Uplink Resource Allocation Methods for Next-Generation Wireless Networks

Doctorant : Alix JEANNEROT

Laboratoire INSA : CITI

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

Face à la diversité des besoins en communication des réseaux 5G et 6G, l'allocation des ressources disponibles est considérée comme un élément clé pour augmenter la densité de dispositifs, leur débit ou la fiabilité des communications. Dans les réseaux de communication de type machine, des travaux récents ont proposé d'adapter l'allocation des ressources temporelles en fonction du processus sous-jacent qui régit l'activité des dispositifs. Cette thèse se concentre tout d'abord sur l'étude de l'impact d'une connaissance imparfaite de ce processus, et propose des méthodes pour atténuer le biais induit par les connaissances erronées. Ensuite, un algorithme permettant d'optimiser conjointement l'allocation des ressources temporelles et la puissance de transmission des dispositifs est proposé. L'algorithme permet aux dispositifs ayant une forte probabilité de transmettre sur les mêmes ressources de le faire avec une diversité de puissance suffisante pour assurer qu’ils soient décodables par la station de base. Enfin, dans les réseaux ayant un objectif de haut débit, nous proposons d'optimiser conjointement la puissance, les ressources fréquentielles ainsi que le nombre de couches utilisées par les dispositifs. Notre étude par simulations montre que notre optimisation conjointe est significativement plus performante que les méthodes utilisées actuellement en 5G pour lesquelles ces paramètres sont calculés indépendamment les uns des autres.
 

Integration of a priori data to optimise industrial tomographic reconstruction

Doctorant : Victor BUSSY

Laboratoire INSA : LVA

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

L'objectif de mes travaux est de proposer une nouvelle méthodologie optimisée en tomographie par rayons X qui inclue l'incorporation d'informations a priori. De part l'optimisation des choix des vues, du support de la reconstruction et d'une régularisation adapté, plusieurs contributions ont été faites afin d'optimiser la qualité du processus globale. Les résultats de chaque partie ont été publié et testé dans cette thèse sur une pièce expérimentale.
 

Unsupervised Open-World Information Extraction From Unstructured and Domain-Specific Document Collections

Doctorant : Pierre-Yves GENEST

Laboratoire INSA : LIRIS

École doctorale : ED512 : InfoMaths de Lyon

The exponential growth in data generation has rendered the effective analysis of unstructured textual document collections a critical challenge. This PhD thesis aims to address this challenge by focusing on Information Extraction (IE), which encompasses four essential tasks: Named Entity Recognition (NER), Coreference Resolution (CR), Entity Linking (EL), and Relation Extraction (RE). These tasks collectively enable extracting and structuring knowledge from unformatted documents, facilitating its integration into structured databases for further analytical processes.
Our contributions start with creating Linked-DocRED, the first large-scale, diverse, and manually annotated dataset for document-level IE. This dataset enriches the existing DocRED dataset with high-quality entity linking labels. Additionally, we propose a novel set of metrics for evaluating end-to-end IE models. The evaluation of baseline models on Linked-DocRED highlights the complexities and challenges inherent to document-level IE: cascading errors, long context handling, and information scarcity.
We then introduce PromptORE, an unsupervised and open-world RE model. Adapting the prompt-tuning paradigm, PromptORE achieves relation embedding and clustering without requiring fine-tuning or hyperparameter tuning (a major weakness of previous baselines) and significantly outperforms state-of-the-art models. This method demonstrates the feasibility of extracting semantically coherent relation types in an open-world context.
Further extending our prompt-based approach, we develop CITRUN for unsupervised and open-world NER. By employing contrastive learning with off-domain labeled data, CITRUN improves entity type embeddings, surpassing LLM-based unsupervised NERs, and achieving competitive performance against zero-shot models that are more supervised.
These advancements facilitate meaningful knowledge extraction from unstructured documents, addressing practical, real-world constraints and enhancing the applicability of IE models in industrial contexts.

Détection et segmentation des anomalies en imagerie ultrasonore 3D et en imagerie industrielle par des approches d’apprentissage automatique supervisées ou non supervisées

Doctorante: Flora ESTERMANN

Laboratoire INSA : CREATIS
École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

La détection d’anomalies faiblement contrastées dans les images est une problématique partagée à la fois par le domaine médical et l'industrie. Au cours de cette thèse, nous avons développé des méthodes d’apprentissage automatique pour la détection d’anomalies dans deux contextes différents: la détection des lésions ponctuées de la substance blanche (PWML) en échographie 3D chez les enfants prématurés par apprentissage supervisé pour notre application médicale, et la détection de défauts par apprentissage non supervisé pour des applications industrielles.

Le premier chapitre du manuscrit fournit une vue d’ensemble des quatre thématiques principales de nos recherches avec l’état de l’art correspondant : segmentation et classification supervisées pour la détection des lésions, classification non supervisée pour la détection des défauts, quantification des incertitudes pour l’explicabilité des résultats. La suite du manuscrit décrit séquentiellement les contributions de la thèse au domaine. Le deuxième chapitre présente notre étude sur les caractéristiques des PWML à l’échographie et introduit l’approche que nous avons proposée afin de réaliser la sur-segmentation des PWML dans les volumes ETF. Le troisième chapitre s’attaque directement aux méthodes de classification multi-vues proposées pour améliorer la précision de nos prédictions après la segmentation, et détaille également la manière dont nous avons intégré le cadre des prédictions conformes afin d’apporter une meilleure interprétabilité des résultats et un niveau de confiance plus élevé pour les médecins. Enfin, le dernier chapitre présente les approches non supervisées proposées pour la détection des défauts dans les images industrielles, en intégrant la détection conforme des anomalies également.

Nos résultats sont très encourageants pour le futur de l’intégration des modèles d’IA dans l’aide au diagnostic. De plus, dans le but de rendre nos modèles plus interprétables aux yeux des praticiens et des industriels, nous avons également traité la quantification des incertitudes en considérant le cadre des prédictions conformes dans nos approches.
 

 

Développement de modèles champ complet pour la précipitation et le durcissement structural dans les alliages Al-Sc

Doctorante : Mathilde EYMANN

Laboratoire INSA : MATEIS

École doctorale : ED34 : Matériaux de Lyon

L’allègement des structures dans l’industrie du transport est une étape essentielle pour la transition écologique. Un levier important de cette problématique réside dans l’allègement des matériaux utilisés. Parmi eux, on trouve les alliages à durcissement structural. Leur propriétés mécaniques dépendent fortement de leur microstructure de précipités, aussi il est primordial de pouvoir prédire cet état et son impact sur le durcissement de l’alliage. L’objectif de ce travail de thèse est de construire un modèle numérique en champ complet pour la précipitation, dans lequel les précipités sont décrits par une fonction de forme. Ce modèle se situe entre les modèles de type champ de phase – qui donnent une description détaillée de l’évolution des précipités mais demandent une discrétisation très fine – et les approches champs moyen – très efficaces en terme de temps de calcul, mais reposant sur de fortes hypothèses. ShIFuMo est donc un modèle champ complet, décrivant efficacement les différentes étapes de la précipitation lors d’un traitement thermique isotherme. Des comparaisons avec des modèles champ moyen mettent en lumière les différences entre les deux types d’approches, notamment sur l’importance des interactions solutales et des coagulations au cours de la précipitation. De plus le modèle champ complet présente l’avantage de donner une représentation spatiale des précipités. En effet, l’étude de la fonction de distribution radiale montre l’importance de l’enchaînement des étapes de précipitation sur la microstructure finale, comparée à une microstructure obtenue aléatoirement. Afin de connaître leur impact sur les propriétés mécaniques, les microstructures obtenues avec ShIFuMo sont également utilisées dans un modèle de dynamique des dislocations afin d’étudier les interactions précipités-dislocations. Une comparaison avec les méthodes utilisées en champ moyen montre des différences, mettant en avant l’intérêt d’une modélisation champ complet.
 

Learning spatial representations for single-task navigation and multi-task policies

Doctorant : Pierre MARZA

Laboratoire INSA : LIRIS

École doctorale : ED512 Informatique Et Mathématiques de Lyon

Agir de manière autonome dans notre monde en 3 dimensions requiert un large éventail de compétences, parmi lesquelles la perception du milieu environnant, sa représentation précise et suffisamment efficace pour garder une trace du passé, la prise de décisions et l'action en vue d'atteindre des objectifs précis. Les animaux, par exemple les humains, font preuve de capacités très robustes lorsqu'il s'agit d'agir dans le monde. Ils se distinguent notamment par leur capacité à s'adapter efficacement à de nouveaux environnements dans diverses conditions (éclairage, conditions météorologiques, etc.), mais aussi à maîtriser rapidement de nombreuses tâches d'intérêt à partir de quelques exemples. Ce manuscrit étudie la manière dont les réseaux neuronaux artificiels peuvent être entrainés pour atteindre un sous-ensemble de ces capacités. Nous nous concentrerons tout d'abord sur l'entrainement d'agents neuronaux capables d'effectuer une cartographie sémantique, à la fois à partir d'un signal de supervision augmenté et avec des représentations neuronales de scènes. Les agents neuronaux sont souvent formés par apprentissage par renforcement (RL) à partir d'un signal de récompense peu dense. Guider l'apprentissage des capacités de cartographie de la scène en augmentant le signal de supervision de l'apprentissage par renforcement avec des tâches auxiliaires facilitant le raisonnement spatial aidera à naviguer plus efficacement. Au lieu d'améliorer le signal d'entraînement des agents neuronaux, nous verrons également comment l'incorporation de représentations neuronales spécifiques de la sémantique et de la géométrie dans l'architecture de l'agent peut contribuer à améliorer les performances de navigation lorsqu'il s'agit d'atteindre des objectifs sémantique spécifiques. Ensuite, nous étudierons la meilleure façon d'explorer un environnement 3D afin de construire des représentations neuronales de l'espace qui soient aussi satisfaisantes que possible sur la base de métriques pensées pour la robotique que nous proposerons. Enfin, nous passerons d'agents de navigation entraînés à généraliser à de nouveaux environnements à des agents multi-tâches et nous verrons à quel point il est important d'adapter les caractéristiques visuelles extraites des observations des capteurs à la tâche à accomplir afin de réaliser une grande variété de tâches, mais aussi d'essayer de généraliser à de nouvelles tâches inconnues à partir de quelques démonstrations seulement. Ce manuscrit abordera donc différentes questions importantes telles que : Comment représenter une scène 3D et garder une trace de l'expérience passée dans un environnement? — Comment s'adapter de manière robuste à de nouveaux environnements, à de nouveaux scénarios et potentiellement à de nouvelles tâches ? — Comment entrainer des agents à des tâches séquentielles à long terme? — Comment maîtriser conjointement toutes les sous-compétences requises? — Quelle est l'importance de la perception en robotique ?
 

Responsible production in agricultural supply chains: An impact of Information transparency

Doctorante : Qing LI

Laboratoire INSA : DISP

École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

This thesis addresses a novel research problem in agricultural supply chains by integrating the study of responsible production with information transparency. Building on existing research in responsible production, we clarify responsible production to production efficiency, food waste reduction, and product quality improvement. Grounded in the research on information transparency, this thesis shows the specific format of information transparency in agriculture and models the characteristics of these phenomena based on the knowledge of agricultural cooperatives, blockchain technology, product traceability, quality testing, and moral hazard.

Complétion de surfaces numérisées représentant des tissus

Doctorant : Guillaume GISBERT

Laboratoire INSA : LIRIS
École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

Dans cette thèse, nous nous intéressons au problème de la complétion de surfaces représentant des tissus. Les objets numériques sont soit créés directement virtuellement, soit scannés à partir d'objets réels. Encore aujourd'hui, la capture numérique reste imparfaite et les surfaces obtenues présentent régulireèment des trous. Dans le cas de la numérisation de vêtements, cela est d'autant plus vrai en raison de la présence de nombreux plis qui complique le processus de capture. Pour résoudre ce problème, nous proposons deux méthodes de complétion de surfaces spécifiques aux surfaces de tissus, que nous modélisons comme des surfaces développables, c'est-à-dire, dépliables dans le plan sans distorsions. La première méthode utilise des approches de géométrie variationnelle tandis que la seconde est basée sur l'apprentissage. Dans les deux cas, nous proposons d'estimer l'aire et la forme du trou en aplatissant la région entourant ce dernier dans le plan. Ceci nous permet d'en déduire les propriétés intrinsèques de la surface manquante. A partir de cette information, la première approche utilise un modèle de tissu pour replacer la géométrie sur la surface en 3D. La seconde approche entraîne un réseau à compléter des cartes de paramétrisation partielle pour reboucher la surface.

Supporting Massive Machine Type Communication in Beyond 5G Networks: Fundamental Limits and Practical Heuristics

Doctorant : Shashwat MISHRA

Laboratoire INSA : CITI

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

This work focuses on supporting massive access in beyond 5G networks. First, we derive the fundamental information theoretic limits of connectivity under the spatial continuum model considering Rayleigh fading. We prove that achieving perfect reliability is impossible in such a setup and therefore we evaluate the fundamental EE-SE tradeoff considering outage. We extend the formulation to the case of discrete spatial continuum model as well as the case of multiple fading states and show that the discrete model approaches the continuum case with relatively few levels of superposition. Following this theoretical analysis, we present a graph-matching based heuristic for resource allocation in NOMA-aided massive access with multiple fading states. This pragmatic approach relies on grant-based mechanism such as the fast uplink grant to efficiently schedule resources for NOMA-based massive machine type deployments. We present a comparative analysis of the fundamental results and the heuristics and show that the heuristics closely approach the fundamental limits. This work comprehensively covers both the uplink and downlink massive access scenarios considering the respective power budgets as well as quality of service constraints. Moving to the multi-antenna setup, we present a graph neural network-based framework for real-time power allocation in cell- free massive MIMO networks to support massive access. This part of the thesis concentrates on formulating novel graph representations for the network that are used in a supervised learning framework to adaptively learn approximating the maximum ratio transmission precoding for partially and fully connected cell-free massive MIMO systems.  

Évolutions des régimes de travail industriel et mutations urbaines: L’exemple de l’entreprise Berliet et de l’agglomération lyonnaise : 1950-2020

Doctorante : Éléonore GENDRY

Laboratoire INSA : EVS

École doctorale : ED483 : ScSo (Histoire, Géographie, Aménagement, Urbanisme, Archéologie, Science Politique, Scociologie, Anthropologie)

Les relations entre l’activité et l’urbanisation sont aussi anciennes que l’existence des villes. Si ces liens ont particulièrement été étudiés pour les périodes du XIXe siècle et du début du XXe siècle, leur observation n’est que peu détaillée après-guerre. Or, l’industrie n’a jamais été aussi présente dans notre environnement dessinant des sociétés hyper- industrielles caractérisées par un continuum entre la production de biens et de services, la consommation de masse, les industries financières et culturelles, engendré par le développement du numérique. Pour saisir plus précisément les transformations urbaines héritées des évolutions de l’industrie, cette recherche s’intéresse aux mutations du travail ; ces dernières étant elles aussi liées aux changements industriels.
L’étude porte plus particulièrement sur l’usine de production de véhicules industriels Berliet implantée depuis 1917 sur les communes de Vénissieux et de Saint-Priest dans l’agglomération lyonnaise. Pour appréhender les mutations du travail au sein de cette entreprise, l’enquête s’intéresse à l’évolution de la production des moteurs Berliet entre 1950 et 2020 à l’aide des traces laissées par ces changements : journaux d’entreprise, correspondances, rapports et ouvrages spécialisés, plans ou encore photographies. Des entretiens menés auprès d’actuels ou d’anciens salariés de l’entreprise explicitent certaines traces lacunaires.
À l’issue de cette enquête, les transformations urbaines liées aux mutations du « travail industriel » s’observent autour de l’organisation et de la distribution de l’appareil productif, de l’habitat et des infrastructures de transport. Considérant l’observation de ces interdépendances entre l’industrie et la ville, il peut être avancé que des états urbano-industriels se distinguent au sein de l’agglomération lyonnaise simplifiés en deux morphologies urbaines idéales-typiques : l’une industrielle (1950-1973), l’autre hyper- industrielle (2000-2020). L’observation de ces états, caractérisés par des encastrements multiples entre industries, logements, infrastructures, etc., incite à concevoir les politiques industrielles comme une politique globale s’intéressant à l’activité productive, mais aussi aux questions du logement ou des déplacements.