Добірка наукової літератури з теми "Génératif"

Les serveurs Internet sont des logiciels particuliers. Ils doivent répondre aux demandes d'un grand nombre de clients distants, supporter leur évolution et être robustes car ils ne s'arrêtent jamais. Les modèles de concurrence permettent d'entrelacer les traitements d'un grand nombre de clients. Aucun consensus ne se dégage sur un meilleur modèle. Pour s'abstraire du modèle de concurrence, je propose un modèle de développement de serveurs Internet. Les outils de vérification formelle permettent d'accroître la sûreté des logiciels mais il est nécessaire de leur fournir un modèle simple du logiciel. Le modèle de développement que je propose est utilisé pour générer le serveur et son modèle formel. Le décodage d'une requête cliente dépend du modèle de concurrence. Je propose d'utiliser un générateur d'analyseur syntaxique qui s'abstrait de ce problème et automatise le développement du décodage

La tomodensitométrie quadridimensionnelle (TDM 4D) consiste à reconstruire une acquisition en plusieurs phases afin de suivre les mouvements des organes internes et des tumeurs. Elle est couramment utilisée dans la planification des traitements de radiothérapie pour le cancer du poumon, mais elle expose les patients à des doses de radiation plus élevées, allant jusqu’à six fois supérieures à celles d’une tomodensitométrie tridimensionnelle (TDM 3D) classique. Les méthodes d’apprentissage automatique profond, issues du domaine de la vision par ordinateur, suscitent un vif intérêt au sein de la communauté de l’imagerie médicale. Parmi ces approches, les modèles génératifs se distinguent en leur capacité à générer des images synthétiques reproduisant fidèlement l’apparence et les caractéristiques statistiques d’images obtenues à partir de systèmes réels. Dans cette thèse, nous explorons l’utilisation d’un modèle génératif pour la génération d’image dynamique. Nous proposons un modèle capable de générer un mouvement respiratoire spécifique à un patient à partir d’une image TDM 3D de diagnostic et de données respiratoires. L’objectif est de permettre aux radiologues d’effectuer la délimitation des volumes cibles et des organes à risque, ainsi que le calcul de la dose sur des images dynamiques de synthèses. Cette méthode éviterait ainsi la nécessité de réaliser une acquisition TDM 4D, réduisant ainsi l’exposition du patient aux radiations<br>Four-dimensional computed tomography (4DCT) involves reconstructing an acquisition in multiple phases to track the movements of internal organs and tumors. It is used routinely for radiotherapy treatment planning of lung cancer, but it exposes patients to higher radiation doses, up to six times greater than those of a conventional threedimensional computed tomography (3DCT). Deep learning methods from the field of computer vision are gaining significant interest within the medical imaging community. Among these approaches, generative models stand out due to their ability to generate synthetic images that faithfully replicate the appearance and statistical characteristics of images acquired from real systems. In this thesis, we explore the use of a generative model for dynamic image generation. We propose a model capable of generating patient-specific respiratory motion from a diagnostic 3DCT image and respiratory data. The goal is to enable radiologists to delineate target volumes and organs at risk, as well as perform dose calculations on these dynamic synthetic images. This method would reduce the need for a 4DCT acquisition, thereby reducing the patient’s radiation exposure

Il est essentiel de calculer la probabilité de collisions aériennes pour optimiser le trafic aérien tout en maintenant de hauts standards de sécurité. Cette nécessité s'est accentuée dans les années 1960 avec l'augmentation du trafic aérien commercial transatlantique. Initialement, les modèles analytiques tels que ceux de Reich et Anderson-Hsu étaient les références pour évaluer les risques de collision en vol, mais s’avèrent peu adaptés aux espaces aériens complexes autour des aéroports.Les méthodes basées sur les données, et en particulier les simulations de Monte-Carlo, sont devenues une alternative prometteuse pour l'évaluation du risque de collision. Elles offrent une grande flexibilité grâce à des hypothèses simplifiées, les rendant adaptables à divers contextes. Toutefois, les simulations de Monte-Carlo classiques se révèlent peu efficaces pour estimer les probabilités d'événements rares, nécessitant un grand nombre de trajectoires d'avions et des ressources computationnelles importantes. Cette thèse propose un modèle de risque de collision basé sur les simulations de Monte-Carlo, utilisant un modèle de génération de trajectoires pour pallier ces limitations dues aux événements rares. Ces méthodes génératives reproduisent fidèlement les distributions de trajectoires observées tout en intégrant les incertitudes dues à des facteurs externes. Trois axes de recherche principaux sont définis : (i) le développement d'une méthode de génération de trajectoires, (ii) la construction d'un modèle de risque de collision basé sur les méthodes de Monte-Carlo utilisant des trajectoires synthétiques, et (iii) l'amélioration de l'interprétabilité des estimations du risque de collision.La génération d'échantillons synthétiques nécessite l'estimation de la distribution des données observées pour garantir une distribution identique des nouveaux échantillons. C'est particulièrement important pour les trajectoires aériennes, où le modèle doit refléter les incertitudes causant des écarts par rapport aux trajectoires nominales. Nous avons d’abord utilisé des méthodes d'apprentissage statistique traditionnelles pour estimer des trajectoires aériennes complexes en deux dimensions. Malgré la réduction de la dimensionnalité du problème, les méthodes conventionnelles peinent à estimer les distributions en grande dimension. Nous avons alors exploré l’utilisation des autoencodeurs variationnels pour une estimation plus fine de la densité de probabilité. Convenablement adaptés aux applications de séries temporelles multivariées, les autoencodeurs variationnels se révèlent efficaces pour estimer la distribution de trajectoires aériennes complexes.En utilisant la méthode de génération développée, nous estimons alors le risque de perte de séparation induit par les procédures de décollage et d'atterrissage de l'aéroport de Paris-Orly à l'aide de simulations de Monte-Carlo. L'emploi d'une méthode de génération de trajectoires se révèle prometteur, permettant de créer l'équivalent de 20 ans de trajectoires aériennes à partir de seulement deux mois d'observations. Toutefois, les contraintes inhérentes aux méthodes classiques de Monte-Carlo ne sont pas réellement surmontées mais simplement différées par la production d'un ensemble de trajectoires de taille arbitrairement grande.Le travail final de cette thèse unifie les cadres de l'autoencodeur variationnel et de la quantification de l'incertitude. Il démontre comment les autoencodeurs variationnels peuvent construire des distributions d'entrée adaptées pour les algorithmes de quantification de l'incertitude, améliorant la fiabilité des simulations de Monte-Carlo grâce au subset simulation et l'explicabilité de l'estimation de la probabilité de collision en vol par l'analyse de sensibilité. Plus généralement, nous avons montré que l’autoencodeur variationel représente un outil prometteur à associer aux problèmes de quantification d’incertitudes<br>It is essential to calculate the probability of aircraft collisions to optimise air traffic while maintaining high safety standards. This need became more pronounced in the 1960s with the increase in transatlantic commercial air traffic. Initially, analytical models such as those of Reich and Anderson-Hsu were benchmarks for assessing in-flight collision risks, but they proved to be less suited for the complex airspace around airports.Data-driven methods, especially Monte Carlo simulations, have become a promising alternative for collision risk assessment. They offer significant flexibility through simplified assumptions, making them adaptable to various contexts. However, traditional Monte Carlo simulations are inefficient for estimating rare event probabilities, requiring a large number of aircraft trajectories and substantial computational resources. This thesis proposes a collision risk model based on Monte Carlo simulations, using a trajectory generation model to overcome these limitations associated with rare events. These generative methods faithfully reproduce observed trajectory distributions while incorporating uncertainties from external factors. Three main research areas are defined: (i) developing a trajectory generation method, (ii) constructing a Monte Carlo-based collision risk model using synthetic trajectories, and (iii) improving the interpretability of collision risk estimates.Generating synthetic samples involves estimating the distribution of observed data to ensure identical distribution in new samples. This is particularly important for aircraft trajectories, where the model must reflect uncertainty sources causing deviations from standard trajectories. We initially use traditional statistical learning methods to estimate complex two-dimensional aircraft trajectories. Despite reducing the problem's dimensionality, conventional methods struggle with high-dimensional distribution estimation. We then explore the use of variational autoencoders for more refined probability density estimation. Suitably adapted for multivariate time-series applications, variational autoencoders prove effective for estimating the distribution of complex aircraft trajectories.Using the developed generation method, we estimate the risk of loss of separation induced by the departure and approach procedures of Paris-Orly Airport using Monte Carlo simulations. The use of a trajectory generation method proves promising, allowing the creation of the equivalent of 20 years of air traffic trajectories from only two months of observations. However, this direct method has limitations for estimating extremely low collision probabilities, requiring the use of one variational autoencoder per flight procedure considered in the studied scenario. The processes of trajectory generation and collision risk evaluation are distinctly separated. Consequently, the inherent constraints of classical Monte Carlo methods are not truly overcome but merely postponed by the production of a set of arbitrarily large trajectories.The thesis's final work unifies the frameworks of variational autoencoders and uncertainty quantification. It demonstrates how variational autoencoders can build suitable input distributions for uncertainty quantification algorithms, enhancing the reliability of Monte Carlo simulations through subset simulation and the explainability of mid-air collision probability estimation through sensitivity analysis. More broadly, we show that the variational autoencoder represents a promising tool to be associated with uncertainty quantification problems

Dans leurs processus d’innovation, les grandes entreprises subissent un manque de ressources entre Recherche et Développement appelé vallée de la mort. Le groupe Safran s’est doté d’une direction de l’innovation afin de le compenser. Son fonctionnement est fondé sur une logique d'échange avec les sociétés du groupe. Mais dans les phases amont, lorsque les échanges comportent des inconnus, ils s’interrompent brutalement. En particulier des fiches idées issues de DKCP ne sont pas explorées. Cette recherche-intervention ambitionne donc d’établir un modèle d’action collective pour échanger dans l’inconnu. Elle défend la thèse que dans l’inconnu, vendeurs et acheteurs de technologies innovantes s’engagent dans la conception de la frontière entre des technologies et des environnements.Face aux limites des modèles d’échange marchand, de décision, d’intéressement et de créativité, cette thèse adopte un modèle d’échange intégrant l’inconnu et un cadre analytique issu des théories de la conception innovante. Elle propose le modèle de l’engagement conceptif de ressources. Elle explicite les limites de l'outil conventionnel d'échange de technologies dit Technology Readiness Levels adopté chez Safran. Elle propose alors de modéliser les échanges entre vendeurs et acheteurs de technologies comme l’exploration de la frontière Technologie-Environnement en suivant le formalisme C-K T / C-K E construit. Finalement la méthode Pilotage de l'Exploration Par les Invariants Technologie-Environnement (PEPITE) est élaborée avec la direction de l'innovation Safran sur la base de deux cas d’exploration ayant effectivement passé la vallée de la mort durant l’intervention des chercheurs<br>Innovation processes of large companies experience a lack of resources between Research and Development, i.e. the valley of death. Safran created its Innovation Department to counterbalance. It is based on exchanges with the subsidiaries. However such exchanges cannot be processed in most early stages, when they include unknowns. For instance, ideas generated through the DKCP method remain unexplored. This intervention-research aims at establishing a model of collective action to exchange in the unknown. It defends the thesis that, in the unknown, sellers and buyers of innovative technologies engage in the design of the boundary between technologies and environments.Facing the limits of classic models of exchanges of economy, decision, intéressement and creativity, this thesis adopts a design-theories framework. It proposes the model of design engagement of resources. It explains the limits of a common tool for exchanging technologies, i.e. Technology Readiness Levels. It proposes to model exchanges between seller and buyer as the exploration of the Technology-Environment boundary. To do so it constructs the C-K T / C-K E formalism. Finally, the method Steering Exploration Through Technology and Environment Invariants ("Pilotage de l'Exploration Par les Invariants Technologie-Environnement" (PEPITE) in French) is constructed in collaboration with Safran Innovation Department. It is based on two cases of explorations which passed the valley of death within the researchers intervention

En apprentissage statistique, la performance des modèles est influencée par divers biais inhérents aux données, comme la rareté des données (data scarcity) et le décalage de domaine (domain shift). Cette thèse s’intéresse à réduire leur influence dans le cadre de la segmentation de structures pathologiques en imagerie médicale. En particulier, notre objectif est de réduire les écarts de données au niveau des régions d’intérêt (ROI) entre les domaines source d’entrainement et cible de déploiement, qu’ils soient intrinsèques aux données ou induits par la faible quantité de données disponibles. Dans ce but, nous proposons une stratégie d’augmentation de données adaptative, basée sur l’analyse de la distribution des intensités des ROI dans le domaine de déploiement. Une première contribution, que nous qualifions d’augmentation naïve, consiste à altérer l’apparence des ROI du domaine d’entrainement pour mieux correspondre aux caractéristiques des ROI du domaine de déploiement. Une seconde étape, complétant la première, rend l’altération plus réaliste par rapport aux propriétés du domaine cible grâce à un modèle génératif d’harmonisation one-shot, applicable dans toutes les situations de disponibilité de données. De cette façon, nous renforçons la robustesse du modèle de segmentation en aval pour les ROI dont les caractéristiques étaient initialement sous-représentées à l’entrainement. Nous évaluons notre approche à différents régimes de données et divers contextes cliniques, notamment en IRM, TDM et radiographie pulmonaire. En outre, notre approche a montré des résultats impressionnants lors d’un challenge de segmentation de tumeurs a la conférence MICCAI 2022<br>In statistical learning, the performance of models is affected by various biases present within the data, including data scarcity and domain shift. This thesis focuses on reducing their impact in the field of pathological structure segmentation in medical imaging. Our goal is to minimize data discrepancies at the region of interest (ROI) level between the training source domain and the target deployment domain, whether it is intrinsic to the data or caused by the limited data availability. To this end, we present an adaptive data augmentation strategy, based on the analysis of the intensity distribution of the ROIs in the deployment domain.A first contribution, which we call naive augmentation, consists of altering the appearance of the training ROIs to better match the characteristics of the ROIs in the deployment domain. A second augmentation, complementing the first, makes the alteration more realistic relative to the properties of the target domain by harmonizing the characteristics of the altered image. For this, we employ a generative model trained on a single unlabeled image from the deployment domain (one-shot approach), making this technique usable in any data regime encountered. In this way, we enhance the robustness of the downstream segmentation model forROIs whose characteristics were initially underrepresented in the deployment domain. The effectiveness of this method is evaluated under various data regimes and in different clinical contexts (MRI, CT, CXR). Our approach demonstrated impressive results in a tumor segmentation challenge at MICCAI 2022

Cette thèse s'inscrit dans les recherches actuelles sur les émotions et les réactions émotionnelles, sur la modélisation et la transformation de la parole, ainsi que sur l'interprétation musicale. Il semble que la capacité d'exprimer, de simuler et d'identifier des émotions, des humeurs, des intentions ou des attitudes, est fondamentale dans la communication humaine. La facilité avec laquelle nous comprenons l'état d'un personnage, à partir de la seule observation du comportement des acteurs et des sons qu'ils émettent, montre que cette source d'information est essentielle et, parfois même, suffisante dans nos relations sociales. Si l'état émotionnel présente la particularité d'être idiosyncrasique, c'est-à-dire particulier à chaque individu, il n'en va pas de même de la réaction associée qui se manifeste par le geste (mouvement, posture, visage, ...), le son (voix, musique, ...), et qui, elle, est observable par autrui. Ce qui nous permet de penser qu'il est possible de transformer cette réaction dans le but de modifier la perception de l'émotion associée. C'est pourquoi le paradigme d'analyse-transformation-synthèse des réactions émotionnelles est, peu à peu, introduit dans les domaines thérapeutique, commercial, scientifique et artistique. Cette thèse s'inscrit dans ces deux derniers domaines et propose plusieurs contributions. D'un point de vue théorique, cette thèse propose une définition de l'expressivité (et de l'expression neutre), un nouveau mode de représentation de l'expressivité, ainsi qu'un ensemble de catégories expressives communes à la parole et à la musique. Elle situe l'expressivité parmi le recensement des niveaux d'information disponibles dans l'interprétation qui peut être vu comme un modèle de la performance artistique. Elle propose un modèle original de la parole et de ses constituants, ainsi qu'un nouveau modèle prosodique hiérarchique. D'un point de vue expérimental, cette thèse fournit un protocole pour l'acquisition de données expressives interprétées. Collatéralement, elle rend disponible trois corpus pour l'observation de l'expressivité. Elle fournit une nouvelle mesure statistique du degré d'articulation ainsi que plusieurs résultats d'analyses concernant l'influence de l'expressivité sur la parole. D'un point de vue technique, elle propose un algorithme de traitement du signal permettant la modification du degré d'articulation. Elle présente un système de gestion de corpus novateur qui est, d'ores et déjà, utilisé par d'autres applications du traitement automatique de la parole, nécessitant la manipulation de corpus. Elle montre l'établissement d'un réseau bayésien en tant que modèle génératif de paramètres de transformation dépendants du contexte. D'un point de vue technologique, un système expérimental de transformation, de haute qualité, de l'expressivité d'une phrase neutre, en français, synthétique ou enregistrée, a été produit, ainsi qu'une interface web pour la réalisation d'un test perceptif en ligne. Enfin et surtout, d'un point de vue prospectif, cette thèse propose différentes pistes de recherche pour l'avenir, tant sur les plans théorique, expérimental, technique que technologique. Parmi celles-ci, la confrontation des manifestations de l'expressivité dans les interprétations verbales et musicales semble être une voie prometteuse.

Partant d'une étude de méthodes algorithmiques de création artistique automatique, nos travaux s'intéressent à des adaptations de ces méthodes pour proposer des formes de création artistique accessibles centrées sur la musique et le dessin par ordinateur. Le développement d'outils informatiques accessibles impose certaines contraintes. Elles servent de cadre au développement de deux outils qui illustrent la mise en œuvre de ces contraintes, associées à l'adaptation de systèmes de production artistique automatique, notamment basés sur des algorithmes de colonie de fourmis artificielles. Le premier programme est un instrument de musique virtuel permettant au plus grand nombre de jouer de la musique, et fournissant un accompagnement automatique. Le second est un atelier de dessin où des outils basés sur des méthodes génératives offrent un résultat complexe à partir d'actions très simples. Cette thèse détaille le développement de ces deux programmes ainsi que leur évaluation, sur le terrain, à la rencontre d'utilisateurs réels<br>Starting from a survey of algorithmic methods for automatic artistic creation, our works deals with adaptations of these methods to provide accessible art creation forms, focusing on music and computer drawing.the development of accessible computer software requires some constraints. Following these constraints and using adapted automatic art production systems, notably based on artificial ant colony algorithms, we developed two computer programs.The first one is a virtual music instrument, allowing most people to play music and providing and automatic accompaniment.The second one is a drawing workshop with generative methods-based tools provide complex results from simple actions.This PhD thesis details the development of this two programs and their evaluations, with real users meetings

Orientador: Edna Maria Fernandes dos Santos Nascimento<br>Banca: Maria de Lourdes Ortiz Gandini Baldan<br>Banca: Loredana Limoli<br>Banca: Maria Celia de Moraes Leonel<br>Banca: Vera Lucia Rodella Abriata<br>Resumo: A partir da análise das cartas enviadas pelo poeta português Mário de Sá-Carneiro ao poeta Fernando Pessoa, busca-se traçar, primeiramente, a arquitetura da correspondência, para somente então identificar a própria constituição do "sujeito Mário de Sá-Carneiro" nela instaurado. Para tanto, emprega-se o instrumental teórico-metodológico da semiótica de inspiração greimasiana, especialmente a noção de "forma de vida" e as proposições mais recentes de Jacques Fontanille, como o estudo das "práticas semióticas" e a sua proposta de um "percurso gerativo da expressão". Toma-se, assim, de início, a carta-objeto em sua materialidade, explicitando-se as coerções de ordem espacial e material que sofre enquanto objeto-suporte, as marcas que outras práticas (o sistema postal, por exemplo) nela inserem e a sua organização topológica. Na sequência, observa-se como as propriedades textuais e discursivas organizam-se no interior da carta e como são organizadas as próprias cartas no interior da correspondência, por meio de estratégias contínuas (como a sinceridade fiduciária) que lhe dão ritmo e garantem a sua existência enquanto prática epistolar eficiente. Do ponto de vista da identidade dos sujeitos inscritos nas cartas, busca-se, a princípio, identificar os espaços que habitam, sendo Paris o que mais intensamente é manifestado, e qual é o tempo (cronológico e afetivo) em que vivem a sua amizade epistolar. Em um segundo momento, apresentam-se as formas afetivas produzidas pelos percursos passionais que o sujeito Sá-Carneiro assume e pelas estratégias de veridicção que a carta instaura (como a sinceridade e a verdade, a espera e o desespero, a saudade e a angústia), que, reiteradas continuamente, representam verdadeiras "formas de vida" que definem a identidade do sujeito epistolar sá-carneiriano.<br>Résumé: A partir de l'analyse des lettres envoyées par le poète portugais Mário de Sá-Carneiro au poète Fernando Pessoa, on cherche à dégager, d'abord, l'architecture de la correspondance pour identifier, ensuite, la constitution même du « sujet Mário de Sá-Carneiro » qui y est instauré. Pour ce faire, on emploie ici la sémiotique d'inspiration greimassienne, plus précisément la notion de « formes de vie » et les contributions théoriques les plus récentes de Jacques Fontanille, notamment ces réflexions sur les « pratiques sémiotiques » et sur le « parcours génératif de l'expression ». Tout d'abord, on s'occupe de la « lettre-objet » dans toute sa matérialité, en mettant en évidence les contraintes spatiales et matérielles qu'elle subit en tant qu'objet-support ; les empreintes que toutes les autres pratiques lui impriment (le système postal, notamment) ; et aussi sa propre structure topologique. Ensuite, on examine l'organisation des propriétés textuelles et discursives au sein de la lettre et l'organisation même des lettres dans le contexte de la correspondance, à travers des stratégies persistantes (tels que la « sincérité fiduciaire ») qui, en donnant du rythme à la correspondance, assurent son existence en tant que pratique épistolaire efficiente. Du point de vie de l'identité des sujets inscrits dans les lettres analysées, on cherche, d'abord, à identifier les espaces qui les deux interlocuteurs habitent - Paris en étant l'espace le plus intensément manifesté - et le temps (chronologique et aussi affectif) où se déroule son amitié épistolaire. Ensuite, on met en valeur toutes les formes affectives (la sincérité et la vérité ; l'attente et le désespoir ; la nostalgie et l'angoisse) qui surgissent à partir des stratégies véridictoires que la lettre convoque et des parcours passionnels assumés pleinement par le sujet Sá-Carneiro.<br>Doutor

Dans cette thèse, nous présentons un modèle statistique permettant d'extraire la connexité des variétés structurantes d'un ensemble de points. Ce modèle combine des approches statistiques et géométriques en définissant un modèle de mélange gaussien construit à partir d'un graphe. A partir de ce graphe génératif, nous proposons et évaluons des méthodes d'analyses exploratoires et de classification non-supervisée et semi-supervisée<br>In this work, we propose a statistical model to learn the connectedness of a set of points. This model combine geometrical and statistical approaches by defining a mixture model based on a graph. From this generative graph, we propose and evaluate methods and algorithms to analyse the set of points and to realize semi-supervised learning

Un nombre important de modèles probabilistes connaissent une grande perte d'intérêt pour la classification avec apprentissage supervisé depuis un certain nombre d'années, tels que le Naive Bayes ou la chaîne de Markov cachée. Ces modèles, qualifiés de génératifs, sont critiqués car leur classificateur induit doit prendre en compte la loi des observations, qui peut s'avérer très complexe à apprendre quand le nombre de features de ces derniers est élevé. C'est notamment le cas en Traitement des Langues Naturelles, où les récents algorithmes convertissent des mots en vecteurs numériques de grande taille pour atteindre de meilleures performances.Au cours de cette thèse, nous montrons que tout modèle génératif peut définir son classificateur sans prendre en compte la loi des observations. Cette proposition remet en question la catégorisation connue des modèles probabilistes et leurs classificateurs induits - en classes générative et discriminante - et ouvre la voie à un grand nombre d'applications possibles. Ainsi, la chaîne de Markov cachée peut être appliquée sans contraintes à la décomposition syntaxique de textes, ou encore le Naive Bayes à l'analyse de sentiments.Nous allons plus loin, puisque cette proposition permet de calculer le classificateur d'un modèle probabiliste génératif avec des réseaux de neurones. Par conséquent, nous « neuralisons » les modèles cités plus haut ainsi qu'un grand nombre de leurs extensions. Les modèles ainsi obtenus permettant d'atteindre des scores pertinents pour diverses tâches de Traitement des Langues Naturelles tout en étant interprétable, nécessitant peu de données d'entraînement, et étant simple à mettre en production<br>Many probabilistic models have been neglected for classification tasks with supervised learning for several years, as the Naive Bayes or the Hidden Markov Chain. These models, called generative, are criticized because the induced classifier must learn the observations' law. This problem is too complex when the number of observations' features is too large. It is especially the case with Natural Language Processing tasks, as the recent embedding algorithms convert words in large numerical vectors to achieve better scores.This thesis shows that every generative model can define its induced classifier without using the observations' law. This proposition questions the usual categorization of the probabilistic models and classifiers and allows many new applications. Therefore, Hidden Markov Chain can be efficiently applied to Chunking and Naive Bayes to sentiment analysis.We go further, as this proposition allows to define the classifier induced from a generative model with neural network functions. We "neuralize" the models mentioned above and many of their extensions. Models so obtained allow to achieve relevant scores for many Natural Language Processing tasks while being interpretable, able to require little training data, and easy to serve