vendredi 16 octobre 2009

Soutenance de thèse - Thomas Baerecke - jeudi 22 octobre 2009 - 14h30

Bonjour,

J'ai le plaisir de vous inviter à ma soutenance de thèse intitulée :

Isomorphisme inexact de graphes par optimisation évolutionnaire

qui aura lieu le jeudi 22 octobre à 14h30 au LIP6, salle 549.

---------------------
Résumé
---------------------

L'isomorphisme inexact de graphes est un problème crucial pour la
définition d'une distance entre graphes, préalable nécessaire à une
multitude d'applications allant de l'analyse d'images à des applications
biomédicales en passant par la reconnaissance optique de caractères. Ce
problème est encore plus complexe que celui de l'isomorphisme exact.
Alors que ce dernier est un problème de décision de complexité au moins
de classe P et qui ne s'applique qu'à des graphes exactement identiques,
l'isomorphisme inexact est un problème combinatoire de complexité de
classe NP qui permet de prendre en compte des perturbations dues au
bruit, qui apparaissent fréquemment dans les applications réelles.

Dans ce cadre, nous choisissons d'étudier une solution basée sur les
algorithmes génétiques pouvant être appliquée à l'isomorphisme exact et
inexact. Nous proposons des opérateurs de croisement généraux pour tout
problème représenté par un codage de permutation, ainsi que des
opérateurs spécifiques à l'isomorphisme de graphes qui exploitent une
heuristique gloutonne. Nous réalisons une étude exhaustive pour comparer
ces opérateurs avec les opérateurs existants, soulignant leurs
propriétés, avantages et inconvénients respectifs.

Nous étudions par ailleurs plusieurs pistes d'amélioration de
l'algorithme, en théorie ou en pratique, considérant successivement les
objectifs d'accélération de l'exécution, d'augmentation de la précision
et de garantie de résultat optimal. Nous proposons pour cela de combiner
l'approche proposée avec d'autres techniques telles que des heuristiques
générales comme la recherche locale, des heuristiques dédiées comme
l'algorithme A*, et des outils pratiques comme la parallélisation.

Ces travaux conduisent à la définition d'une méthode générique pour la
résolution de tous les problèmes d'isomorphismes de graphes, qu'il
s'agisse d'isomorphismes exact ou inexact, d'isomorphismes de graphes de
même taille ou d'isomorphismes de sous-graphes. Nous illustrons enfin la
validité de cette solution générale par trois applications concrètes
issues de domaines différents, la recherche d'images et la chimie, qui
présentent chacune des caractéristiques spécifiques, utilisant des
graphes attribués ou non, soumis aux perturbations plutôt structurelles
ou au niveau d'attributs.

---------------------
Composition du Jury
---------------------

Mme Bernadette Bouchon-Meunier, Directeur de recherche, CNRS (Directeur)
M Marcin Detyniecki, Chargé de recherche, CNRS, HDR (Encadrant)
M Patrick Gallinari, Professeur à l'Université Paris VI (Examinateur)
Mme Evelyne Lutton, Directeur de recherche, INRIA (Rapporteur)
Mme Michèle Sebag, Directeur de recherche, CNRS (Rapporteur)
M El-Ghazali Talbi, Professeur à l'Université de Lille I (Examinateur)

La soutenance sera suivie d'un pot "germanique" auquel vous êtes
cordialement invités.

Bien cordialement,

Thomas Baerecke

Bureau 623
Laboratoire d'Informatique de Paris 6
104 avenue du Président Kennedy
75016 Paris
Tel : 01 44 27 88 03
Fax : 01 44 27 70 00
Plan d'accès : http://www.lip6.fr/informations/comment.php

mardi 13 octobre 2009

Invitation à la soutenance de thèse de Mathieu Bouet (20 octobre à 15h)

Bonjour,

J'ai le plaisir de vous inviter à ma soutenance de thèse intitulée :
"Localisation en trois dimensions de tags RFID basée sur les
informations de connectivité."

La soutenance se déroulera le :

==========
Mardi 20 Octobre à 15h00 au LIP6, salle 549 - 5ème étage (Site Passy-Kennedy)
==========

Vous êtes également invités au pot qui suivra.

=========
Résumé
=========

La radio-identification (RFID) est une méthode pour lire à distance
des identifiants contenus dans des appareils électroniques appelés
tags. Cette technologie qui permet la traçabilité des personnes et des
objets est amenée à supporter le développement de services
ambiant-intelligents en associant une position à chaque identité. Dans
cette thèse, nous proposons une nouvelle approche générale pour la
localisation des tags. Elle repose sur les données intrinsèques de ces
systèmes: les informations de connectivité. Celles-ci sont converties
en contraintes topologiques afin de délimiter la zone de présence de
chaque tag. Notre approche supporte l'hétérogénéité des équipements,
des environnements et l'estimation de positions 3-D. Nous la
développons en proposant deux méthodes de localisation. La première,
OpTop, repose sur une technique d'optimisation où une fonction-coût et
un ensemble de contraintes relatives à la position du tag sont définis
à partir des informations de connectivité. La seconde, L-VIRT,
consiste à discrétiser l'espace pour délimiter l'intersection du
maximum de contraintes topologiques relatives au tag et ainsi son
volume de présence.


=========
Abstract
=========

Radio-identification (RFID) enables remote identification and tracking
of people and objects. Researchers envisage this technology to support
the development of ambient-intelligent services when tag's identifier
can be associated with its position. This work proposes a new approach
for the localization of RFID tags. It applies intrinsic data of
radio-identification systems: connectivity information. These data are
converted into topological constraints to delimit the zone of presence
of each tag. Thus, our approach considers heterogeneous equipment and
environments, as well as position estimation in three dimensions. We
employ our approach to develop two localization methods: OpTop and
L-VIRT. The former is based on an optimization technique where a cost
function and a set of constraints relative to the location of the tag
are defined using connectivity information. The latter consists in
discretizing the space to delimit the intersection between the maximum
inclusive and exclusive topological constraints relative to the tag.


========
Jury
========
- Guy PUJOLLE, professeur à l'Université Pierre et Marie Curie
(directeur de thèse)
- Philippe JACQUET, directeur de recherche à l'INRIA (rapporteur)
- David SIMPLOT-RYL, professeur à l'Université Lille 1 (rapporteur)
- Vania CONAN, ingénieur de recherche à Thalès Communications (examinateur)
- Laurent REYNAUD, ingénieur de recherche à Orange Labs (examinateur)
- Pierre SENS, professeur à l'Université Pierre et Marie Curie (examinateur)


========
Accès
========
LIP6 : 104 avenue du Président Kennedy, 75016 Paris.
Plan d'accès : http://www.lip6.fr/informations/comment.php
Demander un badge visiteur à l'accueil et prévoir une pièce d'identité.


Cordialement,

Mathieu Bouet

--
Mathieu BOUET
Mathieu.Bouet@lip6.fr

Ph.D. Student
Université Pierre et Marie Curie
Laboratoire d'Informatique de Paris 6 (LIP6)
http://www-phare.lip6.fr/~bouet/

vendredi 9 octobre 2009

Soutenance de thèse de Francis Maes

J'ai le plaisir de vous inviter à la soutenance de ma thèse ainsi qu'au
pot qui suivra.

Titre de la thèse:
"Apprentissage dans les Processus de Décision Markoviens pour la Prédiction
Structurée,
Applications à l'étiquetage de séquences, la transformation d'arbres et
l'apprentissage dans les problèmes de recherche combinatoire"

La soutenance se déroulera le jeudi 15 octobre à 14h00 au LIP6, salle 549
- 5ème étage (Site Passy-Kennedy).

=========
Résumé
=========
De nombreux problèmes d'apprentissage supervisé font intervenir des
sorties complexes : séquences, arbres ou graphes. La prédiction de sorties
structurées pose d'importants défis, liés à la nature combinatoire du
problème. Récemment, la prédiction structurée incrémentale, une approche
générale et de faible complexité, a été proposée pour attaquer ces
problèmes sous l'angle de la prise de décisions séquentielles.

Dans cette thèse, je m'inscris dans cette approche et propose une nouvelle
formulation basée sur le cadre des processus de décision Markoviens
(PDMs). Cela permet d'utiliser des algorithmes d'apprentissage par
renforcement pour résoudre les problèmes de prédiction structurée et de
traiter des problèmes particulièrement complexes qu'aucun algorithme
n'était en mesure de résoudre jusqu'alors. En plus de cette contribution
majeure, je propose un nouvel algorithme d'apprentissage de politiques
basé sur l'apprentissage d'une fonction d'ordonnancement d'actions.

La validation est effectuée sur deux tâches: l'étiquetage de séquences et
la transformation d'arbres. Les résultats obtenus sur les séquences sont
compétitifs avec l'état de l'art et pour certains significativement
meilleurs. La transformation d'arbres est un des problèmes d'apprentissage
statistique les plus complexes abordés à ce jour et pour lequel il
n'existait aucun modèle applicable. Je démontre l'efficacité de
l'apprentissage par renforcement pour ce problème sur cinq jeux de
données, dont deux à très large échelle.

L'ensemble du code source développé au cours de cette thèse est testé,
documenté et publié en code-ouvert dans le Journal of Machine Learning
Research.

========
Jury
========
- Boris Chidlovskii, Centre de recherche Xerox Europe, Examinateur
- Ludovic Denoyer, Maitre de conférence à l'université Pierre et Marie
Curie (Paris 6), Encadrant de these
- Patrick Gallinari, Professeur à l'université Pierre et Marie Curie
(Paris 6), Directeur de these
- Rémi Gilleron, Professeur à l'université de Lille 3, Rapporteur
- Olivier Sigaud, Professeur à l'université Pierre et Marie Curie (Paris
6), Examinateur
- Jean-Philippe Vert, Mines ParisTech et Institut Curie, Examinateur
- Louis Wehenkel, Professeur à l'université de Liège, Rapporteur

========
Accès
========
LIP6 : 104 avenue du président Kennedy, 75016 Paris.
Plan d'accès : http://www.lip6.fr/informations/comment.php
Demander un badge visiteur à l'accueil et prévoir une pièce d'identité.

Cordialement,

Francis MAES.

mardi 6 octobre 2009

Soutenance de thèse de Vinh Truong

Bonjour,

désolé pour les réceptions multiples.

J'ai le plaisir de vous inviter à la soutenance de ma thèse intitulée :
"Apprentissage de fonctions d'ordonnancement avec peu de données étiquetées:
une application au routage d'information, au résumé de textes et au
filtrage collaboratif."

La soutenance se déroulera le :

==========
jeudi 8 octobre à 14h00 au LIP6, salle 549 - 5ème étage (Site Passy-Kennedy)
==========

Vous êtes aussi invités au pot qui suivra.

=========
Résumé
=========

La communauté d'apprentissage s'est récemment intéressée aux fonctions
d'ordonnancement. Ces fonctions cherchent à comparer les entrées entre
elles et à les retourner sous la forme d'une liste ordonnée.
Cependant, l'apprentissage nécessite une grande base de données
étiquetées, dont la création est en général coûteuse.

Dans ce mémoire, nous avons cherché à réduire le nombre d'exemples
étiquetés pour l'apprentissage des fonctions d'ordonnancement. Nous avons
abordé cette problématique sous deux angles différents. En premier lieu,
nous avons cherché à améliorer les performances en apprentissage supervisé
en exploitant l'information contenue dans un grand nombre de données non
étiquetées. Ce cadre est connu sous le terme d'apprentissage
semi-supervisé. En deuxième lieu, nous avons considéré l'apprentissage
actif, dont le but est de construire itérativement la base
d'apprentissage. L'objectif est de sélectionner les meilleures entrées à
étiqueter pour réduire au maximum le nombre de données étiquetées.

Dans une première partie, nous présentons nos modèles en apprentissage
semi-supervisé puis actif pour l'ordonnancement dit biparti. Nos modèles
sont des extensions des méthodes SVM et de boosting. Nous nous sommes
notamment intéressés à développer des modèles de faible complexité pour
pouvoir traiter un grand nombre de données non–étiquetées. Dans une
deuxième partie, nous considérons plusieurs applications de recherche en
information touchées par notre problématique : le routage d'information,
le résumé automatique de textes et le filtrage collaboratif. Cette partie
permet de valider nos modèles et de montrer l'intérêt de l'ordonnancement
pour le filtrage collaboratif.


========
Jury
========
- Massih Réza AMINI, agent de recherche au CNRC (directeur de thèse)
- Patrick GALLINARI, professeur à l'Université Pierre et Marie Curie
(directeur de thèse)
- Éric GAUSSIER, professeur à l'Université Joseph Fourier (rapporteur)
- Yves GRANDVALET, chercheur CNRS à l'Université Technologique de
Compiègne (examinateur)
- Patrice PERNY, professeur à l'Université Pierre et Marie Curie
(examinateur)
- François YVON, professeur à l'Université Paris Sud 11 (rapporteur)


========
Accès
========
LIP6 : 104 avenue du président Kennedy, 75016 Paris.
Plan d'accès : http://www.lip6.fr/informations/comment.php
Demander un badge visiteur à l'accueil et prévoir une pièce d'identité.


Cordialement,

Vinh TRUONG

mercredi 30 septembre 2009

Soutenance de thèse de Vinh Truong

Bonjour,

J'ai le plaisir de vous inviter à la soutenance de ma thèse intitulée :
"Apprentissage de fonctions d'ordonnancement avec peu de données étiquetées:
une application au routage d'information, au résumé de textes et au
filtrage collaboratif."

La soutenance se déroulera le :

==========
jeudi 8 octobre à 14h00 au LIP6, salle 549 - 5ème étage (Site Passy-Kennedy)
==========

Vous êtes aussi invités au pot qui suivra.

=========
Résumé
=========

La communauté d'apprentissage s'est récemment intéressée aux fonctions
d'ordonnancement. Ces fonctions cherchent à comparer les entrées entre
elles et à les retourner sous la forme d'une liste ordonnée.
Cependant, l'apprentissage nécessite une grande base de données
étiquetées, dont la création est en général coûteuse.

Dans ce mémoire, nous avons cherché à réduire le nombre d'exemples
étiquetés pour l'apprentissage des fonctions d'ordonnancement. Nous avons
abordé cette problématique sous deux angles différents. En premier lieu,
nous avons cherché à améliorer les performances en apprentissage supervisé
en exploitant l'information contenue dans un grand nombre de données non
étiquetées. Ce cadre est connu sous le terme d'apprentissage
semi-supervisé. En deuxième lieu, nous avons considéré l'apprentissage
actif, dont le but est de construire itérativement la base
d'apprentissage. L'objectif est de sélectionner les meilleures entrées à
étiqueter pour réduire au maximum le nombre de données étiquetées.

Dans une première partie, nous présentons nos modèles en apprentissage
semi-supervisé puis actif pour l'ordonnancement dit biparti. Nos modèles
sont des extensions des méthodes SVM et de boosting. Nous nous sommes
notamment intéressés à développer des modèles de faible complexité pour
pouvoir traiter un grand nombre de données non–étiquetées. Dans une
deuxième partie, nous considérons plusieurs applications de recherche en
information touchées par notre problématique : le routage d'information,
le résumé automatique de textes et le filtrage collaboratif. Cette partie
permet de valider nos modèles et de montrer l'intérêt de l'ordonnancement
pour le filtrage collaboratif.


========
Jury
========
- Massih Réza AMINI, agent de recherche au CNRC (directeur de thèse)
- Patrick GALLINARI, professeur à l'Université Pierre et Marie Curie
(directeur de thèse)
- Éric GAUSSIER, professeur à l'Université Joseph Fourier (rapporteur)
- Yves GRANDVALET, chercheur CNRS à l'Université Technologique de
Compiègne (examinateur)
- François YVON, professeur à l'Université Paris Sud 11


========
Accès
========
LIP6 : 104 avenue du président Kennedy, 75016 Paris.
Plan d'accès : http://www.lip6.fr/fr/informations/comment.html
Demander un badge visiteur à l'accueil et prévoir une pièce d'identité.


Cordialement,

Vinh TRUONG

vendredi 25 septembre 2009

Soutenance de Thèse de Meriem KASSAR le Mercredi 30 Septembre à 11h00 (Salle 847)

Bonjour,
J'ai le plaisir de vous inviter à ma soutenance de thèse intitulée "Gestion du Handover Vertical dans les Réseaux sans fil Hétérogènes", ainsi qu'au pot qui suivra.
La soutenance aura lieu le Mercredi 30 Septembre à 11h00 en Salle 847 (8ème étage) au Laboratoire d'Informatique de Paris (LIP6), à l'adresse
104, Avenue du Président Kennedy, 75016 Paris.
(Plan d'accès disponible à : http://www.lip6.fr/informations/comment.php).
 
Composition du Jury :
Mr Nazim AGOULMINE, Professeur à l'Université d'Evry-Val-d'Essonne (Rapporteur)
Mr Thomas NOËL, Professeur à l'Université Louis Pasteur de Strasbourg (Rapporteur)
Mr Tijani CHAHED, Professeur à TELECOM SudParis (Examinateur)
Mr Marcelo DIAS DE AMORIM, Chargé de Recherche CNRS, HDR (Examinateur)
Mr Farouk KAMOUN, Professeur à l'ENSI de Tunis (Examinateur)
Mr Guy PUJOLLE, Professeur à l'Université Pierre et Marie Curie (Directeur)
Mme Brigitte KERVELLA, Maître de Conférence à l'IUT d'Amiens (Co-encadrante)
 
Résumé :
Avec l'évolution de nombreuses technologies sans fil et des terminaux mobiles à interfaces réseau multiples, un compromis apparaît entre la mobilité, la transparence et la performance. Les utilisateurs mobiles auront besoin d'accéder à leurs services IP en tout lieu, à tout moment et de la meilleure manière possible sans se soucier des transitions entre les différents réseaux d'accès. Cet accès sans fil universel fait référence au concept ABC (Always Best Connected) dans les nouvelles générations de systèmes de communication telle que 4G ou NGN. Cette nouvelle génération n'est autre qu'un environnement sans fil hétérogène dans lequel différents réseaux d'accès doivent coexister. Elle peut ainsi offrir une variété de services à haut débit et une couverture ubiquitaire aux utilisateurs mobiles.
Au sein de ce type d'environnement, il est nécessaire d'intégrer ou de faire coopérer des réseaux sans fil hétérogènes par un modèle d'Interworking. Une des principales exigences d'un modèle d'Interworking est de gérer la mobilité des utilisateurs pour une continuité de service de manière transparente. Dans ce cas, un réseau d'accès doit être sélectionné et la communication active doit être maintenue avec prise en compte possible des préférences de l'utilisateur. Pour cela, un schéma de gestion du handover vertical seamless devrait collecter les informations nécessaires, décider du besoin d'initier le handover en temps opportun, choisir le réseau le plus approprié parmi les réseaux d'accès hétérogènes disponibles et exécuter le handover par anticipation.   
Cette thèse analyse tout d'abord les propositions relatives à la gestion de la mobilité dans un contexte de réseaux sans fil hétérogènes, ainsi que les stratégies de décision du handover vertical existantes. Elle étudie ensuite une architecture d'Interworking 3G/UMTS-WLAN en couplage loose.
Cette architecture, prouvée par sa faisabilité et sa simplicité, se base sur le protocole Mobile IP afin de gérer la mobilité des utilisateurs pour une continuité de service. Cette thèse propose un schéma de gestion du handover contrôlé par le mobile que nous intégrons à l'architecture d'Interworking dans un contexte multi-opérateurs en collaboration, répondant aux besoins des utilisateurs mobiles d'une part, et assurant la continuité de service d'autre part. Ce schéma, efficace et intelligent, collecte les informations nécessaires, décide du besoin d'initier le handover en temps opportun à l'aide d'un système de logique floue, choisit le réseau le plus approprié parmi les réseaux d'accès hétérogènes disponibles à l'aide d'un processus AHP (Analytic Hierarchy Process). Pour une solution de type seamless, la procédure d'exécution du handover, basée sur une combinaison Mobile IP-AAA, est préparée grâce à la stratégie élaborée de la décision du handover au niveau du terminal mobile.
 
Mots-clés :
Gestion de mobilité, Handover vertical, Réseaux sans fil hétérogènes, Décision du handover, Interworking, Couplage loose, Seamless, Mobile IP, 3G/UMTS, WLAN.
 
Cordialement
Meriem KASSAR BEN JEMAA


mercredi 23 septembre 2009

Soutenance de thèse d'Alban Linard

Bonjour,

j'ai le plaisir de vous inviter à la soutenance de ma thèse, ainsi
qu'au pot ardéchois qui suivra.

=====
Titre
=====
«Sémantique paramétrable des Diagrammes de Décision : une démarche
vers l'unification»

====
Lieu
====
La soutenance aura lieu le mardi 29 septembre à 14h au LIP6 (Site
Passy-Kennedy), en salle 847. Les indications pour se rendre au LIP6
se trouvent à cette adresse : http://www.lip6.fr/informations/comment.php

====
Jury
====
La thèse sera soutenue devant le jury composé de :

M. Didier Buchs (Université de Genève) - Rapporteur
M. Jean-Michel Couvreur (Université d'Orléans) - Rapporteur
Mme Béatrice Bérard (Université Pierre et Marie Curie) -
Examinateur
M. Olivier H. Roux (IUT de Nantes) -
Examinateur
M. Alexandre Duret-Lutz (EPITA) -
Examinateur
M. Fabrice Kordon (Université Pierre et Marie Curie) - Directeur
M. Emmanuel Paviot-Adet (Université Paris Descartes) - Encadrant


======
Résumé
======
Les Diagrammes de Décision sont des structures de données compactes,
qui représentent efficacement des ensembles de données de taille
importante sous forme d'un graphe, dont les parties communes sont
partagées. Cette efficacité se traduit, lors de la manipulation de ces
structures, aussi bien dans la mémoire consommée que dans le temps
d'exécution. Elle est toutefois dépendante des données représentées :
le gain peut varier en pratique de très faible à exponentiel. Ainsi,
des techniques récentes ont permis d'atteindre plus de 10^2500 états
différents dans 1 Go de mémoire en environ une minute.

De nombreuses variantes ont été définies depuis le début des années 90
à partir des Diagrammes de Décision Binaire (BDD), à l'origine de ces
structures de données. Les évolutions sont très variées, allant
d'optimisations de la structure à l'extension hiérarchique des
Diagrammes de Décision.
Il existe ainsi actuellement plusieurs dizaines de variantes. Malgré
leur utilisation dans de nombreux domaines, les Diagrammes de Décision
sont à ce jour différentes structures, qui évoluent indépendamment les
unes des autres. Il n'existe pas de théorie unifiée, ce qui a certes
permis des évolutions rapides de ces structures, mais est un frein à
la réutilisation des résultats obtenus dans le domaine.

Nous proposons un cadre unifiant la majeure partie des Diagrammes de
Décision existants à l'heure actuelle, le grand nombre de variantes ne
permettant pas d'espérer tous les couvrir. Nous montrons que cette
généralisation se fait sans perte d'efficacité, en fournissant un
moyen de récupérer les optimisations de structure définies dans
certains évolutions. De plus, en important ces optimisations dans le
cadre unifié, nous permettons leur application pour certains
Diagrammes de Décision pour lesquels elles n'étaient jusqu'à présent
pas définies. L'unification réalisée permet de mélanger, au sein d'un
même Diagramme de Décision, les spécificités de variantes jusque là
séparées.


========
Abstract
========
Decision Diagrams are compact data structures. They represent
efficiently huge data sets as graphs, where common parts are shared.
Gains in efficiency occur on both memory and time used for
computations using these structures. However, it depends on the data
represented, and varies from almost no gain to an exponential one.
With modern techniques, state spaces containing more than 10^2500
different states have been generated in one minute, using only 1 Gbyte
of memory.

A great number of Decision Diagrams, deriving from Binary Decision
Diagrams (BDDs), have been defined during the last 20 years. Their
differences vary from cover optimizations of the structure to its
hierarchical extension. Nowadays, dozens of Decision Diagram kinds
exist. They are used in many domains, but each one is a different data
structure, that evolves unrelated to the others. No unified theory
exists. Its lack helped creating a lot of new Decision Diagrams, but
prevents reuse of results in this domain.

We propose a unifying framework, that covers most of existing Decision
Diagrams. However, we do not cover all the variations, beause of their
great number. We show that this generalization does not imply a loss
in efficiency, by extending the structural optimizations of the
Decision Diagrams. This generalization brings these optimizations to
kinds that did not define them. Moreover, the unified framework
enables mixing several disjoint kinds of Decision Diagrams in one
structure.


Cordialement,
Alban Linard

--
Université Pierre et Marie Curie - UMR CNRS 7606
Laboratoire d'Informatique de Paris 6 / MoVe
Bureau 818
Tél: + 33 1 44 27 31 92
104 Avenue du Président Kennedy
75016 Paris - France