Projets financés

La prise de son mains-libres est utilisée par de nombreux services vocaux comme la téléphonie, la visiophonie ou les assistants vocaux. Elle souffre cependant de perturbations liées à l’environnement sonore : réverbération, bruits, écho. Pour réduire celles-ci, des traitements, comme la séparation

Nous sommes aujourd'hui entourés d'algorithmes qui prennent des décisions nous concernant. Ces algorithmes, souvent constitués par des modèles complexes d'apprentissage automatique, fonctionnent comme des boîtes noires : leurs processus internes sont opaques pour les utilisateurs finaux et les audi

Les modèles d'apprentissage automatique (ML) dans les systèmes d'intelligence artificielle (IA) basés sur des données - en particulier ceux soumis aux nouvelles réglementations européennes - nécessitent d'être explicables. L'explicabilité en IA (XAI) est liée à la capacité, pour un esprit humain, d

Les modèles d'Apprentissage Profond (DL) sont aujourd'hui les techniques les plus largement adoptées et les plus performantes pour la cartographie agricoles dans les Séries Temporelles Multivariées (MTS) acquises par les satellites. Bien qu'efficaces, les modèles DL sont souvent utilisés comme des b

Le projet FIDD répond aux défis contemporains de la fouille de données et de l'IA. Avec l'explosion de la génération de données dans divers domaines, la demande croissante d'approches interactives centrées sur l'utilisateur devient impérative. Les méthodes traditionnelles présentent des limites pour

Le projet SYNCOGEST ambitionne de modéliser une part de la gestualité (mimiques, postures et gestes) spontanément déployée par les locuteurs et lors d'une communication en face à face, en vue de doter les agents conversationnels virtuels incorporés (ECAs) d’une attitude plus naturelle et plus effica

M2-BDA concerne l'exploitation des techniques d'apprentissage automatique et profond pour l'observation de la Terre en utilisant et combinant divers flux de données multimodales et multi-échelles (satellites, capteurs aéroportés, in-situ). Le projet vise à résoudre des défis critiques dans quatre do

L'application de l'apprentissage fédéré aux données de santé soulève de sérieuses préoccupations concernant la protection de la vie privée. Les modèles d’apprentissage doivent s’optimiser localement sans partage de données d’une partie à l’autre, tout en résistant aux attaques de protection de la vi

Les algorithmes d'optimisation combinatoire développés au cours des deux dernières décennies permettent de résoudre un large panel de problèmes. Cependant, les techniques existantes souffrent de nombreuses limitations lorsque confrontées à la complexité sans précédent des problèmes actuels. Par aill

L'objectif du projet AIDA est de développer des techniques fondées et rigoureuses pour les explications exploitables en IA (aXAI). Pour améliorer la transparence des données et des modèles spatio-temporels, AIDA préconise un cadre de modélisation causale pour les séries temporelles multivariées qui

Ces dernières années, on observe un intérêt croissant pour l'analyse et la génération de la forme et du mouvement des humains en 3D (corps et visage). Les avancées dans les algorithmes d'estimation de la forme humaine en 3D, la technologie de numérisation 3D, les graphiques 3D accélérés par matériel

L'objectif de ce projet est de construire des joueurs intelligents capables d'apprendre et de représenter de manière symbolique des stratégies pour jouer à des jeux tout en considérant différentes perspectives allant de "gagner le jeu" à "être éthique". Pour ce faire, les agents raisonneront d'abord

Ces dernières années, les domaines de l'apprentissage automatique (ML) et de la fouille de données ont connu d'énormes progrès, devenant une technologie omniprésente dans un large éventail d'applications. Un domaine qui peut bénéficier de manière significative de l'utilisation du ML est le raisonnem

Le traitement automatique des conversations humaines pose d'importants défis en raison de leur nature multimodale et dynamique. Le projet MINERAL vise à améliorer la compréhension des situations conversationnelles en abordant des problématiques clés : exploiter les indices non verbaux, intégrer l'an

Le projet FAR-SEE vise à étudier les questions de biais d'échantillonnage, d'équité, d'incertitude et d'explicabilité de ces caractéristiques pour les systèmes de reconnaissance faciale fondés sur l'Intelligence Artificielle (IA) dans le but d'améliorer les algorithmes existant, de révéler les compr

Dans un scénario où les robots soignant seront capables d'aider les personnes âgées ou les individus blessés, dans les tâches quotidiennes, on peut imaginer un robot effectuant des tâches ménagères liées aux vêtements, telles que le ramassage, le pliage, l'agencement des vêtements, voire même l'aide

Parmi les réseaux de neurones profonds, les réseaux de neurones de graphes (GNN) sont très performants. Les graphes sont une structure de données très répandue et appropriée à la description de nombreux phénomènes du monde réel. Les GNN possèdent de nombreux paramètres qui interagissent de manière c

Les réseaux neuronaux artificiels sont aujourd'hui l'un des algorithmes d'intelligence artificielle les plus étudiés et les plus utilisés pour résoudre une grande variété de tâches. Cependant, de nombreux modèles profonds présentent un inconvénient commun : leur complexité croissante remet en questi

Les réseaux de neurones des graphes (GNN) ont connu de nombreux succès académiques et industriels au cours des dernières années, offrant un terrain riche en analyses théoriques et obtenant des résultats de pointe dans plusieurs tâches d'apprentissage. Cela leur a valu un intérêt académique et indust

Les modèles basés sur des agents (ABM) sont des outils intéressants pour modéliser et étudier des phénomènes complexes dans lesquels de nombreuses entités hétérogènes aux interactions non linéaires sont géographiquement distribuées et modélisées à différentes échelles. Les scientifiques interagissen

Le transport optimal, en particulier sa version avec régularisation entropique, joue un rôle croissant dans notre compréhension des problèmes d'optimisation qui apparaissent notamment en apprentissage machine. Les bonnes propriétés de ces problèmes d'optimisation et les algorithmes qui en découlent

Dans un contexte mondial bouleversé par le changement climatique ou les instabilités géopolitiques, l'Observation de la Terre (Earth Observation, EO) est devenue de plus en plus vitale. Au cours de la dernière décennie, les techniques d'apprentissage profond (Deep Learning, DL) ont fait des progrès

De nombreuses applications nécessitent un échantillonnage aléatoire, où une première approche naturelle consiste à utiliser un échantillonnage i.i.d., supposant que tous les points/données ont une chance indépendante d'être sélectionnés. Cependant, dans de nombreux cas (systèmes de recommandation, r

De nombreuses applications demandent aujourd’hui la résolution de problèmes d’optimisation de grande taille, impliquant de grandes quantités de données et des modèles complexes avec de nombreuses variables, notamment les réseaux de neurones. Pour améliorer les performances de ces modèles, la tendanc

À l'ère du Big Data, le développement de systèmes d'IA présente à la fois des opportunités et des défis, notamment en ce qui concerne la protection de la vie privée et l'équité. AI-PULSE vise à étudier l'interaction entre la confidentialité différentielle (DP) et l'équité dans l'apprentissage machin

Le projet RODEO traite de la chirurgie du rachis assistée par robotique. Le système perçoit son environnement à travers différents capteurs, des images RBD-D (profondeur) ainsi que des images scanner per-opératoires, et déplace les bras articulés pour effectuer l'opération. RODEO vise à significativ

Les grands modèles de langage (LLM) ont redéfini le domaine du traitement du langage naturel, mais leurs capacités en matière de raisonnement complexe restent limitées. Pour résoudre les problèmes de raisonnement implicite qui surviennent dans des situations quotidiennes, comme l'interprétation de

Le problème de satisfiabilité propositionnelle (SAT) est un formalisme fondamental en programmation par contraintes qui est utilisé pour modéliser et résoudre une grande variété de problèmes académiques et industriels. Les solveurs SAT modernes sont désormais capables de résoudre des instances compo

L'objectif du projet 4DPlants est de permettre aux biologistes d'analyser et de prédire avec succès la croissance d'une plante réelle à l'échelle de l'organe en 3D. Pour ce faire, nous prévoyons d'abord de générer des ensembles de données 4D annotées de haute qualité de plantes en croissance, à la f

La classification supervisée devient de plus en plus prometteuse dans plusieurs applications réelles telles que la médecine de précision ou la détection d'anomalies. A partir de variables descriptives numériques et/ou catégorielles, d'images ou de tout autre type de signaux décrivant chaque observat

Les dynamiques sous-jacentes aux phénomènes physiques sont généralement gouvernées par des équations aux dérivées partielles (EDP). Malgré d'importantes avancées en simulation numérique, résoudre efficacement ces équations reste complexe et souvent prohibitif en temps de calcul. L'apprentissage auto

Dans le contexte de la résolution de problème combinatoires sous contraintes, le projet EVARISTE propose une nouvelle approche pour optimiser les stratégies d’exploration de solutions utilisées par les méthodes de résolution exactes. Ces méthodes reposent en général sur la construction d’un arbre de

SCALP considère des systèmes complexes régis par des dynamiques multi-échelles non linéaires avec des interactions non locales entre échelles. Ces systèmes présentent des événements extrêmes dans leur dynamique ainsi que des dépendances à longue portée. Quelques exemples de ce type de processus sont

Les Graph Neural Networks (GNNs), ont prouvé leur efficacité dans divers domaines tels que l'apprentissage semi-supervisé, la segmentation sémantique de nuages de points, la modélisation des matériaux, et la découverte de médicaments. Cependant, les GNNs se concentrent principalement sur la capture

La Differentiation Automatique (DA) est cruciale pour calculer efficacement et précisément les dérivées de fonctions, essentiel pour optimiser les modèles mathématiques dans les tâches d'optimisation basées sur le gradient. La DA fonctionne en décomposant les fonctions, exprimées comme des programme

Nous proposons de nouveaux développements dans le traitement probabiliste des graphes, du point de vue des concepts de graphes dynamiques et complexes, c'est-à-dire que le concept représenté par un graphe, basé sur des signaux, est compris dans plusieurs dimensions/couches et peut évoluer constammen

La complexité croissante des applications rencontrées en IA nous amène aujourd'hui à considérer des problèmes multi-objectifs à l'intersection de la théorie de la décision et de la recherche opérationnelle (e.g., problèmes d'allocation, systèmes de recommandation). Dans ces applications, les préfére