Cornet

saFe learnINg for lArge scaLe socio-Technical sYstem FINALITY in a Nutshell. FINALITY is a MSCA DN forming a novel AI curriculum for engineering researchers exploring safe techniques for socio-technical systems where human decisions for resource allocation are supported by AI. The ESRs engaged in the FINALITY DN will develop new methodological tools focusing on the following expertise areas: constrained and delayed MDP theory and their application to safe Reinforcement Learning, Online Convex Optimization and Federated Learning under constraints. Liste des partenaires : Responsable Scientifique pour le LIA : Francesco De Pellegrini (Equipe CORNET ) Date Début : 2025-03-01 Date Fin : 2028-03-01 En Savoir Plus

MUGS: Multi-layer graph games for network cyberdeception Développer des modèles avancés de théorie des jeux (jeux stochastiques partiellement observables, apprentissage par renforcement et utilisation des propriétés de centralité/connectivité des graphes…) sur les graphes avec application au contrôle de malware/attaque dans un réseau. Liste des partenaires : Responsable Scientifique pour le LIA : Yezekael Hayel (Équipe CORNET) Date Début : 2024-09-01 Date Fin : 2027-09-01 En Savoir Plus

Continuums Of Game NETs: swarm intelligence as information processing CoGNETs vise à révolutionner la gestion de l’infrastructure intelligente en introduisant un cadre middleware middleware distribué évolutif et interopérable pour l’informatique autonome IoT-to-Cloud, durable pendant et après le projet via la FIWARE Foundation (Directeur technique) et soutenu par un solide écosystème industriel et académique entre l’UE et le Japon en matière de souveraineté des données pour la chaîne d’approvisionnement de l’automobile et de la fabrication. L’idée est de tirer parti de l’intelligence informatique au point que les appareils puissent réaliser eux-mêmes leur hétérogénéité et décider de la manière de former un essaim dynamique IoT-to-Cloud pour répondre aux tâches courantes d’IA et aux éléments importants de l’informatique cognitive de manière automatisée, sécurisée et économe en énergie. Au cœur de notre middleware, nous intégrerons une nouvelle architecture de courtier multi-contexte fédérée et décentralisée, enrichie d’agents intelligents de jeu, d’apprentissage collaboratif fédéré et d’un système de gestion de l’information (y compris la sécurité matérielle RISC-V et l’accélération de l’IA) afin de réaliser des tâches dynamiques et des tâches de calcul cognitif. CoGNETs atteindra également la neutralité énergétique/CO2 et la sensibilisation à la sécurité « par conception » en tirant parti de tous ses processus Plus d'infos

Faire progresser l’apprentissage fédéré tout en réduisant l’empreinte carbone Les technologies de l’IA sont aujourd’hui trop gourmandes en énergie pour être compatibles avec nos objectifs de développement durable. Si des travaux récents ont permis d’évaluer l’empreinte carbone des méthodes d’apprentissage traditionnelles, celle d’une approche émergente comme l’apprentissage fédéré est mal connue. Le projet DELIGHT vise à évaluer finement et à réduire la consommation énergétique de l’apprentissage fédéré en utilisant différents leviers (compression de gradient, data summarization, speed-scaling, etc.). Étant donné l’hétérogénéité des données, un autre objectif sera l’étude du processus de négociation et de formation d’une coalition entre les nœuds pour comprendre dans quelle mesure un nœud a intérêt à collaborer avec d’autres. Les techniques développées seront validées empiriquement sur des tâches de vision par ordinateur et de TALN en utilisant le toolkit Flower Liste des partenaires : Responsable Scientifique pour le LIA : Rachid El Azouzi Date Début : 2023-03-01 Date Fin : 2026-09-01 En Savoir Plus