Bruno Vallespir,

Directeur du département Sciences de l’Ingénierie et du numérique

Comité scientifique de l’événement :

• Emmanuelle ABISSET-CHAVANNE, Professeure à I2M,
• David GOMEZ, Maître de conférences à ESTIA Recherche
• Sylvain SAIGHI, Professeur à l’IMS
• Yann TRAONMILIN, Chargé de recherche à l’IMB
• Akka ZEMMARI, Professeur au LaBRI

Amaury HAYAT, Professeur à l'Ecole des Ponts

Nathanaël FIJALKOW, Directeur de recherche au LaBRI

In this talk I will discuss the problem of synthesising plans in stochastic and uncertain environments, formalised as partially observable Markov decision processes (POMDP). It has been studied using machine learning approaches as well as logical techniques, the goal of this talk is to discuss how these two approaches can be unified. I will cover recent works, in particular our recent paper on Revelations, which received an Outstanding Paper Award at the AAAI 2025 Conference.

Camille CASTERA, Maître de conférences à l’IMB

Towards designing learned optimization algorithms that are usable beyond
their training setting, we identify key principles that classical algorithms obey, but
have up to now, not been used for Learning to Optimize (L2O). Following these
principles, we provide a general design pipeline, taking into account data, architecture
and learning strategy, and thereby enabling a synergy between classical optimization
and L2O, resulting in a philosophy of Learning Optimization Algorithms. As a
consequence our learned algorithms perform well far beyond problems from the
training distribution. We demonstrate the success of these novel principles by
designing a new learning-enhanced BFGS algorithm and provide numerical
experiments evidencing its adaptation to many settings at test time.

David GOMEZ, Enseignant-Chercheur à ESTIA Recherche

Nos travaux de recherche se situent à l'intersection de l'Intelligence Artificielle (IA) et de l'Interaction Humain-Machine (IHM). Nous proposons une vision bidirectionnelle où ces deux domaines collaborent en synergie.
D'une part, nous exploitons les capacités de l'IA pour améliorer l'IHM. En concevant de nouvelles expériences utilisateur multimodales, nous visons à créer des interfaces plus intuitives, contextuelles et personnalisables qui répondent également aux émotions humaines.
D'autre part, nous utilisons les principes de l'IHM pour améliorer les modèles d'IA eux-mêmes. En intégrant l'expertise humaine directement dans les boucles d'apprentissage (human-in-the-loop), nous permettons une supervision active et une amélioration continue des prédictions de l'IA.
Cette présentation montrera comment cette double approche conduit à des systèmes interactifs plus intelligents, fiables et centrés sur les besoins humains.

Gilles SASSATELLI, Directeur de recherche au LIRMM à Montpellier

L’IA à la périphérie ou « Edge AI » est une approche qui se profile comme indispensable pour parer aux effets délétères, de la centralisation / délocalisation du calcul dans des datacenters. Avec des dispositifs autonomes capables de fonction avancées d’apprentissage, on peut penser des approches moins énergivores, plus responsables. Cet exposé abordera le challenge de la transposition de modèles d’IA « standards » vers le contexte par essence contraint en ressource et énergie, des systèmes embarqués. Les caractéristiques et limites des solutions « état de l’art » actuelles seton introduites, à la fois sur le volet modèles d’IA ainsi que sur les systèmes embarqués. L’exposé sera prolongé par une introduction rapide des différentes familles de modèles « émergents » usuellement considérées, souvent qualifiés de neuromorphiques, in-memory ou autres. L’accent sera ensuite mis sur les modèles inspirés de la physique fondamentale et spécifiquement les « EBM » pour Energy-Based Models. Il s’agira ensuite de discuter les opportunités de réalisation de systèmes purement analogiques qui implémentent nativement ces fonctions, pour l’inférence mais également l’entrainement.

Lionel BOMBRUN, Maître de conférences, IMS

Dans cette présentation, nous nous intéresserons à la quantification de l'incertitude de modèles prédictifs, tels que les réseaux de neurones, au moyen des prédictions conformes. Les prédictions conformes constituent un cadre statistique qui permet de construire des ensembles ou intervalles de prédiction dotés de garanties de couverture sous des hypothèses minimales. Après une présentation des principes généraux, nous détaillerons quelques contributions autour de deux cas d'usage : le premier en classification, pour la reconnaissance d'adventices en vue de la pulvérisation de précision, et le deuxième en régression, pour la localisation de pistes d'atterrissage à partir de cartes radar 4D acquises durant la phase d'approche.

Jenny BENOIS-PINEAU, Professeure au LaBRI

Jenny BENOIS-PINEAU, Meghna AYYAR, Alexey ZHUKOV, Akka ZEMMARI

Renforcement d’apprentissage des réseaux profonds est largement présenté dans l’état de l’art par les modèles d’attention. Pour les CNN, le modèle Squeeze and Excitation (SE) fut le premier à être proposé et qui a donné lieu à toute une famille des méthodes dérivées, renforçant la contribution des canaux et des caractéristiques dans des couches de convolution. Avec le développement de l’IA de confiance, les méthodes d’explicabilité (XAI) ont été proposées aussi bien pour les CNN que pour les transformers. Leur destination première fut d’indiquer à l’utilisateur quels sont les éléments dans les données d’entrée, qui ont contribué le plus dans la décision. Néanmoins, ces méthodes peuvent être utilisées pour amélioration d’entrainement des modèles. Ainsi, nous allons présenter les méthodes de XAI développées au LABRI pour CNN et transformers et les méthodologies de leur usage pour l’entrainement de ces classificateurs.  

Étienne PRULIERE, Maître de conférences à l’I2M

Les matériaux architecturés sont des structures multi-échelles dont la microstructure est conçue pour optimiser les propriétés mécaniques. La prédiction du comportement mécanique non-linéaire de ces matériaux exige des ressources de calcul considérables, en raison de la complexité des géométries et de la finesse des maillages nécessaires.

Dans ces travaux, nous proposons d’utiliser des techniques d’apprentissage automatique par réseaux de neurones afin de réduire drastiquement le coût des simulations. La démarche combine des réseaux de neurones récurrents, pour prendre en compte la dépendance à l’histoire du chargement, avec des réseaux de neurones en graphes permettant de décrire finement la microstructure et reconstruire les champs mécaniques locaux.

Bruno Vallespir,

Directeur du département Sciences de l’Ingénierie et du numérique

Comité scientifique de l’événement :

• Emmanuelle ABISSET-CHAVANNE, Professeure à I2M,
• David GOMEZ, Maître de conférences à ESTIA Recherche
• Sylvain SAIGHI, Professeur à l’IMS
• Yann TRAONMILIN, Chargé de recherche à l’IMB
• Akka ZEMMARI, Professeur au LaBRI