Letteratura scientifica selezionata sul tema "Réseau fédéré"

Résumé La création de guichets uniques n’est pas seulement une affaire de reconfiguration organisationnelle interne d’une bureaucratie. L’étude d’Emploi-Québec montre que la transformation opérée affecte aussi la structure des réseaux de politiques publiques formés des acteurs sociaux qui sont en relation plus ou moins étroite avec les institutions touchées. Le réseau qui se forme autour d’Emploi-Québec regroupe à la fois des acteurs patronaux et syndicaux, issus des anciens réseaux fédéral et provincial de l’emploi et de la main-d’oeuvre ainsi que des groupes sociaux et communautaires associés à des réseaux actifs dans la lutte à la pauvreté et à l’exclusion. La nouvelle « politique sociale de l’emploi » mise de l'avant depuis 1997 ne suscite pas de consensus parmi les acteurs du réseau qui se reconstitue autour d’Emploi-Québec. En l’absence d’un tel consensus, Emploi-Québec demeure sans vision claire et divisé quant à ses objectifs. Si Emploi-Québec représente le nouveau modèle de « l’État solidaire » que d’aucuns voient émerger au Québec, il semble que cela soit — pour le moment du moins — une solidarité sous étroite surveillance politique.

Née sous l’impulsion du libre accès, la fonction éditoriale des professionnels de l’info-doc se développe. Le Réseau professionnel REPÈRES, créé en 2018, vise à fédérer les pépinières de revues scientifiques en accès ouvert (une dizaine en France et une en Belgique, hébergeant au total près de 80 revues), et à consolider les bonnes pratiques. Il est aussi un véritable révélateur du rapprochement des métiers de l’info-doc et de l’édition : de la politique des revues aux recommandations, pour favoriser le dépôt et le référencement, jusqu’à des actions communes entre réseaux professionnels de la documentation et de l’édition, les documentalistes assument de plus en plus de missions éditoriales.

Élément chef de la Politique énergétique nationale (PEN) énoncée par le Gouvernement fédéral en octobre 1980, l'extension du réseau de transmission de gaz naturel depuis Montréal jusqu'aux provinces Maritimes, par la Société Gazoduc Trans Québec & Maritimes Inc. (TQ & M) se veut le second lien d'acier depuis la construction des réseaux ferroviaires nationaux du siècle dernier. La réalisation de ce projet, en sus de ses dimensions politiques et économiques, génère de nombreuses tensions en matière d'aménagement du territoire que le régime juridique applicable se doit de cerner et de résoudre. Le présent article s'attache donc à analyser la problématique juridique dans laquelle s'inscrit la réalisation d'un projet d'une telle envergure au Québec. En premier lieu, les caractéristiques et l'évolution historique dudit projet sont présentées. Par la suite, nous discutons brièvement des principes de droit constitutionnel qui sous-tendent l'intervention des gouvernements fédéral et provincial. Puis, nous étudions en détail l'approche suivie par les intervenants relativement au choix du tracé du gazoduc (aménagement du territoire, protection des terres agricoles et environnement) pour compléter, enfin, par un aperçu des mécanismes d'appropriation du sol requis pour la construction proprement dite de cet ouvrage.

À une époque où l’Europe souhaite consolider son espace académique et renforcer sa souveraineté scientifique, l’Université Franco-Allemande (UFA) investit fortement dans la recherche et propose de nouveaux outils pour surmonter les défis d’aujourd’hui parmi lesquels on peut entre autres citer le développement durable, la crise climatique, la santé, la justice, la sécurité, l’IA. Des tutorats franco-allemands et des chaires franco-allemandes ont vu le jour en 2023 et entreront en action en 2024. C’est une première dans l’histoire de l’institution qui a été créée par l’accord de Weimar et qui fête cette année ses 25 ans d’existence. Chargée de financer et de promouvoir les formations franco-allemandes, elle fédère un réseau de plus de 200 établissements à travers l’Europe et près de 200 cursus intégrés. La formation doctorale constitue la clef de voûte de la formation des jeunes chercheurs leur permettant notamment de réaliser une thèse en cotutelle. Le nombre de thèses ainsi que celui des collèges doctoraux franco-allemands n’a cessé d’augmenter ces dernières années, notamment dans la perspective de l’internationalisation des études. Les tutorats franco-allemands permettent aux facultés de financer de nouveaux cours dans le domaine des langues de spécialités à tous les niveaux. Les chaires franco-allemandes, quant à elles, permettent de soutenir plus directement la recherche et la formation post-doctorale dans la perspective de former les futurs enseignants-chercheurs franco-allemands dont le réseau aura besoin dans les années à venir. Malgré la crise des vocations et la baisse générale du financement du monde universitaire, l’UFA innove pour préparer la relève scientifique et jouer un rôle pionnier au sein des réseaux académiques européens.

Les enjeux contemporains autour du « sport-santé » suscitent la « convoitise » d’une pluralité d’intervenants. Pour se positionner sur ce marché comme « offreurs d’Activités Physiques et Sportives », le monde du sport associatif consacre ses efforts à la mise en place d’un ensemble d’outils ou d’instruments d’action publique (IAP). Il s’agit donc, ici, d’examiner comment une fédération omnisports crée, développe et organise sa propre technologie instrumentale. L’objectif pour le réseau fédéral est de participer pleinement à la diffusion et à la régulation territoriale de la lutte contre la sédentarité et l’inactivité physique, notamment, par le biais du dispositif de prescription introduit par la loi de modernisation de notre système de santé. Cette technologie représente-t-elle un passage obligé pour accéder à une légitimité professionnelle ? Favorise-t-elle l’intéressement du réseau fédéral aux enjeux du « sport-santé » et instaure-t-elle et/ou renforce-t-elle une dynamique partenariale avec d’autres acteurs, notamment le monde de la santé ?

Les enjeux contemporains autour du « sport-santé » suscitent la « convoitise » d’une pluralité d’intervenants. Pour se positionner sur ce marché comme « offreurs d’Activités Physiques et Sportives », le monde du sport associatif consacre ses efforts à la mise en place d’un ensemble d’outils ou d’instruments d’action publique (IAP). Il s’agit donc, ici, d’examiner comment une fédération omnisports crée, développe et organise sa propre technologie instrumentale. L’objectif pour le réseau fédéral est de participer pleinement à la diffusion et à la régulation territoriale de la lutte contre la sédentarité et l’inactivité physique, notamment, par le biais du dispositif de prescription introduit par la loi de modernisation de notre système de santé. Cette technologie représente-t-elle un passage obligé pour accéder à une légitimité professionnelle ? Favorise-t-elle l’intéressement du réseau fédéral aux enjeux du « sport-santé » et instaure-t-elle et/ou renforce-t-elle une dynamique partenariale avec d’autres acteurs, notamment le monde de la santé ?

En Maine-et-Loire, un partenariat Chambre d’agriculture, Fédération de chasse, Centre permanent d’initiative pour l’environnement, École supérieure d’agricultures et Conseil départemental agit depuis plus de dix ans en faveur d’une meilleure conciliation entre production agricole et préservation de la biodiversité. Unique en France, le réseau ARBRE (Agriculteurs respectueux de la biodiversité et des richesses de l’environnement) réunit des agriculteurs volontaires pour intégrer la biodiversité dans le fonctionnement de leur exploitation par la conservation, l’aménagement et la gestion des habitats. À travers plusieurs témoignages des acteurs partenaires, cet article présente les clefs de réussite de ce réseau qui fédère aujourd’hui cent-soixante-cinq exploitations agricoles réparties sur tout le département.

Cet article a comme objectif de présenter les changements intervenus dans l’enseignement supérieur au Brésil depuis, surtout, le début du XXIe siècle. Nous présentons les modifications récentes dans le processus de sélection à l’entrée du réseau public, particulièrement dans le réseau fédéral, le plus réputé et le plus demandé parmi les familles et les jeunes brésiliens, avec l’implantation de l’Examen National de l’Enseignement Moyen (ENEM). Pour bien comprendre les enjeux de ces transformations, nous présentons également les principaux programmes gouvernementaux qui ont été mis en place dans le but d’établir ce qui a été appelé l’égalité des chances et la démocratisation de l’accès vers ce niveau de formation. Ces actions sont discutées comme une voie possible de construction d’une excellence éducative, au-delà des principes élitistes qui caractérise l’enseignement supérieur brésilien, sans oublier les dangers que la démocratisation ne soit qu’une massification.http://dx.doi.org/10.15572/ENCO2015.05

Les données issues du soin peuvent être utilisées pour des finalités autres que celles pour lesquelles elles ont été collectées initialement : c’est l’utilisation secondaire des données de santé. Dans le contexte hospitalier, afin de lever les verrous de l’utilisation secondaire des données de santé (verrous liés aux données et verrous organisationnels), une stratégie classique consiste à mettre en place un Entrepôt de Données de Santé (EDS). Dans le cadre de cette thèse, trois contributions à l’EDS du CHU de Bordeaux sont décrites. Premièrement, une méthode d’alignement des data éléments de biologie numérique basée sur les instances et conforme aux règles de protection des données à caractère personnel est présentée, avec une F-mesure à 0,850, permettant de réduire l’hétérogénéité sémantique des données. Ensuite, une adaptation du modèle d’intégration des données cliniques d’i2b2 est proposée pour assurer la persistance des données d’un EDS dans une base de données NoSQL, Elasticsearch. Cette implémentation a été évaluée sur la base de données de l’EDS du CHU de Bordeaux et retrouve des performances améliorées en termes de stockage et de temps de requêtage, par rapport à une base de données relationnelle. Enfin, une présentation de l’environnement EDS du CHU de Bordeaux est réalisée, avec la description d’un premier EDS dédié aux usages locaux et qui peut être exploité en autonomie par les utilisateurs finaux (i2b2), et d’un second EDS, dédié aux réseaux fédérés (OMOP) permettant notamment la participation au réseau fédéré DARWIN-EU
Healthcare data can be used for purposes other than those for which it was initially collected: this is the secondary use of health data. In the hospital context, to overcome the obstacles to secondary use of healthcaree data (data and organizational barriers), a classic strategy is to set up Clinical Data Warehouses (CDWs). This thesis describes three contributions to the Bordeaux University Hospital’s CDW. Firstly, an instance-based, privacy-preserving, method for mapping numerical biology data elements is presented, with an F-measure of 0,850, making it possible to reduce the semantic heterogeneity of data. Next, an adaptation of the i2b2 clinical data integration model is proposed to enable CDW data persistence in a NoSQL database, Elasticsearch. This implementation has been evaluated on the Bordeaux University Hospital’s CDW, showing improved performance in terms of storage and query time, compared with a relational database. Finally, the Bordeaux University Hospital’s CDW environment is presented, with the description of a first CDW dedicated to local uses that can be used autonomously by end users (i2b2), and a second CDW dedicated to federated networks (OMOP) enabling participation in the DARWIN-EU federated network

Les appareils et outils “intelligents” deviennent progressivement la norme, la mise en œuvre d'algorithmes basés sur des réseaux neuronaux artificiels se développant largement. Les réseaux neuronaux sont des modèles non linéaires d'apprentissage automatique avec de nombreux paramètres qui manipulent des objets de haute dimension et obtiennent des performances de pointe dans divers domaines, tels que la reconnaissance d'images, la reconnaissance vocale, le traitement du langage naturel et les systèmes de recommandation.Toutefois, l'entraînement d'un réseau neuronal sur un appareil à faible capacité de calcul est difficile en raison de problèmes de mémoire, de temps de calcul ou d'alimentation. Une approche naturelle pour simplifier cet entraînement consiste à utiliser des réseaux neuronaux quantifiés, dont les paramètres et les opérations utilisent des primitives efficaces à faible bit. Cependant, l'optimisation d'une fonction sur un ensemble discret en haute dimension est complexe et peut encore s'avérer prohibitive en termes de puissance de calcul. C'est pourquoi de nombreuses applications modernes utilisent un réseau d'appareils pour stocker des données individuelles et partager la charge de calcul. Une nouvelle approche a été proposée, l'apprentissage fédéré, qui prend en compte un environnement distribué : les données sont stockées sur des appareils différents et un serveur central orchestre le processus d'apprentissage sur les divers appareils.Dans cette thèse, nous étudions différents aspects de l'optimisation (stochastique) dans le but de réduire les coûts énergétiques pour des appareils potentiellement très hétérogènes. Les deux premières contributions de ce travail sont consacrées au cas des réseaux neuronaux quantifiés. Notre première idée est basée sur une stratégie de recuit : nous formulons le problème d'optimisation discret comme un problème d'optimisation sous contraintes (où la taille de la contrainte est réduite au fil des itérations). Nous nous sommes ensuite concentrés sur une heuristique pour la formation de réseaux neuronaux profonds binaires. Dans ce cadre particulier, les paramètres des réseaux neuronaux ne peuvent avoir que deux valeurs. Le reste de la thèse s'est concentré sur l'apprentissage fédéré efficace. Suite à nos contributions développées pour l'apprentissage de réseaux neuronaux quantifiés, nous les avons intégrées dans un environnement fédéré. Ensuite, nous avons proposé une nouvelle technique de compression sans biais qui peut être utilisée dans n'importe quel cadre d'optimisation distribuée basé sur le gradient. Nos dernières contributions abordent le cas particulier de l'apprentissage fédéré asynchrone, où les appareils ont des vitesses de calcul et/ou un accès à la bande passante différents. Nous avons d'abord proposé une contribution qui repondère les contributions des dispositifs distribués. Dans notre travail final, à travers une analyse détaillée de la dynamique des files d'attente, nous proposons une amélioration significative des bornes de complexité fournies dans la littérature sur l'apprentissage fédéré asynchrone.En résumé, cette thèse présente de nouvelles contributions au domaine des réseaux neuronaux quantifiés et de l'apprentissage fédéré en abordant des défis critiques et en fournissant des solutions innovantes pour un apprentissage efficace et durable dans un environnement distribué et hétérogène. Bien que les avantages potentiels soient prometteurs, notamment en termes d'économies d'énergie, il convient d'être prudent car un effet rebond pourrait se produire
“Intelligent” devices and tools are gradually becoming the standard, as the implementation of algorithms based on artificial neural networks is experiencing widespread development. Neural networks consist of non-linear machine learning models that manipulate high-dimensional objects and obtain state-of-the-art performances in various areas, such as image recognition, speech recognition, natural language processing, and recommendation systems.However, training a neural network on a device with lower computing capacity can be challenging, as it can imply cutting back on memory, computing time or power. A natural approach to simplify this training is to use quantized neural networks, whose parameters and operations use efficient low-bit primitives. However, optimizing a function over a discrete set in high dimension is complex, and can still be prohibitively expensive in terms of computational power. For this reason, many modern applications use a network of devices to store individual data and share the computational load. A new approach, federated learning, considers a distributed environment: Data is stored on devices and a centralized server orchestrates the training process across multiple devices.In this thesis, we investigate different aspects of (stochastic) optimization with the goal of reducing energy costs for potentially very heterogeneous devices. The first two contributions of this work are dedicated to the case of quantized neural networks. Our first idea is based on an annealing strategy: we formulate the discrete optimization problem as a constrained optimization problem (where the size of the constraint is reduced over iterations). We then focus on a heuristic for training binary deep neural networks. In this particular framework, the parameters of the neural networks can only have two values. The rest of the thesis is about efficient federated learning. Following our contributions developed for training quantized neural network, we integrate them into a federated environment. Then, we propose a novel unbiased compression technique that can be used in any gradient based distributed optimization framework. Our final contributions address the particular case of asynchronous federated learning, where devices have different computational speeds and/or access to bandwidth. We first propose a contribution that reweights the contributions of distributed devices. Then, in our final work, through a detailed queuing dynamics analysis, we propose a significant improvement to the complexity bounds provided in the literature onasynchronous federated learning.In summary, this thesis presents novel contributions to the field of quantized neural networks and federated learning by addressing critical challenges and providing innovative solutions for efficient and sustainable learning in a distributed and heterogeneous environment. Although the potential benefits are promising, especially in terms of energy savings, caution is needed as a rebound effect could occur

L'apprentissage fédéré (FL) permet aux clients de former collaborativement un modèle tout en préservant la confidentialité des données. Malgré ses avantages, le FL est vulnérable aux attaques de poisoning. Cette thèse aborde la détection des modèles malveillants dans le système FL pour les réseaux IoT. Nous fournissons une revue de littérature des techniques récentes de détection et proposons un cadre d'adaptation et de comportement sécurisé (FLSecLAB) pour renforcer le système FL contre les attaques. FLSecLAB offre une personnalisation pour évaluer les défenses à travers divers jeux de données et métriques. Nous proposons une détection améliorée de modèles malveillants avec sélection dynamique d'un seuil optimal, ciblant les attaques de changement d'étiquettes. Nous présentons une solution évolutive utilisant l'entropie et un seuil adaptatif pour détecter les clients malveillants. Nous explorons des scénarios complexes et proposons une détection novatrice contre les attaques simultanées de changement d'étiquettes et de porte dérobée. De plus, nous proposons un modèle adaptatif pour détecter les clients malveillants, abordant les défis des données Non-IID. Nous évaluons nos approches à travers divers scénarios de simulation avec différents jeux de données, et les comparons aux approches existantes. Les résultats démontrent l'efficacité de nos approches pour améliorer diverses métriques de performance de détection malveillante
Federated Learning (FL) allows clients to collaboratively train a model while preserving data privacy. Despite its benefits, FL is vulnerable to poisoning attacks. This thesis addresses malicious model detection in FL systems for IoT networks. We provide a literature review of recent detection techniques and propose a Secure Layered Adaptation and Behavior framework (FLSecLAB) to fortify the FL system against attacks. FLSecLAB offers customization for evaluating defenses across datasets and metrics. We propose enhanced malicious model detection with dynamic optimal threshold selection, targeting Label-flipping attacks. We present a scalable solution using entropy and an adaptive threshold to detect malicious clients. We explore complex scenarios and propose novel detection against simultaneous Label-flipping and Backdoor attacks. Additionally, we propose an adaptive model for detecting malicious clients, addressing Non-IID data challenges. We evaluate our approaches through various simulation scenarios with different datasets, comparing them to existing approaches. Results demonstrate the effectiveness of our approaches in enhancing various malicious detection performance metrics

En 2021, le diabète touchait environ 537 millions de personnes dans le monde. Ce chiffre devrait grimper à 643 millions d'ici 2030 et 783 millions d'ici 2045. Le diabète est une maladie métabolique persistante qui nécessite des soins et une gestion quotidiens continus. Le fardeau des maladies chroniques pèse lourdement sur les systèmes de santé lorsqu'il touche une partie substantielle de la population. De telles circonstances ont un impact négatif non seulement sur le bien-être général d'une grande partie de la population, mais contribuent également de manière significative aux dépenses de santé. Dans le contexte de Maurice, selon le rapport le plus récent de la Fédération Internationale du Diabète, la prévalence du diabète, en particulier du diabète de type 2 (T2D), était de 22,6 % de la population en 2021, avec des projections indiquant une hausse à 26,6 % d'ici 2045. Face à cette tendance alarmante, une évolution concomitante a été observée dans le domaine de la technologie, l'intelligence artificielle démontrant des capacités prometteuses dans les domaines de la médecine et de la santé. Cette thèse de doctorat entreprend l'exploration de l'intersection entre l'intelligence artificielle, plus précisément l’apprentissage profond, l'éducation, la prévention, et la gestion du diabète. Nous nous sommes d'abord concentrés sur l'exploration du potentiel de l'Intelligence Artificielle (IA) pour répondre à une complication fréquente du diabète : l'Ulcère du Pied Diabétique (DFU). Les DFU présentent un risque grave d'amputations des membres inférieurs, entraînant des conséquences graves. En réponse, nous avons proposé une solution innovante nommée DFU-HELPER. Cet outil permet de valider les protocoles de traitement administrés par les professionnels de la santé aux patients individuels atteints de DFU. L'évaluation initiale de l'outil a montré des résultats prometteurs, bien qu'un affinement further et des tests rigoureux soient impératifs. Les efforts collaboratifs avec les experts en santé publique seront essentiels pour évaluer l'efficacité pratique de l'outil dans des scénarios réels. Cette approche vise à combler le fossé entre les technologies IA et les interventions cliniques, avec pour objectif ultime d'améliorer la prise en charge des patients atteints de DFU. Notre recherche a également abordé les aspects critiques de la vie privée et de la confidentialité inhérents à la manipulation des données liées à la santé. Reconnaissant l'importance capitale de la protection des informations sensibles, nous avons appliqué une approche avancée d'apprentissage fédéré Peer-to-Peer à notre proposition pour l'outil DFU-Helper. Cette approche permet de traiter des données sensibles sans les transférer vers un serveur central, contribuant ainsi à créer un environnement de confiance et sécurisé pour la gestion des données de santé. Enfin, notre recherche s'est étendue au développement d'un agent conversationnel intelligent conçu pour fournir des informations et un soutien 24 heures sur 24 aux personnes atteintes de diabète. Dans la poursuite de cet objectif, la création d'un jeu de données approprié était essentielle. Dans ce contexte, nous avons utilisé des techniques de traitement du langage naturel pour sélectionner des données de qualité provenant de sources médias en ligne traitant du diabète
In the year 2021, estimations indicated that approximately 537 million individuals were affected by diabetes, a number anticipated to escalate to 643 million by the year 2030 and further to 783 million by 2045. Diabetes, characterized as a persistent metabolic ailment, necessitates unceasing daily care and management. In the context of Mauritius, as per the most recent report by the International Diabetes Federation, the prevalence of diabetes, specifically Type 2 Diabetes (T2D), stood at 22.6% of the population in 2021, with projections indicating a surge to 26.6% by the year 2045. Amidst this alarming trend, a concurrent advancement has been observed in the realm of technology, with artificial intelligence techniques showcasing promising capabilities in the spheres of medicine and healthcare. This doctoral dissertation embarks on the exploration of the intersection between artificial intelligence and diabetes education, prevention, and management.We initially focused on exploring the potential of artificial intelligence (AI), more specifically, deep learning, to address a critical complication linked to diabetes – Diabetic Foot Ulcer (DFU). The emergence of DFU poses the grave risk of lower limb amputations, consequently leading to severe socio-economic repercussions. In response, we put forth an innovative solution named DFU-HELPER. This tool serves as a preliminary measure for validating the treatment protocols administered by healthcare professionals to individual patients afflicted by DFU. The initial assessment of the proposed tool has exhibited promising performance characteristics, although further refinement and rigorous testing are imperative. Collaborative efforts with public health experts will be pivotal in evaluating the practical efficacy of the tool in real-world scenarios. This approach seeks to bridge the gap between AI technologies and clinical interventions, with the ultimate goal of improving the management of patients with DFU.Our research also addressed the critical aspects of privacy and confidentiality inherent in handling health-related data. Acknowledging the extreme importance of safeguarding sensitive information, we delved into the realm of Peer-to-Peer Federated Learning. This investigation specifically found application in our proposal for the DFU-Helper tool discussed earlier. By exploring this advanced approach, we aimed to ensure that the implementation of our technology aligns with privacy standards, thereby fostering a trustworthy and secure environment for healthcare data management.Finally, our research extended to the development of an intelligent conversational agent designed to offer round-the-clock support for individuals seeking information about diabetes. In pursuit of this goal, the creation of an appropriate dataset was paramount. In this context, we leveraged Natural Language Processing techniques to curate data from online media sources focusing on diabetes-related content

Cette thèse s’inscrit dans le contexte de HLA, une architecture de simulation distribuée dont l'objectif est de permettre l'interopérabilité et la réutilisation d’applications de simulation. L'ONERA a développé une plate-forme de simulation distribuée compatible HLA (appelée CERTI). L'objectif de cette thèse est d'étendre le travail entrepris sur CERTI en se basant sur l'introduction de la notion classique de domaine. Nous étudions différentes techniques impliquant cette notion et dont les objectifs concernent l'interopérabilité, la sécurité, la réutilisation ainsi que l'amélioration des performances. Notre contribution tient d’une part dans la réalisation de simulateurs-ponts permettant l'interconnexion de plusieurs simulations et d’autre part dans le développement de services de CERTI destinés à optimiser les échanges de données entre domaines.

Cette thèse interroge la nouvelle organisation des acteurs du service de l'eau pour faire face les besoins du District Fédéral du Mexique pendant la période 1992-2003. Face aux dysfonctionnements de ce service, les autorités ont lancé un appel d'offres international en 1992 pour améliorer la gestion du service. Ainsi, le territoire du District Fédéral a été divisé en zones, confiée chacune par contrat à des firmes différentes. Dans quelle mesure la participation des entreprises privées a-t-elle modifié la gestion du service compte tenu des spécificités de cette expérience: restructuration du service, contrat par étapes, mise à l'épreuve de deux modèles de gestion (anglais et français), partenariat des entreprises nationales et étrangères ? Quelle conception du service s'est finalement imposée? Ces questions sont explorées au travers d'une analyse du contexte local et national, la restructuration du service, le déroulement du contrat et ses résultats.

Dans le domaine des futurs réseaux sans fil 6G, l'intégration de la périphérie intelligente grâce à l'avènement de l'IA représente un bond en avant considérable, promettant des avancées révolutionnaires en matière de communication sans fil. Cette intégration favorise une synergie harmonieuse, capitalisant sur le potentiel collectif de ces technologies transformatrices. Au cœur de cette intégration se trouve le rôle de l'apprentissage fédéré, un paradigme d'apprentissage décentralisé qui préserve la confidentialité des données tout en exploitant l'intelligence collective des appareils interconnectés. Dans la première partie de la thèse, nous nous attaquons au problème de l'hétérogénéité statistique dans l'apprentissage fédéré, qui découle des distributions de données divergentes entre les ensembles de données des dispositifs. Plutôt que d'entraîner un modèle unique conventionnel, qui donne souvent de mauvais résultats avec des données non identifiées, nous proposons un ensemble de règles centrées sur l'utilisateur qui produisent des modèles personnalisés adaptés aux objectifs de chaque utilisateur. Pour atténuer la surcharge de communication prohibitive associée à l'apprentissage d'un modèle personnalisé distinct pour chaque utilisateur, les utilisateurs sont répartis en groupes sur la base de la similarité de leurs objectifs. Cela permet l'apprentissage collectif de modèles personnalisés spécifiques à la cohorte. En conséquence, le nombre total de modèles personnalisés formés est réduit. Cette réduction diminue la consommation de ressources sans fil nécessaires à la transmission des mises à jour de modèles sur des canaux sans fil à bande passante limitée. Dans la deuxième partie, nous nous concentrons sur l'intégration des dispositifs à distance de l'IdO dans la périphérie intelligente en exploitant les véhicules aériens sans pilote en tant qu'orchestrateur d'apprentissage fédéré. Alors que des études antérieures ont largement exploré le potentiel des drones en tant que stations de base volantes ou relais dans les réseaux sans fil, leur utilisation pour faciliter l'apprentissage de modèles est encore un domaine de recherche relativement nouveau. Dans ce contexte, nous tirons parti de la mobilité des drones pour contourner les conditions de canal défavorables dans les zones rurales et établir des terrains d'apprentissage pour les dispositifs IoT distants. Cependant, les déploiements de drones posent des défis en termes de planification et de conception de trajectoires. À cette fin, une optimisation conjointe de la trajectoire du drone, de l'ordonnancement du dispositif et de la performance d'apprentissage est formulée et résolue à l'aide de techniques d'optimisation convexe et de la théorie des graphes. Dans la troisième partie de cette thèse, nous jetons un regard critique sur la surcharge de communication imposée par l'apprentissage fédéré sur les réseaux sans fil. Bien que les techniques de compression telles que la quantification et la sparsification des mises à jour de modèles soient largement utilisées, elles permettent souvent d'obtenir une efficacité de communication au prix d'une réduction de la performance du modèle. Pour surmonter cette limitation, nous utilisons des réseaux aléatoires sur-paramétrés pour approximer les réseaux cibles par l'élagage des paramètres plutôt que par l'optimisation directe. Il a été démontré que cette approche ne nécessite pas la transmission de plus d'un seul bit d'information par paramètre du modèle. Nous montrons que les méthodes SoTA ne parviennent pas à tirer parti de tous les avantages possibles en termes d'efficacité de la communication en utilisant cette approche. Nous proposons une fonction de perte régularisée qui prend en compte l'entropie des mises à jour transmises, ce qui se traduit par des améliorations notables de l'efficacité de la communication et de la mémoire lors de l'apprentissage fédéré sur des dispositifs périphériques, sans sacrifier la précision
In the realm of future 6G wireless networks, integrating the intelligent edge through the advent of AI signifies a momentous leap forward, promising revolutionary advancements in wireless communication. This integration fosters a harmonious synergy, capitalizing on the collective potential of these transformative technologies. Central to this integration is the role of federated learning, a decentralized learning paradigm that upholds data privacy while harnessing the collective intelligence of interconnected devices. By embracing federated learning, 6G networks can unlock a myriad of benefits for both wireless networks and edge devices. On one hand, wireless networks gain the ability to exploit data-driven solutions, surpassing the limitations of traditional model-driven approaches. Particularly, leveraging real-time data insights will empower 6G networks to adapt, optimize performance, and enhance network efficiency dynamically. On the other hand, edge devices benefit from personalized experiences and tailored solutions, catered to their specific requirements. Specifically, edge devices will experience improved performance and reduced latency through localized decision-making, real-time processing, and reduced reliance on centralized infrastructure. In the first part of the thesis, we tackle the predicament of statistical heterogeneity in federated learning stemming from divergent data distributions among devices datasets. Rather than training a conventional one-model-fits-all, which often performs poorly with non-IID data, we propose user-centric set of rules that produce personalized models tailored to each user objectives. To mitigate the prohibitive communication overhead associated with training distinct personalized model for each user, users are partitioned into clusters based on their objectives similarity. This enables collective training of cohort-specific personalized models. As a result, the total number of personalized models trained is reduced. This reduction lessens the consumption of wireless resources required to transmit model updates across bandwidth-limited wireless channels. In the second part, our focus shifts towards integrating IoT remote devices into the intelligent edge by leveraging unmanned aerial vehicles as a federated learning orchestrator. While previous studies have extensively explored the potential of UAVs as flying base stations or relays in wireless networks, their utilization in facilitating model training is still a relatively new area of research. In this context, we leverage the UAV mobility to bypass the unfavorable channel conditions in rural areas and establish learning grounds to remote IoT devices. However, UAV deployments poses challenges in terms of scheduling and trajectory design. To this end, a joint optimization of UAV trajectory, device scheduling, and the learning performance is formulated and solved using convex optimization techniques and graph theory. In the third and final part of this thesis, we take a critical look at thecommunication overhead imposed by federated learning on wireless networks. While compression techniques such as quantization and sparsification of model updates are widely used, they often achieve communication efficiency at the cost of reduced model performance. We employ over-parameterized random networks to approximate target networks through parameter pruning rather than direct optimization to overcome this limitation. This approach has been demonstrated to require transmitting no more than a single bit of information per model parameter. We show that SoTA methods fail to capitalize on the full attainable advantages in terms of communication efficiency using this approach. Accordingly, we propose a regularized loss function which considers the entropy of transmitted updates, resulting in notable improvements to communication and memory efficiency during federated training on edge devices without sacrificing accuracy

L'interopérabilité est une des caractéristiques requises pour les entreprises évoluant dans un marché globalisé à la concurrence croissante et complexe. Dans la dernière décennie, l'interopérabilité des entreprises a été développée et prescrite par différents types de cadres, de méthodes et de techniques. Cependant, le développement de l'interopérabilité n'est pas encore assez mature pour être considéré en tant que science à part entière. Par ailleurs, il ne cesse d'évoluer en fonction des besoins des entreprises,de leurs environnements et des différents secteurs d’activité. Aujourd'hui, l'environnement s’organise en réseaux multipleet provoque d’imprévisibles situations liées à leurs dynamiques (création, modification, résilience). Ainsi l’interopérabilité durable devient une dimension nouvelle de recherche pour l'interopérabilité des systèmes d'entreprise et de leurs domaines d'applications. Dans l'interopérabilité durable, l'interopérabilité d'entreprise dynamique est l'un des thèmes focaux. Cette approche dynamique, également appelée « fédérée », est originaire du cadre d'interopérabilité de l'Entreprise proposée dans le Réseau d’Excellence (NoE)INTEROP. Il vise à donner la capacité aux entreprises d’établir une interopérabilité à la volée sans connaissance préalable des informations à échanger. Cette thèse présente l'état actuel des travaux qui se rapprochent du développement de l'interopérabilité des entreprises « fédérés » en dynamique. Ces travaux de thèse mettent tout d’abord en évidence l’intérêt de la redécouverte de modèles à partir d’un système existant avant de concevoir un futur système. Une méthodologie de réverse engineering dirigée par les modèles et basée sur la norme de simulation distribuée HLA est proposée pour concevoir et développerpar l'approche fédérée d'interopérabilité le futur système d’information de l’entreprise. La phase de mise en œuvre réutilise les concepts d’interopérabilité issusde la simulation distribuée pour faciliter et coordonner la communication entre les systèmes d'information distribués hétérogènes des entreprises en combinant avec les dernières orientation service actuelle du web. La plate-forme tend ainsi à satisfaire les attentes de la dernière version du standard de l'architecture de haut niveau HLA 1516 Evolved. Ce cadre propose donc un cycle complet de développement pour qui a l'intention de réutiliser un système d'information existant sans recoder ex-nilo, mais en l’adaptant aux nouvelles exigences de la dynamique d'interopérabilité
Interoperability is one of the requisite features for existing enterprises in the increasing competitive and complex global market. In the last decade, enterprise interoperability has been developed and prescribed by various kinds of frameworks, methods, and techniques. However interoperability development is still not mature enough to become a science. Meanwhile, it keeps evolving according to different business requirement and market environment. Nowadays, networked environment causes unpredictable dynamical situations, thus sustainable interoperability becomes a new research dimension in the interoperability of enterprise systems and applications domain. In the sustainable interoperability, enterprise interoperability dynamics is one of the focal topics. This dynamic approach also called federated is originated from Enterprise Interoperability Framework of INTEROP NoE, which aims to establish interoperability on the fly. This thesis presents current state on federated approaches to develop enterprise interoperability dynamics. Based on this study, a reversible model driven and HLA based methodology is proposed for achieving federated approach for Enterprise Interoperability. It reuses distributed simulation interoperability concepts to facilitate and coordinate the communication between heterogeneous distributed information systems of the enterprises. The platform is complaint with the latest version of the High Level Architecture (HLA) that is a distributed communication standard. This framework is also proposing a development lifecycle that intends to reuse existing information systems without recoding them but by adapting them to the new requirements of interoperability dynamics

Cette thèse porte sur le développement d'une manœuvre d'aide au changement de voie (lane Change Assistance, LCA) sûre et efficace dans le contexte des réseaux de véhicules assistés par drones (Drone Assisted Vehicular Network, DAVN). En effet, les changements de voie contribuent de manière significative aux accidents de la route, nécessitant des solutions efficaces au sein des réseaux routiers. Les LCA stratégies actuelles établies sur l'apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) sont limitées par les informations locales sur les véhicules, négligeant une vue globale, comme des conditions de circulation. Pour résoudre ce problème, les véhicules aériens sans pilote (Unmanned Aerial Vehicles, UAVs), ou drones, présentent une extension prometteuse des services de réseau automobile grâce à leur mobilité, capacités informatiques et liaisons de communication en visibilité directe (Line-if-Sight, LoS) avec les véhicules routiers. Dans un premier temps, nous faisons une étude bibliographique sur LCA au sein du DAVN, mettant en évidence le potentiel des drones pour améliorer la sécurité routière. Les approches LCA existantes s'appuient principalement sur des informations locales sur les véhicules et ne prennent pas en compte l'état global du trafic. Afin de réduire cette limitation, nous proposons le GL-DEAR : joint global and local drone-assisted lane change platform based on Deep-Q Network (DQN) with a dynamic reward function, for LCA with drones' assistance. La plateforme proposée se compose de trois modules : route à risques aléatoires et véhicules d'urgence ; acquisition et traitement des données ; prise de décision de changement de voie en temps réel. La manœuvre de changement de voie est basée sur un Deep Q-Network avec des fonctions de récompense dynamiques. Plus précisément, nous adoptons les modèles de changement de voie authentiques basés sur l'ensemble de données NGSIM pour les véhicules routiers ordinaires afin de recréer les comportements de changement de voie du monde réel dans les simulations. Les résultats numériques démontrent la capacité de la plateforme à réaliser des trajets sans collision sur des autoroutes à risque avec des véhicules d'urgence. Dans un deuxième temps, nous identifions un manque de calibrage de la fréquence de mise à jour globale des algorithmes d'apprentissage fédéré (Federated Learning, FL) et l'absence d'évaluation approfondie du délai de traitement au niveau du drone. Nous proposons donc un cadre d'apprentissage par renforcement fédéré (FRL) assisté par drone, DAFL. Ce cadre permet un apprentissage coopératif entre les véhicules de l'ego en appliquant FL. Il comprend un algorithme d'agrégation de modèles global basé sur la réputation du client et une analyse complète du délai de bout en bout (End-to-End, E2E) au niveau du drone. Plus précisément, la fréquence globale de mise à jour est ajustée dynamiquement en fonction des mesures de sécurité routière et de la consommation énergétique des drones, ce qui donne des résultats efficaces dans les simulations. Dans la troisième étape, nous concevons l'algorithme DOP-T pour optimiser les trajectoires des drones dans les réseaux de véhicules dynamiques. Cet algorithme vise à équilibrer la consommation énergétique des drones et la sécurité routière. Nous fournissons un état de l'art complet des techniques existantes de planification de trajectoire de drones. Ensuite, sur la base de la modélisation du délai E2E du véhicule et de la modélisation de la consommation d'énergie du drone. Dans la seconde étape, nous formons un modèle d'apprentissage par renforcement hors ligne (Offline-Reinforcement Learning, ORL) pour éviter une formation en ligne consommatrice d'énergie. Les résultats de la simulation démontrent une réduction significative de la consommation d'énergie des drones et du délai E2E du véhicule à l'aide du modèle entraîné
This thesis focuses on the development of a safe and efficient LCA maneuver in the context of drone-assisted vehicle networks (DAVN). In fact, lane change maneuvers contribute significantly to road accidents, requiring effective solutions within road networks. Current lane change assistance (LCA) strategies relying solely on deep reinforcement learning (DRL) are limited by local vehicle information, neglecting a global view of traffic conditions. To address this problem, unmanned aerial vehicles (UAVs), or drones, present a promising extension of automotive network services due to their mobility, computing capabilities, and line-of-sight (LoS) communications links with road vehicles. In the first step, we conduct a literature review on LCA within DAVN, highlighting the potential of drones to enhance road safety. Existing LCA approaches predominantly rely on local vehicle information and fail to consider overall traffic states. To address this limitation, we propose the GL-DEAR: joint global and local drone-assisted lane change platform based on Deep-Q Network (DQN) with a dynamic reward function, for LCA with drones' assistance. The proposed platform consists of three modules: road with random risks and emergency vehicles; data file acquisition and processing; and real-time lane change decision-making. The lane change maneuver is based on a Deep Q-Network with dynamic reward functions. Specifically, we adopt the authentic NGSIM dataset-based lane change models for ordinary road vehicles to recreate real world lane change behaviors in the simulations. Numerical results demonstrate the platform's ability to achieve collision-free trips on risky highways with emergency vehicles. In the second step, we identify a lack of calibration for the global update frequency in FL algorithms and the absence of thorough drone-level processing delay assessment. To this end, we propose the drone assisted Federated Reinforcement Learning (FRL)-based LCA framework, DAFL. This framework enables cooperative learning between ego vehicles by applying Federated Learning (FL). It includes a client reputation-based global model aggregation algorithm and a comprehensive analysis of End-to-End (E2E) delay at the drone. Specifically, the global update frequency is dynamically adjusted according to road safety measurements and drone energy consumption, yielding efficient results in simulations. In the third step, we devise the DOP-T algorithm for optimizing drone trajectories in dynamic vehicular networks. This algorithm aims to balance drone energy consumption and road safety. We provide a comprehensive state-of-the-art review of the existing drone trajectory planning techniques. Then, based on the vehicle E2E delay modeling and the drone energy consumption modeling in the second step, we train a Offline Reinforcement Learning (ORL) model to avoid power-consuming online training. Simulation results demonstrate a significant reduction in drone energy consumption and vehicle E2E delay using the trained model

L'intelligence artificielle est largement considérée comme un élément clé des systèmes sans fil de sixième génération. Dans cette thèse, nous nous focalisons sur les problèmes fondamentaux résultant de l'interaction entre ces deux technologies dans le but d'ouvrir la voie à l'adoption d'une IA fiable dans les futurs réseaux sans fil. Nous développons des algorithmes distribués qui permettent l'apprentissage collaboratif à la périphérie des réseaux sans fil malgré les problèmes de communication, le manque de fiabilité des travailleurs et l'hétérogénéité des données. Nous examinons ensuite d'un œil critique l'application du paradigme d'apprentissage fréquentiste standard aux problèmes de communication sans fil et proposons une extension de l'apprentissage bayésien généralisé, qui permet de relever simultanément trois défis majeurs dans le domaine d'application : la rareté des données, la présence de valeurs aberrantes et la mauvaise spécification du modèle
Artificial intelligence is widely viewed as a key enabler of sixth generation wireless systems. In this thesis we target fundamental problems arising from the interaction between these two technologies with the end goal of paving the way towards the adoption of reliable AI in future wireless networks. We develop of distributed training algorithms that allow collaborative learning at edge of wireless networks despite communication bottlenecks, unreliability of its workers and data heterogeneity. We then take a critical look at the application of the standard frequentist learning paradigm to wireless communication problems and propose an extension of the generalized Bayesian learning, that concurrently counteracts three prominent challenges arising in application domain: data scarcity, the presence of outliers and model misspecification

Cet ouvrage collectif rassemble vingt-quatre contributions scientifiques sélectionnées parmi les présentations des onzièmes journées du réseau Lexicologie, Terminologie, Traduction. Ces journées intitulées « Lexique(s) et genre(s) textuel(s) : approches sur corpus » eurent lieu à Grenoble, France du 25 au 28 septembre 2018. Les études lexicales ont connu un profond renouveau depuis quelques années avec l'exploitation massive de corpus de données textuelles pour les études linguistiques. Ces approches ont à la fois renouvelé les méthodes de collecte des données, mais aussi les descriptions linguistiques, désormais davantage basées sur l'usage. L’accent de cette édition 2018 a été mis sur les méthodes de description des unités lexicales exploitant les corpus textuels. Le Réseau LTT: Présent et actif de longue date sur l’ensemble du continent africain, le réseau **Lexicologie, Terminologie, Traduction (LTT)** a été l’un des premiers réseaux de chercheurs de l’Agence universitaire de la Francophonie avant de devenir une association internationale qui poursuit les objectifs et les idéaux de ses fondateurs et continue à œuvrer en partenariat avec les acteurs de la Francophonie. Depuis plus de trente ans, le réseau LTT inscrit ses travaux au cœur de la problématique de la diversité linguistique et du plurilinguisme. Il fédère vingt-quatre centres de recherche implantés sur quatre continents (Amérique du Nord, Asie, Europe et Afrique) et rassemble plusieurs centaines de chercheurs issus d’un grand nombre de pays francophones, voire de territoires où le français est une langue seconde, sans statut officiel ni lien génétique ou historique avec les langues locales. Le site web du réseau LTT est accessible à cette adresse : https://reseau-ltt.net

Georges Dufaure de la Prade est un consul lettré, poète à ses heures, convaincu que le rayonnement culturel de son pays représente l’avenir de son métier. Il est titulaire du poste de Hong Kong entre 1926 et 1934 et y marque l’entre-deux-guerres par son dynamisme en matière de diplomatie culturelle. Loin des initiatives du Quai d’Orsay dont il s’inspire néanmoins –, loin des circuits organisés à l’étranger pour les artistes et les savants de son époque et, enfin, isolé entre l’Union indochinoise qui développe ses propres politiques culturelles et le Sud de la Chine relativement imperméable à toute forme de diplomatie après 1925, le diplomate français parvient malgré tout à mettre en place une véritable politique culturelle via l’ouverture d’une bibliothèque française, la diffusion de journaux et l’organisation de conférences. Il s’appuie notamment sur les œuvres des missionnaires catholiques français, pourtant réticents à promouvoir la langue française dans le cadre de leurs activités. Il se repose également sur un réseau immatériel, et parfois même désincarné, où les colons britanniques se révèlent les meilleurs avocats de la culture française. Pour Dufaure de la Prade, ces projets représentent bien entendu un outil de rayonnement pour la France, mais il s’agit aussi d’un ciment national pour rapprocher les éléments très différents qui constituent la communauté française (ou francophone) de la colonie. Isolé en territoire britannique, il parvient en quelques années à fédérer un réseau efficace et à susciter de riches initiatives, transformant le profil du poste consulaire.

Laurent Douesnel est chirurgien maxillo-facial au sein de l’Assistance Publique-Hôpitaux de Paris. Il se spécialise dans les technologies de conception et d’impression 3D aux côtés du Professeur Khonsari à l’hôpital universitaire Necker - Enfants malades. Précédemment au cours de son internat, il a rejoint l’équipe du Professeur Corre, à Nantes, qui engageait un processus de certification de la plateforme 3D interne, et a collaboré au projet. Sa thèse d’exercice de médecine soutenue en 2023 a présenté la synthèse de ce travail, et est à l'origine de la réalisation du présent ouvrage. Pour en savoir plus sur ce projet : Douesnel L. Fabrication additive en chirurgie orthognathique : principes, réglementation et étude de cas [thèse d'exercice]. Université Paris Cité ; 2023. https://dumas.ccsd.cnrs.fr/dumas-04583387 https://orcid.org/0009-0003-1922-9286 Roman Hossein Khonsari est chirurgien craniofacial à l’Hôpital Necker - Enfants malades et professeur à l’université Paris Cité. Il dirige le laboratoire Forme et Croissance du Crâne à l’Institut Imagine. Il est également directeur médical du Health Data Hub. Durant la pandémie, il a créé une ferme géante d’imprimantes 3D pour répondre en urgence aux besoins sanitaires en matériel médical. Cette ferme est aujourd’hui devenue PRIM3D, un service pérenne de fabrication additive et de médecine quantitative pour l’ensemble des hôpitaux de l’Assistance Publique - Hôpitaux de Paris. Ce service d’un nouveau genre interagit avec tous les soignants et coordonne des projets transversaux, de la maintenance à la pédagogie en passant par l’innovation chirurgicale. PRIM3D fédère également un réseau de plateformes 3D de CHU à l’échelle nationale. Pour en savoir plus sur le projet d’impression 3D pendant le Covid-19 : Khonsari RH (2023). Emergency medical 3D printing. L’Harmattan. https://orcid.org/0000-0002-0649-1432