Description and compilation of ad-hoc arithmetic operators in the context of High-Level Synthesis

Doctorant : Luc FORGET

Laboratoire INSA : CITI
Ecole doctorale : ED512 : Infomaths

Les techniques de synthèse de haut niveau permettent aux programmeurs non spécialistes de générer des descriptions de circuits numériques. Cependant, les outils existants ne supportent qu'un petit nombre de formats numériques et un petit nombre d'opérateurs standards. Cette thèse présente plusieurs techniques pour rajouter le support de nouveaux formats et de nouveaux opérateurs. Dans un premier temps, l'étude se focalise sur ce qui est réalisable en se restreignant aux fonctionnalités de métaprogrammation du standard C++ supporté par les outils HLS. Une bibliothèque d'opérateurs élémentaires pour les formats IEEE-754 et posit est proposée. Elle sert de base à une étude de cas comparant le coût matériel de l'implémentation de ces deux formats. L'implémentation d'évaluateurs de fonctions mathématiques arbitraires se heurte aux limites de la première approche. Dans un second temps, l'étude se porte sur les possibilités offertes par la modification du flot de compilation HLS, avec comme objectif de supporter cette fonctionnalité. Une bibliothèque permettant au développeur de spécifier des opérateurs pour approximer des fonctions arbitraires en précision arbitraire est présentée. Deux approches pour l'interfaçage de cette bibliothèque avec les outils de HLS sont proposées, selon que l'on a ou pas accès aux sources des compilateurs HLS.

Spatio-temporal data analysis for dynamic phenomenon monitoring using mobile sensors

Doctorante : Ichrak MOKHTARI

Laboratoire INSA : CITI
Ecole doctorale : ED512 : Infomaths

La surveillance des panaches de pollution est cruciale dans les situations d'urgence en raison des effets potentiellement catastrophiques des polluants. Les panaches sont hautement dynamiques et se dispersent rapidement, nécessitant une réponse en temps réel et une cartographie précise de la dispersion pour atténuer les risques. Cette thèse se concentre sur le suivi de la pollution dynamique dans les situations d'urgence, avec trois axes principaux : 1) la prédiction spatio-temporelle de l'évolution du panache de pollution; 2) la planification de trajectoires optimales des drones pour l'améliooration de la cartographie de la pollution; 3) le développement d'un framework générique pour la surveillance des panaches de pollution en situation d'urgence. Dans cette optique, nous proposons dans un premier temps un modèle spatio-temporel basé sur l'apprentissage profond pour la prediction multipoint des concentrations de pollution, et au dessus, nous implémentons plusieurs techniques de quantification de l'incertitude pour avoir une mesure de fiabilité de ce dernier. De plus, nous examinons et identifions les principaux défis liés à la nature dynamique du phénomène étudié ainsi que son contexte d'urgence, et nous proposons une nouvelle approche systémique pour la surveillance de la pollution dynamique se basant sur la mesure aérienne, et combinant des approches d'apprentissage profond avec des techniques d'assimilation de données, tout en s'appuyant sur des stratégies de planification de trajectoires de drones adéquates. Nous étendons ensuite ce framework pour prendre en compte les problèmes de manque de données rencontrés grâce à une solution d'apprentissage par transfert basée sur un modèle physique. Enfin, nous abordons plus méticuleusement le problème de la planification optimale des trajectoires des drones dans le but d'améliorer la qualité de la cartographie de la pollution, avec une solution d'apprentissage par renforcement multi-agents.

Flocking models based on local communications : From theory to simulations

Doctorant : Alexandre BONNEFOND

Laboratoire INSA : CITI

Ecole doctorale : ED512 InfoMaths

Les flottes de robots aériens sont désormais utilisées pour de multiples applications telles que la livraison ou encore la surveillance. Cependant, contrôler un grand nombre de drones demeure un défi important. Dans cette thèse, nous étudions des stratégies de flocking, directement inspirées de la nature et reposant sur un modèle décentralisé où les entités concernées interagissent localement par le biais de communications. En analysant les performances de modèles de flocking existant dans des environnements très contraints (par des obstacles), nous identifions les potentielles limites de ces modèles et nous proposons de les adapter et pour les rendre plus robustes. Dans ces travaux, nous considérons les communications sans fil comme étant le seul moyen d’accéder aux informations des voisins, ainsi nous intégrons un modèle de communication réaliste au simulateur de flocking de Viragh et al.. L’analyse des contraintes de pression au sein des flockings nous conduit à développer un nouveau modèle introduisant des interactions asymétriques et capable de faire évoluer les agents (drones) dans des environnements très contraints sans générer de collisions, nommé APR (Asymmetric Pressure Regulation). Notre dernière contribution consiste en un algorithme de type leader- follower distribué permettant à tout agent follower de devenir un leader. Cela renforce considérablement la cohésion de la flotte et donc favorise le succès de missions consistant à traverser des environnements complexes comme des tunnels.

Développement d’une méthode de modélisation et maillage de réseaux artériels basée sur la ligne centrale pour les études hémodynamiques des pathologies cérébrovasculaires / Development of a centerline-based arterial network modeling and meshing framework for hemodynamic studies of cerebrovascular pathologies

Doctorante : Méghane DECROOCQ

Laboratoire INSA : LIRIS
Ecole doctorale : ED512 Infomaths

La dynamique des fluides numérique (CFD) est une technique qui fournit des informa- tions précieuses sur l’écoulement du sang à partir de la géométrie vasculaire, permettant de comprendre, de diagnostiquer et de prévoir l’issue des maladies vasculaires. Cependant, la résolution des images médicales actuelles n’est pas satisfaisante, et il est encore difficile d’extraire les vaisseaux sanguins, en particulier ceux dont la géométrie est complexe, comme les réseaux d’artères cérébrales. Dans cette thèse, nous avons proposé un cadre en deux étapes pour produire des maillages prêts pour la CFD à partir d’une représentation simplifiée des réseaux vasculaires par leurs lignes centrales. Dans la première étape, afin de pallier aux défauts de la représentation basée sur les lignes centrales (dispersées, bruitées), une étape de modélisation a été introduite pour reconstruire un modèle anatomiquement réaliste à partir de connaissances a-priori sur les vaisseaux et les géométries des bifurca- tions. Ensuite, une étape de maillage a été développée pour créer un maillage volumique de haute qualité avec des cellules hexaédriques structurées et orientées vers l’écoulement, répondant aux exigences de la CFD. Grâce à ce logiciel, nous avons créé une base de donnée de maillages pour la CFD de réseaux entiers d’artères cérébrales, qui peut être utilisé pour l’évaluation de dispositifs médicaux et les études hémodynamiques. Ce logiciel contribue à combler des lacunes des méthodes de maillage actuelles et permet la construction de bases de données de larges réseaux artériels cérébraux pour la CFD.

 

Language Reasoning by means of Argument Mining and Argument Quality

Doctorante : Alaa ALHAMZEH

Laboratoire INSA : LIRIS

Ecole doctorale : ED512 Infomaths

Understanding of financial data has always been a point of interest for market participants to make better informed decisions. Recently, different cutting-edge technologies have been addressed in the Financial Technology (FinTech) domain, including data analysis, opinion mining and financial document processing. In this thesis, we are interested in analyzing the arguments of financial experts with the goal of supporting investment decisions. Although various business studies confirm the crucial role of argumentation in financial communications, no work has addressed this problem as a computational argumentation task. In other words, the automatic analysis of arguments. Focusing on this issue, this thesis presents contributions in the three essential dimensions of theory, data, and evaluation. First, we propose a method for annotating the structure of the arguments stated by company representatives during the earnings conference calls. The proposed scheme is derived from argumentation theory at the micro-structure level of discourse. We further conducted the corresponding annotation study and published the first financial dataset annotated with arguments: FinArg. Moreover, we further investigate the question of evaluating the quality of arguments in this genre of text. To tackle this challenge, we suggest using two levels of quality metrics, considering both the Natural Language Processing (NLP) literature of argument quality and the financial era peculiarities. We have also enriched the FinArg data with our quality dimensions to produce the FinArgQuality dataset. In terms of evaluation, we validate the principle of ensemble learning on the argument identification and argument unit classification tasks. We show that combining a traditional machine learning model along with a
deep learning one, via an integration model (stacking), improves the overall performance, especially in small dataset settings. Although argument mining is mainly a domain-dependent task, to this date, the number of studies that tackle the generalization of argument mining models is still relatively small. Therefore, using our stacking approach and in comparison to the transfer learning model of DistilBert, we address and analyze three real-world scenarios concerning the model robustness over unseen domains and variant topics. In addition, with the aim of the automatic assessment of argument strength, we have investigated and compared different (refined) versions of Bert-based models. Consequently, we managed to outperform the baseline model by 13 ± 2% in terms of F1-score through integrating Bert with encoded categorical features. Beyond our theoretical and methodological proposals, the dimensions of argument quality assessment, annotated corpora, and evaluation approaches are publicly available, and can serve as strong baselines for future work in both FinNLP and computational argumentation domains. Hence, directly exploiting this thesis, we described and proposed to the community, within the framework
of the NTCIR-17 conference, a new task/challenge, the FinArg-1 task, relating to the analysis of financial arguments. We also used our proposals to respond to the Touché challenge at the CLEF 2021 conference. Our contribution was selected among the « Best of Labs ».

Learning-Based Interactive Character Animation Edition

Doctorant : Léon Victor

Laboratoire INSA : LIRIS

Ecole doctorale : ED512 Informatique Et Mathématiques de Lyon

La principale méthode utilisée pour animer un personnage virtuel consiste à éditer le mouvement d’un squelette, sur lequel un modèle sous forme de maillage sera appliqué et déformé au besoin. Pour convaincre le spectateur, le mouvement d’un personnage doit respecter de nombreuses règles implicites, comme le modèle physique qui régit son monde ou les limites de sa morphologie. Ce faisant, il doit aussi rendre explicite l’action réalisée, et laisser transparaître l’état émotionnel du personnage. La subtilité de ces contraintes rend la création d’animation difficile et la production d’une animation réaliste et/ou plaisante repose fortement sur les connaissances, l’expérience et minutie de l’animateur. La démocratisation des techniques de capture de mouvement (Motion Capture, ou MoCap) permet de produire de plus en plus de données de mouvements tirés du monde réel, qui portent intrinsèquement des informations sur ces contraintes. Les travaux présentés dans cette thèse proposent d’exploiter ces données à l’aide de méthodes récentes d’apprentissage automatique, utilisant les réseaux de neurones pour fournir de nouveaux outils aux artistes animateurs.

Explaining machine learning models on graphs by identifying hidden structures built by GNNs

Doctorant : Luca VEYRIN-FORRER

Laboratoire INSA : LIRIS

Ecole doctorale : ED512 Infomaths

La dernière décennie a vu une énorme croissance dans le développement de techniques basées sur les réseaux de neurones profonds pour les graphes. Les réseaux de neurones sur graphes (GNNs) se sont avérés les plus efficaces pour de nombreux problèmes d'apprentissage automatique de graphes tels que les méthodes de noyaux. Cependant, le fonctionnement interne des modèles GNN reste opaque, ce qui constitue un obstacle majeur à leur déploiement, soulevant des questions d'acceptabilité sociale et de fiabilité, limites qui peuvent être surmontées par l'explication du fonctionnement interne de tels modèles. Dans cette thèse, nous étudions le problème de l'explicabilité des GNNs. Notre contribution principale, INSIDE, vise à extraire les règles d'activation dans les couches cachées du modèle pour comprendre quels descripteurs et caractéristiques de graphes ont été automatiquement extraits des graphes. Le défi consiste à fournir un petit ensemble de règles qui couvrent tous les graphes d'entrée. Nous proposons un domaine de motifs subjectif pour résoudre cette tâche. Nous proposons l'algorithme INSIDE qui est efficace pour énumérer les règles d'activation dans chaque couche cachée.  Les règles d'activation peuvent ensuite être utilisées pour expliquer les décisions du GNN. l'étude expérimentale montre des performances très compétitives par rapport aux audres méthodes de l'état de l'art. Cependant, les règles d'activation ne sont pas interprétables. Nous proposons d'interpréter ces règles en identifiant un graphe entièrement plongé dans le sous-espace associé à chaque règle. La méthode DISCERN que nous avons mise mise au point est basée sur une recherche arborescente de type Monte Carlo dirigée par une mesure de proximité entre le plongement du graphe et la représentation interne de la règle. Les graphes ainsi obtenus sont réalistes et pleinement compréhensibles par l'utilisateur final.

Ride the Supercoiling: Evolution of Supercoiling-Mediated Gene Regulatory Networks through Genomic Inversions

Doctorant : Théotime GROHENS

Laboratoire INSA : LIRIS

Ecole doctorale : ED512 InfoMaths

Evolution is often considered an unpredictable process, as genetic mutations happen at random.
But the fixation of mutations is not completely arbitrary, as mutations need to pass the sieve of natural selection to be retained.
In particular, the beneficial or deleterious character of a mutation can depend on the genetic background in which it happens, an effect called epistasis.
In this work, I study a particular kind of epistatic interactions in bacteria: the interplay between mutations in the mechanisms regulating DNA supercoiling -- the level of over- or under- winding of DNA -- and genomic rearrangements. I present _EvoTSC_, a mathematical and computational model of DNA supercoiling tailored to study the mutual interaction between gene transcription and DNA supercoiling (the _transcription-supercoiling coupling_ or TSC), and integrated into a full-fledged evolutionary simulation.
I first validate the model by showing that evolution can leverage this coupling to evolve gene regulatory networks that are able to tune gene expression levels in response to environmental perturbations, by changing only the relative positions of the genes  through genomic inversions.
I then show that, in _EvoTSC_ as well as in the evolutionary simulation platform _Aevol_, introducing supercoiling mutations does not seem to speed up evolution, indicating that the evolutionary relevance of epistatic interactions might be not as important as initially thought.
Using _EvoTSC_, I additionally show that the TSC can lead some genes to be activated by an excess of positive supercoiling, providing a plausible mechanism to explain the similar behavior observed in many bacterial genes. Finally, I characterize the structure of these supercoiling-mediated gene regulatory networks, showing that they cannot be reduced to local pairwise interactions.
Interaction with many neighboring genes can indeed be needed to regulate gene expression through supercoiling, providing a possible explanation to the evolutionary conservation of gene syntenies.
 

 

La Société Informatique de France organise son Congrès 2020 à Lyon sur le thème "transitions numériques et écologiques".

L’informatique, comme science et technique, est au coeur de nombreux enjeux de notre société, en particulier celui de la « transition numérique ». Pourtant d’autres bouleversements s’opèrent et transforment radicalement nos vies, avec une autre transition, la transition écologique qui nous oblige à nous questionner différemment sur les ressources consommées par et pour les usages du numérique. Ce congrès 2020 intitulé "Transitions numériques et écologiques", visera à mieux comprendre les liens entre ces deux transitions majeures et fera le point sur les opportunités et les risques qu’elles représentent.

Comme tous les ans, le Congrès de la SIF a pour ambition de faire se rencontrer et interagir les acteurs de la vie académique (enseignants, chercheurs, étudiants, …), les membres de la société civile et du monde économique (ingénieurs, consultants, …) et les décideurs et responsables institutionnels, autour de grands thèmes liés à l’informatique, son développement et ses impacts sur la société.

Les temps forts : 

• La cérémonie des Membres d’honneur 2020 de la SIF
• La remise du Prix de thèse Gilles Kahn 2019
• L’Assemblée Générale de la SIF