Pour son 6ème appel, les projets suivants sont financés :

• CyberSecGraph : Modélisation de fichiers de traces en graphes de données pour la détection d’attaques dans les applications IoT

Laboratoires impliqués : ERIC, LIRIS

L’utilisation de base de données graphes pour représenter et analyser la sécurité des réseaux en générale et des réseaux IoT en particulier a gagné une attention croissante dans la recherche au cours des dernières années. L’utilisation de bases de données orientées graphes est une solution prometteuse qui permet d’avoir des outils qui font les liens entre les différents évènements sur des fichiers de traces. L’objectif principal de ce projet est de modéliser les fichiers de traces sous forme d’une base de données graphes pour procéder à l’analyse de ces données afin de détecter des attaques cyber.

• ERoCK : Embedded Reasoning on compact Knowledge graphs

Laboratoires impliqués : Laboratoire Hubert Curien, LIRIS, LIMOS

Les enjeux majeurs de l’utilisation des technologies du Web sémantique dans un environnement embarqué sont principalement dus à la verbosité des syntaxes concrètes de graphes de connaissances (e.g. Turtle ou JSON-LD) et à la complexité du traitement sémantique de ces graphes, notamment du raisonnement différentiel sur des flux de données.
Dans ce projet ERoCK, nous souhaitons exploiter les formats compacts de connaissances formelles pour concevoir un moteur d’inférence différentiel capable de raisonner de manière efficace en termes de mémoire, de calcul, d’utilisation de la bande passante et de l’énergie. Nous allons concevoir et réaliser i) un raisonneur différentiel qui traite directement des faits arrivant en flux ii) un parseur/serialiseur différentiel qui transforme efficacement les faits RDF dans une représentation compacte. 

• FakeNets: morphological analysis for fake generation and similarity metrics for fake detection by neural networks

Laboratoires impliqués : Laboratoire Hubert Curien et LIRIS

La motivation de ce projet est d’explorer les potentialités offertes par l’apprentissage profond dans le contexte des codes graphiques sensibles à la copie (de type Copy Detection Codes) en impression sécurisée, du point de vue de l’attaquant dans un premier temps, du point de vue du vérifieur dans un second temps. La première tâche correspond à une segmentation qui va être abordée sous l’angle des réseaux de neurones morphologiques en vue de produire une attaque originale. La seconde vise à accroître la performance de détection des codes contrefaits, par apprentissage de métriques de similarité.

• IDRA : Intérêt des Déploiements partiels des Réseaux d’Accès sans fil pour un compromis performance/empreinte environnementale

Laboratoires impliqués : LIRIS, LIP

Les déploiements successifs des réseaux sans fil (4G/5G/6G) engendrent une empreinte carbone croissante. Parallèlement, il n’est pas possible de s’abstraire de la demande croissante de débits par les utilisateurs et les applications. Un compromis possible est le déploiement partiel des nouvelles générations de réseaux plutôt que des déploiements systématiques qui couvrent la totalité d’une zone ou d’un territoire.

Le but de ce projet est de proposer des solutions algorithmiques donnant des règles de déploiements partiels d’une nouvelle technologie de réseau sans fil en complément des générations existantes. Ces déploiements devront permettre d’atteindre un débit ou une couverture cible tout en minimisant l’empreinte carbone (hardware, consommation).

• LONG_TERM_RL_SOCIAL_NAV : Apprentissage pour la navigation robotique parmi les humains : vers des chemins s’adaptant aux dynamiques de l’environnement

Laboratoires impliqués : CITI et LIRIS

La navigation des robots en milieu peuplé d’humains est un des enjeux majeurs pour l’acceptabilité des robots autonomes. La navigation sociale est un secteur de recherche actif, mêlant la modélisation des comportements humain, la vision et la navigation robotique. Les travaux précédents s’intéressent à une navigation sociale locale ou à revisiter des algorithmes de planification afin de prendre en compte l’identification des flux dans l’environnement. Cependant, des simplifications ont été réalisées, telles que les hypothèses sur les vitesses et sur le déplacement à court terme des personnes. Dans ce projet nous proposons d’explorer l’apprentissage par renforcement pour permettre à un ou plusieurs robots d’apprendre des stratégies de navigation globales dans un environnement complexe peuplé d’individus en mouvement.

• MERLE: Multimodal Effective Representation Learning of Evolution of birds

Laboratoires impliqués : LIRIS, LGL-TPE (Laboratoire de Géologie de Lyon – Terre, planètes et environnement)

Le but de ce projet est de modéliser l’apparence globale mais précise d’espèces d’oiseaux en utilisant les propriétés d’algorithmes d’apprentissage profond de reconnaissance automatique visuelle. La question principale de recherche est celle de la conception d’un modèle qui apprend une représentation continue qui peut avoir un sens pour les experts du domaine (biologique, paléontologique etc.) intégrant à la fois l’aspect temporel (évolution) et proximité génétique (ancêtres communs etc.). Nous étudierons également la reconstitution de l’apparence d’ancêtres communs exclusifs à des ensembles données d’espèces actuelles, en utilisant les arbres phylogénétiques moléculaires disponibles pour tous les clades à tous les degrés de précision nécessaires.

• PB-DA : Random Fourrier Features for PAC-Bayesian Domain Adaptation

Laboratoires impliqués : ERIC, LabHC

Avoir une bonne représentation des données constitue la clef de voûte pour la performance des modèles de Machine Learning. Des travaux récents ont montré que les Random Fourrier Features sont un outil efficace à cette fin.

Nous souhaitons maintenant combiner cette approche avec la théorie PAC-Bayésienne pour s’attaquer au problème d’Adaptation de Domaine qui permet de prendre en compte le décalage entre l’ensemble d’apprentissage et de test qui apparaît naturellement dans bon nombre de tâches réelles.

• SR-MRI : Amélioration de résolution spatiale de volumes IRM par super-résolution

Laboratoires impliqués : CREATIS, LIP

Le contexte global de ce projet est le développement de méthodes de traitement d’images dites de super-résolution, visant à améliorer la résolution spatiale d’images IRM. Plus particulièrement, l’objectif de cette soumission est double. Dans un premier temps, ce projet a un objectif recherche, et vise à implémenter des méthodes innovantes de super-résolution issues de la collaboration proposée dans ce projet. Dans un second temps, une réalisation logicielle commune est attendue afin de mettre à la disposition des communautés méthodologique et applicatives les algorithmes développés.

• CREAT-ODONTO : Création d’un modèle patient-spécifique en odontologie

Laboratoires impliqués : CREATIS, LaMCoS (Laboratoire de Mécanique des Contacts et des Structures)

Les progrès récents de l’informatique et de l’imagerie médicale permettent aujourd’hui d’envisager de nouveaux modèles numériques et personnalisés du patient, au service de la médecine. En odontologie, cette numérisation du patient se fait quotidiennement grâce à la tomographie volumique et l’empreinte optique intra ou extra oral. Chacun de ses outils décrivent une caractéristique anatomique du patient mais l’obtention d’un fichier numérique unique du patient manque encore pour conduire une planification virtuelle de traitement. Le projet vise à développer un algorithme permettant le recalage automatique de fichiers issus de ces trois outils et un calcul de l’erreur commise.