juillet 2026 – Laboratoire Informatique d’Avignon

Soutenance de thèse – Mohamed Arnouss – 17/07/2026

13 juillet 2026

Titre : Allocation des ressources dans l’économie des épidémies Lieu: Salle de thèse (Hannah Arendt) Date: 17 Juillet 2026 à 14h00 Le jury sera composé de : RÉSUMÉ Les épidémies sont autant influencées par les choix humains que par la biologie. Aller travailler, porter un masque, serrer la main ou se faire vacciner : ces décisions, cumulées à l’échelle de millions d’individus, déterminent la trajectoire d’une épidémie. Lorsque les individus décident de s’isoler, de se faire vacciner ou de réduire leurs contacts, ils arbitrent entre coûts personnels et risques d’infection, générant des externalités que les politiques doivent corriger. Cette thèse développe des politiques stratégiques d’allocation de ressources pour le contrôle des épidémies, en intégrant les dynamiques économiques. L’analyse s’articule autour de quatre axes interconnectés. Premièrement, nous concevons une politique de rétroaction adaptative pour l’isolement ciblé (i.e. quarantaine) qui minimise le pic infectieux sous contrainte budgétaire cumulative. La politique, dérivée analytiquement, atteint la même efficacité qu’une réduction large de la transmission (i.e. confinement) tout en résolvant l’épidémie plus rapidement et en réduisant le nombre total d’infections de 23%. Deuxièmement, nous caractérisons la stratégie d’isolement privée optimale d’un individu égoïste et la comparons à la politique socialement optimale, quantifiant les différences découlant Plus d'infos

Soutenance de thèse – Ryan Whetten – 10/07/2026

9 juillet 2026

Titre : Apprentissage autosupervisé efficace pour le traitement de la parole Lieu: Amphi Blaise Pascal, CERI Date: 10 Juillet 2026 à 13h00 Le jury sera composé de : Résumé : L’un des objectifs fondamentaux de l’intelligence artificielle est le développement de systèmes capables d’interagir avec les humains par la parole, notre forme de communication la plus naturelle. Ces dernières années, des progrès considérables ont été réalisés grâce à l’apprentissage auto-supervisé (SSL, self-supervised learning) —un paradigme d’apprentissage automatique dans lequel les cibles d’entraînement d’un modèle sont dérivées directement des données d’entrée elles-mêmes, réduisant ainsi la dépendance aux données annotées par des humains. Bien que les modèles de parole auto-supervisés aient atteint des performances de pointe dans diverses tâches—notamment la reconnaissance automatique de la parole, la vérification du locuteur et la traduction parole-texte—ils sont notoirement gourmands en ressources. Leur entraînement requiert d’immenses quantités de mémoire, des centaines de milliers d’heures d’audio, ainsi qu’un temps considérable, même sur des infrastructures de calcul haute performance. Ces exigences en ressources constituent des obstacles majeurs, limitant le développement et le déploiement de tels modèles. De plus, même pour ceux disposant d’un accès suffisant à ces ressources, le coût prohibitif de l’entraînement restreint la liberté d’expérimentation et Plus d'infos