can detect time-frequency regions more or less active. To develop the bayesian rician mixture model, new algorithms of variational bayesian inference have been created for the Rice distribution and the rician mixture distribution. Performances of the new methods have been evaluated on artificial data and experimental data recorded on monkeys. It appears that the new methods generate less false positive results and are more robust to a lack of data in the pre-stimulus period