Vous êtes ici : Réunions » Assemblée générale 2021

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Assemblée générale 2021

L'assemblée générale 2021 du GdR ISIS aura lieu au Village vacances VTF "Le Domaine de Françon" à Biarritz du 16 au 18 juin.

Inscriptions

Les inscriptions sont ouvertes du 7 mai au 1er juin (dans la limite des places disponibles), en suivant ce lien.

Renseignements pratiques

Accès au lieu de l'AG

Les informations d'accès au Village vacances sont disponibles sur le site :

Une navette sera mise en place à l'arrivée et au départ (réservation de la navette sur le formulaire d'inscription en lien ci-dessus).

Documents

Télécharger le rapport d'activités du GdR ISIS pour la période 2019-2021 (PDF).

Programme

Programme provisoire

Mercredi 16 Juin

Jeudi 17 Juin

Vendredi 18 Juin

Résumés des exposés

Adversarial examples and robustness certificates

Stéphane Canu, LITIS, INSA Rouen.

Recent progresses in machine learning in general and especially in deep learning make it possible to include this technology in more and more  applications ranging from self-driving cars to surveillance and security. However, before this possible future becomes reality, it is necessary to know how to prove the quality of the decisions made.

However, recent results have shown that this type of learned pattern is vulnerable to so-called adversarial attacks, implemented as subtle input disturbances. These disturbances are often too small to be noticeable, but they nevertheless manage to fool deep learning models.

We will begin this presentation, by defining the notion of adversarial example and present the main methods to generate such examples. We will then formalize the notion of adverse attack as a constrained optimization problem of mixed integer program type (MIP), which will allow us to define the notion of associated robustness. We will finally review proposed defenses mechanisms, commonly accepted best practices and   methods  for evaluating defenses to adversarial examples. Finally,  we will offer a broader perspective on adversarial training.

Dessiner les sons : Fourier, Kœnig et Scott

Patrick Flandrin, CNRS, ENS Lyon, Académie des sciences.

Dans son traité fondateur de 1811, Joseph Fourier s'est attaché à construire une théorie analytique de la chaleur, mais il est apparu ensuite que les méthodes qu'il avait développées à cette fin avaient bien d'autres applications potentielles, comme celle de l'analyse des sons. En parallèle et sans référence à l’œuvre de Fourier, le milieu du XIXe siècle verra le développement de toute une activité dédiée à la recherche de représentations graphiques des sons. Un concepteur d'appareils, Rudolph Kœnig, a particulièrement contribué à ces études. Il a d’une part construit, sans le nommer comme tel, un véritable analyseur de Fourier à base de résonateurs, de flammes manométriques et de miroirs. Il a d'autre part collaboré avec l’inventeur Édouard-Léon Scott de Martinville sur un projet de « phonautographe » qui, en 1857, a permis le premier enregistrement d'une voix humaine sous forme de tracé sur une feuille de papier. L'objectif de Scott était la transcription et non la restitution, mais certains de ses graphes sonores ont été récemment scannés et numérisés, nous permettant ainsi de l'entendre chanter. Entre théorie et réalisations technologiques, on racontera les chemins croisés de ces avancées pionnières dans ce qui deviendra plus tard le traitement des signaux sonores.

Impacts du changement climatique sur la biosphère

Isabelle Chuine, CNRS, CEFE, Académie des sciences.

Le changement climatique est devenu la troisième cause de perte de biodiversité et il pourrait en devenir la première d’ici le siècle prochain. Le changement climatique a modifié les rythmes biologiques et les aires de répartition des espèces, le fonctionnement des écosystèmes, les chaînes trophiques, les cycles biogéochimiques, et les services écosystémiques. Les projections que nous sommes capables de fournir de l’évolution future de la biosphère montrent une amplification des phénomènes observés depuis cinquante ans. Les moyens d’adaptation du vivant sont très limités étant donné la vitesse à laquelle se produit le changement climatique. Dans ce contexte, les solutions fondées sur la nature ont un grand rôle à jouer.

Pseudo-marginal sequential Monte Carlo smoothing

Sylvain Le Corff, Telecom SudParis, Institut Polytechnique de Paris.

In this presentation, we consider the problem of computation of expectations of state functionals under general path probability measures proportional to products of unnormalised transition densities. These transition densities are assumed to be intractable but possible to estimate, with or without bias. Using pseudo-marginalisation techniques we show how are able to extend the standard particle-based methods such as the, rapid incremental smoother (PaRIS) algorithm to this setting. The resulting algorithm, which has a linear complexity in the number of simulations and constant memory requirements, applies to a wide range of challenging path-space Monte Carlo problems, including smoothing in partially observed diffusion processes and models with intractable likelihood. We will discuss several theoretical results, including a central limit theorem, establishing its convergence and numerical stability. Moreover, under strong mixing assumptions we establish a novel O(n\epsilon) bound on the asymptotic bias of the algorithm, where n is the path length and \epsilon controls the bias of the density estimators.

We will also detail how a pseudo-marginal backward importance sampling step allows to reduce very significantly the computational time of the existing numerical solutions. In the context of multivariate stochastic differential equations, the proposed algorithm makes use of unbiased estimates of the unknown transition densities under much weaker assumptions than standard alternatives. The performance of this estimator is assessed in particular in the case of a partially observed stochastic Lotka-Volterra model. The algorithm will be evaluated in the case of high-dimensional discrete-time latent data models, stochastic reccurent neural networks and for recursive maximum likelihood estimation.

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2022.