Journée de la Fédération 2023

Programme :

9h : Accueil café

9h30 : Introduction à la journée – Photo1 Photo2

10h : Exposé invité  : Nadia Creignou (LIS, Marseille) : « Classes de complexité pour l’énumération définies par des circuits ». Diapos. Photo.

Résumé : Alors que les problèmes de décision posent la question de l’existence d’une solution pour une instance d’un problème, les problèmes d’énumération visent à les énumérer toutes, les unes après les autres et sans répétition. Dans beaucoup de domaines – requêtes dans les bases de données, bio-informatique, algorithmique des graphes, intelligence artificielle – c’est une problématique très naturelle. Les mesures usuelles de la complexité sont inadaptées à l’énumération notamment  en raison du nombre de solutions à énumérer qui peut être exponentiel par rapport à la taille de l’entrée. On s’intéresse ici à la  complexité « output-sensitive » qui prend on compte à la fois la taille de l’entrée  et le nombre de solutions. Un algorithme d’énumération dont le temps total d’exécution est borné par un polynôme dépendant à la fois de la taille de l’entrée et de la taille de la sortie est appelé un algorithme « output-polynomial ». Le délai entre la production de deux solutions consécutives est une mesure plus fine et plus pertinente  de l’efficacité d’un algorithme d’énumération  puisqu’il mesure la régularité de la production de solutions. Comme pour les problèmes de décision, on considère qu’un délai est acceptable s’il est polynomialement borné en la taille de l’entrée. La classe DelayP est la classe des problèmes d’énumération qui peuvent être résolus avec un délai polynomial. Dans la pratique, en particulier en gestion des données,  un délai polynomial n’est souvent pas considéré comme réellement efficace et on peut espérer des algorithmes plus performants, avec  par exemple un  délai linéaire ou même constant, en autorisant des étapes de pré-calcul. Nous proposons ici d’étudier un raffinement  des mesures ci-dessus. Nous définissons  des classes de complexité utilisant des circuits booléens comme modèles de calcul. La classe principale dans notre étude est la classe DelAC0 qui est basée sur des circuits AC0. Elle peut-être étendue en autorisant un pré-calcul et/ou de la mémoire. Nous obtenons ainsi une hiérarchie de classes de complexité à l’intérieur de DelayP. D’une part nous montrons que ces classes contiennent beaucoup de problèmes naturels : code de Gray, problème de satisfaisabilité, propriétés classiques de graphes. D’autre part nous obtenons des bornes inférieures de complexité, certaines inconditionnelles.

10h45 : Exposé invité : Anne-Cécile Orgerie (IRISA, Rennes) : « Consommation énergétique et impacts environnementaux des systèmes distribués ». Diapos.  Photo.

Résumé : Les systèmes distribués, tels que les clouds, s’étendent de plus en plus à l’échelle mondiale, avec des services numériques hébergés aux quatre coins du globe et appartenant souvent à des systèmes complexes, utilisant eux-mêmes de nombreux autres services et ressources matérielles. Cette augmentation s’accompagne d’une croissance alarmante des infrastructures de cloud et de leur consommation d’énergie. Malgré la complexité des systèmes distribués, il est important de comprendre comment ils consomment l’énergie afin de chasser les Joules gaspillées et de réduire leur impact environnemental. Cet exposé traitera de la mesure de la consommation énergétique des systèmes distribués et de la dérivation de modèles à partir de ces mesures pour évaluer leur consommation énergétique et leur impact environnemental.

11h30 : Activités de la fédération, échanges. Diapos.

Déjeuner

14h : Exposé invité : Florian Yger (LAMSADE, Paris Dauphine) : « Representation learning : constraints, structures and geometries« . Diapos. Photo.

Résumé : La représentation des données est la première tâche qui incombe à une chaîne de traitement de l’information et cette étape conditionne une bonne partie du succès de l’approche mise en oeuvre. L’apprentissage de représentation vise donc à trouver une représentation des données qui soit adaptée à la tâche à résoudre et les approches par réseau de neurones profonds y excellent dans de nombreux domaines. Cependant, il arrive que des connaissances a priori sur les données soient disponibles et il est alors naturel de vouloir inclure ces connaissances dans l’étape de représentation des données. Quand ces connaissances a priori prennent la forme de contraintes sur l’espace dans lequel vivent les données, il devient nécessaire d’adapter la représentation des données. Dans cet exposé, nous exposerons des travaux s’attaquant aux cas où les données appartiennent à une variété riemannienne et aux données de graphes. Suivant le temps restant, nous discuterons également d’une application en apprentissage contre-factuel où des contraintes plus générales peuvent intégrées. Nous discuterons enfin les applications et les pistes ouvertes par ces travaux.

14h45 : Restitution de travaux associés à des stages financés par Normastic en 2022

• « Étude de la vulnérabilité des réseaux urbains dans le cadre de la gestion des risques naturels et technologiques » : Anne-Pauline Couteaud, Géraldine Del Mondo, Paul Dorbec
• « ProjetFlap segmIA » : Valentin Renier, Youssef Chahir, Romain Modzelewski, Juliette Thariat
• « Etude de l’espace des caractéristiques dans les réseaux de neurones auto-encodeurs variationnels. Application à l’étude de cancer à partir d’images médicales », Nada Jannane,  Sébastien Bougleux, Jérôme Lapuyade-Lahorgue
• « Fusion multimodale adaptative pour l’analyse de scènes routières dans des conditions météorologiques dégradées pour véhicule autonome » : Lucas Deregnaucourt, Samia Ainouz, Hind Laghmara, Alexis Lechervy

16h : Conclusion et fin de la journée

Lieu

La journée se déroulera au WIP, né de la rencontre entre un lieu chargé d’histoire, la friche de l’ancien atelier électrique de la SMN, et un processus, celui des tiers-lieux, basé sur l’échange, la pluridisciplinarité et l’expérimentation.