Les projets 2020-2022

Pour son quatrième appel, sept projets inter-laboratoires ont été financés :

  • Quantum Algorithms for Multi Users Transmissions (CITI/LIP/ICJ) : L’objectif de ce projet est d’utiliser la puissance de calcul disponible dans les systèmes quantiques (grâce au principe de superposition) afin de répondre au besoin toujours grandissant dans les stations de base des systèmes de transmissions. En particulier, dans les réseaux IoT, l’identification optimale du nœud émetteur, à partir de sa signature, parmi les n nœuds potentiels serait inconcevable (complexité linéaire en n lorsque l’on sait qu’un seul utilisateur est actif, voire en n à la puissance m pour des détections avec m utilisateurs actifs). Les algorithmes de recherche quantique ayant une complexité en O(√n), permettraient de réduire considérablement la complexité et donc de repousser les limites du système.
  • Statistical Hypothesis Testing with Persistent Homology (CITI/CRAL) : The problem of classification arises in statistics, machine learning and signal processing, as well as a wide range of applications including communications. For example, it may be desirable to reliably identify when an anomaly is present (such as an
    attack on a computer network), a control system is approaching a catastrophic state, or which message has been transmitted over a communication network. In the context of random signals, classification is formalized within the framework of hypothesis testing. In hypothesis testing, the challenge is to develop algorithms (known as decision rules) in order to control the probability the decision incorrectly identifies the underlying probability distribution of the signal. The goal of this project is to exploit topological features of such random signals for hypothesis testing, using recent developments in persistent homology. In particular, we will focus on developing new tests based on topological features, analysing their power, and applying the results to large-scale data sets arising from the cosmic microwave background (CMB). The project will be carried out in a new collaboration between the CITI laboratory and CRAL.
  • FaaSBench: Framework extensible de benchmarking d’un système Function-as-a-Service (LIP/LIRIS) : En poursuivant le découpage d’une application en éléments atomiques, celle-ci est désormais conceptualisée comme un ensemble de fonctions sans état (jusqu’ici, le découpage s’effectuait à la granularité des micro-services). Cette tendance a récemment donné naissance au modèle de cloud nommé Function-as-a-Service (FaaS). Dans ce dernier, l’utilisateur n’est plus responsable de la gestion de la scalabilité de son application, tâche fastidieuse, comme c’est le cas dans le cloud traditionnel de type IaaS. Dans le FaaS, le fournisseur instancie une fonction uniquement lorsqu’elle est sollicitée. Ceci permet également de minimiser la présence des ressources sous-utilisées dans le cloud. L’utilisateur n’est facturé que pour la quantité de ressources utilisées durant l’exécution de sa fonction, durée généralement de l’ordre de la milliseconde (également limitée à quelques minutes).
    Cependant, des travaux de recherche récents ont montré que tous les profiles de charge d’application ne sied pas au FaaS. En effet, une application qui est intensément sollicitée pendant une période suffisamment longue reviendrait plus coûteuse à héberger dans un FaaS que dans le modèle IaaS traditionnel. Dans le projet FaaSBench, nous souhaitons construire un système de benchmarking d’application dans le FaaS afin de permettre l’analyse des coûts, et également de performance des applications.
  • Apprentissage automatique, représentation des grands graphes et applications au traitement d’images. (LIRIS/CREATIS) : Les graphes s’imposent de plus en plus comme des outils incontournables de représentation ou d’analyse de données dans différents domaines et applications : imagerie, biologie, réseaux sociaux, etc. Il est devenu donc crucial de développer des algorithmes automatisés pour extraire des informations utiles et profondes à partir des graphes. Un réseau de neurones peut extraire les caractéristiques du système des données d’entraînement historiques à l’aide de l’algorithme d’apprentissage, nécessitant peu ou pas de connaissances préalables sur le processus. L’utilisation de rétroactions est un moyen important d’intégrer implicitement la dynamique dans le fonctionnement d’un réseau de neurones. Il existe deux méthodes de base pour l’intégration de rétroactions à un réseau de neurones : la rétroaction locale au niveau d’un seul neurone au sein du réseau et la rétroaction globale englobant l’ensemble du réseau. Les réseaux de neurones avec un ou plusieurs retours sont appelés réseaux récurrents. Les objectifs de ce projet sont : (i) Explorer des méthodes non encore utilisées, notamment les réseaux de neurones localement récurrents, pour l’apprentissage et la classification des grands graphes non statiques. (ii) Explorer de nouvelles approches de représentation de graphes pour l’apprentissage qui soient utilisables dans le domaine de l’imagerie médicale. Pour cet aspect, la théorie des graphes peut mettre en évidence plusieurs paramètres de graphes pouvant être utiles pour une meilleure présentation de ceux-ci dans le cadre de l’apprentissage. Une approche très récente utilise le « graph embedding » pour une meilleure classification des données images. (iii) Voir à quel point l’information portée par le graphe est préservée dans les représentations à base de projection/embedding.