Séminaire CORNET – Roseli Wedemann – 09/11/2026

9 novembre 2026

Un séminaire Cornet de Roseli Wedemann (UERJ, Brésil) aura lieu le lundi 09/11 à 11h30 Salle 5 CERI : ================== Titre: « Consciousness-Unconsciousness, Associative Memory and Generalized Statistical Mechanics » We will present a review of our modelling efforts, where we have described mental pathology [1, 2, 3] considering its relation to memory function, and proposed neural network mechanisms whereby neurotic behavior is described as an associative memory process in the brain [4, 5]. In our model, modules corresponding to sensorial and symbolic memories interact, representing unconscious and conscious mental processes [6, 7, 8]. We initially modelled associative memory by a Boltzmann Machine (BM) [9, 10]. The observed q-exponential and asymptotic, power-law behavior for the node-degree distributions of the self-organized network topologies generated by our model suggest that memory dynamics and associativity may not be well described by Boltzmann-Gibbs (BG) statistical mechanics [11]. We thus modeled the dynamics of memory access by a generalization of the BM called Generalized Simulated Annealing (GSA) [12], derived from the nonextensive statistical mechanical formalism [11]. Results obtained from simulations and fMRI measurements indicate that the nonextensive statistical mechanics formalism may be more appropriate to model many complex networks that constitute brain and mental structure, than the Plus d'infos

Prix du meilleur article à IEEE FLTA 2026

5 novembre 2026

 Le 29 octobre, Ahmad DABAJA a eu l’occasion de présenter leur article intitulé“Joint Client Scheduling and Resource Allocation for Optimal Federated Learning over Wireless Networks”, coécrit avec le Prof. Rachid El-Azouzi, lors de la conférence IEEE FLTA 2026 à Paris. Ce travail a reçu le Best Paper Award de la conférence!

Prix poster MIP

26 octobre 2026

Felipe Albuquerque a reçu le 3ème prix de poster dans le Mixed Integer Programming European Workshop 2026 pour son poster « The Capacitated Mobile p-Median Problem with Dynamic Demand »

Séminaire CORNET – Hajar El Hammout – 12/10/2026

9 octobre 2026

Speaker : Professor Hajar El Hammouti from UM6P Date: 12/10/2026 – 11h30 Place: LIA meeting room. Title: “Energy Efficient Federated Learning” Abstract : Federated learning (FL) is a distributed learning framework that operates effectively over wireless networks. It enables devices to collaboratively train a model over wireless links by sharing model parameters rather than personal data. However, a key challenge in FL arises from the limited computational and communication resources of devices. As a result, energy efficiency has become a critical concern for real-world deployments. In this talk, we provide an overview of key strategies to reduce computational and communication overhead in FL systems. We will also present our recent contributions in this area, including the design of novel algorithms for client selection, model compression, and quantization. These techniques aim to minimize energy consumption while preserving model accuracy and ensuring FL convergence. Keywords: Energy Efficiency; Federated Learning; Internet of Things, Optimization; Wireless Communications. Bio:  Hajar El Hammouti is an Assistant Professor at the College of Computing of Mohammed VI Polytechnic University (UM6P) in Morocco. She received her Ph.D. in Electrical Engineering from the National Institute of Posts and Telecommunications (INPT), Rabat, and held postdoctoral positions at the International University of Rabat (UIR) and King Plus d'infos

Soutenance de thèse – Hibat Allah Kabbaj – 08/10/2026

5 octobre 2026

Titre de la thèse : Apprentissage fédéré robuste et fiable dans les systèmes distribués Date: jeudi 8 octobre 2026 à 14h00, Lieu: amphithéâtre Blaise du CERI. La présentation se déroulera en anglais.  Le jury sera composé de : Rapporteurs• M. Stefano Secci — Professeur des universités, Cnam, France• M. Jalel Ben Othman — Professeur des universités, University of Paris 13, France Examinateurs• M. Mohamed El Kamili — Professeur des universités, Université Hassan II de Casablanca, Maroc• Mme Tamara Tosic — Ingénieure de recherche, Orange, France• Mme Hajar Elhammouti — Maîtresse de conférences, Université Mohammed VI Polytechnique, Maroc Encadrants• M. Rachid Elazouzi — Professeur des universités, Avignon Université, France• M. Abdellatif Kobbane — Professeur des universités, ENSIAS, Université Mohammed V de Rabat, Maroc Résumé : Aujourd’hui, les données sont rarement disponibles en un seul endroit. Elles sont produites et stockées à travers des appareils personnels, des institutions, des infrastructures et des services, souvent sous des contraintes liées à la confidentialité, à la propriété, à la réglementation ou à l’accessibilité technique. Cette situation a profondément modifié la manière dont les systèmes d’apprentissage automatique peuvent être conçus. Dans de nombreuses applications, l’apprentissage doit être réalisé sans centraliser l’ensemble des données, tout en permettant à plusieurs acteurs de contribuer à un modèle commun. L’apprentissage fédéré répond à ce besoin en Plus d'infos

Soutenance de thèse – Sylvie Chaddad – 20/10/2026

23 septembre 2026

Titre : Modélisation stochastique et analyse des dynamiques du financement participatif et de l’influence sociale dans les réseaux en ligne Lieu : Salle des thèses d’Avignon Université, au centre-ville d’Avignon. Date : mardi 20 octobre 2026 à 14h00 Le jury sera composé de : Résumé : Les plateformes en ligne sont devenues des systèmes importants où les individus interagissent, échangent des informations, prennent des décisions et s’influencent les uns les autres au cours du temps. Les plateformes de financement participatif, les réseaux sociaux, les systèmes de recommandation et les plateformes de logiciels libres sont des exemples de tels systèmes. Dans ces systèmes, les décisions ne dépendent pas seulement sur les préférences personnelles, mais aussi sur les interactions sociales, la visibilité offerte par la plateforme, les actions précédentes et la structure du réseau. Ainsi, les interactions répétées entre de nombreux utilisateurs peuvent conduire à des dynamiques collectives qui évoluent au cours du temps. Cette thèse développe des modèles stochastiques et des méthodes analytiques pour étudier les dynamiques collectives dans les systèmes en réseau. La motivation principale vient des campagnes de financement participatif, où les contributeurs arrivent au cours du temps, observent l’état de la campagne et décident de participer ou non. La Plus d'infos

Séminaire SLG – Maryem Bouziane – 08/10/2026

21 septembre 2026

Titre: Apprentissage de plusieurs représentations d’attributs au niveau de l’énoncé avec un encodeur de parole unifié Date: 08/10/2026 – 13h Résumé: Les modèles de fondation pour la parole entraînés par apprentissage auto-supervisé produisent des représentations génériques de la parole, capables de soutenir un large éventail de tâches de traitement de la parole. Lorsqu’ils sont ensuite adaptés par apprentissage supervisé, ces modèles peuvent atteindre de fortes performances sur des tâches aval spécifiques. Des approches récentes de post-entraînement, telles que SAMU-XLSR et SONAR, alignent les représentations de la parole sur des représentations sémantiques au niveau de l’énoncé, permettant des applications multimodales (parole–texte) et multilingues efficaces. Alors que les modèles de fondation pour la parole apprennent typiquement des embeddings contextuels au niveau de la trame acoustique, ces méthodes apprennent des représentations au niveau de l’énoncé. Dans ce travail, nous étendons ce paradigme à des attributs arbitraires au niveau de l’énoncé et proposons un cadre unifié de post-entraînement permettant à un unique modèle de fondation pour la parole de générer plusieurs types de représentations au niveau de l’énoncé. Nous démontrons l’efficacité de cette approche en apprenant conjointement des représentations sémantiques et des représentations de locuteur, ainsi que des représentations de langue et d’émotion, puis Plus d'infos

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

Séminaire SLG – Hugo Leguillier – 19/06/2026

16 juin 2026

Date: Friday, June 19, from 1:00 p.m. Place: room S5 Speaker: Hugo Leguillier Title: On Low-Bit Quantization Errors in Speaker Verification: Diagnostic and Mitigation Abstract: Although low-bit quantization provides practical means to deploy speaker verification on resource-constrained devices, its effects on speaker verification performance remain poorly understood. In this paper, we study uniform K-means quantization-aware training of ResNet-36 and ResNet-200 through joint layer-wise and score-level analyses. Our layer-wise analysis highlights fragile components and shows that score degradation is not fully explained by weight distortion alone. We identify a clear knee point at 2 bits, with larger score drift and harmful decision flips concentrated near the FP32 threshold. Our score-level analysis reveals where and how score errors emerge under extreme quantization. Building on these findings, we propose a calibrated multi-precision cascade that resolves most trials at 2 bits and escalates only ambiguous cases, achieving performance close to FP32 while preserving the efficiency benefits of low-bit inference with substantially lower compute and memory costs.

1 2 3 … 14