Cette thèse donne un aperçu de la fonction plénoptique et de la manière dont elle est liée aux contenus volumétriques, par le biais de représentations de scènes plénoptiques. Elle passe en revue les méthodes existantes qui introduisent cette capacité de manière explicite et implicite, sous la forme d’un nuage de points plénoptique (PPC) et de champs de radiance (RF), respectivement. Ces méthodes sont présentées du point de vue des défis qu’elles posent en termes de praticité pour les applications de diffusion en continu de contenu interactif, à savoir la taille et la vitesse. Dans un premier temps, nous avons intégré la capacité plénoptique pour le codeur MPEG basé sur la géométrie (G-PCC) en compressant les PPC à l’aide d’une combinaison des transformées linéaires sur le vecteur de couleur des différents points de vue de la caméra combinées aux codeurs d’attributs prédictifs du G-PCC. Nous abordons ensuite les inconvénients liés à la taille des implémentations de rendu en temps réel des méthodes basées sur le NeRF, en introduisant un pipeline de compression dans le modèle PlenOctrees. Ensuite, nous introduisons une méthode pour générer systématiquement des PPC et les comparer directement aux solutions RF avec des mesures conventionnelles basées sur le rendu. Enfin, nous tirons parti de la géométrie sous-jacente des modèles RF pour orienter leur élagage en vue d’une compression plus efficace.

L’organisation du réseau de microtubules est essentielle pour de nombreuses fonctions cellulaires, telles que le transport intracellulaire et la polarisation de la cellule. La Kinésine-1 (Khc) est un moteur moléculaire qui joue un rôle clé dans ces processus, et des mutations de Khc sont associées à plusieurs pathologies humaines. Récemment, Ensconsine/MAP7, a été identifiée comme un activateur de Khc. Au cours de cette étude, j’ai exploré les fonctions du complexe Khc/Ensconsine dans le remodelage des réseaux de microtubules. En combinant des analyses génétiques et microscopiques pour étudier l’organisation des microtubules dans l’ovocyte de Drosophila melanogaster, j’ai disséqué deux mécanismes clés : l’enrichissement spatial d’Ensconsine et la levée de l’auto-inhibition de la Khc. L’ensemble des données montre qu’Ensconsine, est transportée sur les microtubules, des cellules nourricières vers l’ovocyte par la Dynéine et maintenue au cortex de l'ovocyte par la Nineine. Cet enrichissement local d’Ensconsine permet de lever l’auto-inhibition de la Khc dans l'ovocyte. Le complexe Khc/Ensconsine régule ensuite le recrutement des complexes d’ancrage des microtubules, les ncMTOCs, au cortex de l’ovocyte. Enfin, nos données montrent que cet ancrage des microtubules est un prérequis pour la mise en place d’un réseau de microtubules fonctionnel. Cette étude illustre comment le transport et le maintien d’activateurs clés, comme Ensconsine, peuvent induire efficacement l’activation spatiale de la Khc, pour remodeler le cytosquelette de microtubules.

Cette thèse aborde les enjeux et solutions liés à la réutilisation des données de santé, en mettant l'accent sur la protection de la vie privée des patients tout en permettant l'exploitation des données des dossiers médicaux électroniques (DME) pour la recherche clinique et l'amélioration des services de santé. Dans un premier temps, nous explorons le contexte général de la réutilisation des données clinique, en soulignant leur potentiel pour la recherche, tout en identifiant les principaux défis : la protection de la confidentialité, les contraintes réglementaires et les obstacles techniques. Ensuite, nous proposons une approche innovante pour désidentifier automatiquement les DME en français, en conformité avec le RGPD et les directives de la CNIL. En exploitant des techniques avancées d'apprentissage profond et des méthodes de supervision distante, nous avons démontré une solution économiquement viable pour rendre ces données réutilisables en toute sécurité. Les modèles développés, basés sur des représentations linguistiques avancées, montrent des performances prometteuses pour la reconnaissance des entités sensibles dans le texte médical. Dans une autre phase de nos travaux, nous avons étudié l'application de l'apprentissage fédéré (FL) pour l'extraction sécurisée d'informations personnelles à partir des DME. FL permet d’entrainer des modèles collaboratifs entre plusieurs institutions sans centraliser les données sensibles, préservant ainsi la confidentialité des patients. Nos résultats montrent que les modèles fédérés atteignent des performances proches des modèles centralisés tout en maintenant une protection des données. Par exemple, en utilisant le modèle BERT multilingue dans un environnement fédéré simulant 20 hôpitaux, notre modèle fédéré a obtenu un score F1 de 75,7 %, proche des 78,5 % de l'approche centralisée, mettant en évidence le potentiel de FL pour l'analyse de données de santé tout en réduisant les risques liés à la confidentialité. Enfin, nous avons exploré les vulnérabilités de l'apprentissage fédéré, notamment les attaques exploitant les gradients partagés pour extraire des informations sensibles. Nous avons simulé l'attaque "Decepticons", révélant que des données personnelles telles que les identifiants des patients et des observations médicales peuvent être récupérées avec des taux alarmants allant jusqu'à 90 %. En réponse, nous discutons de contre-mesures telles que la confidentialité différentielle et l'agrégation sécurisée, tout en insistant sur la nécessité d'améliorer ces défenses face à des menaces de plus en plus sophistiquées. Ces travaux ouvrent la voie à des avancées futures pour renforcer la sécurité des systèmes d'apprentissage fédéré, en développant des mécanismes adaptatifs et spécifiquement adaptés aux données médicales.

L’entraînement des réseaux neuronaux profonds (DNN) est très gourmand en ressources de calcul, d’où l’intérêt pour l’arithmétique de basse précision afin d’améliorer l’efficacité. Cette thèse explore de nouvelles approches pour permettre un entraînement efficace en basse précision pour les accélérateurs d’apprentissage profond. Tout d’abord, nous présentons MPTorch-FPGA, une extension de l’environnement MPTorch conçue pour faciliter l’entraînement de DNN à faible précision pour des environnements CPU, GPU et FPGA. MPTorch-FPGA peut générer un accélérateur spécifique au modèle pour l’entraînement DNN, avec des tailles et des implémentations arithmétiques personnalisables, offrant une précision au niveau du bit par rapport à l’entraînement DNN émulé sur les GPU ou les CPU. Un algorithme de correspondance hors ligne sélectionne l’une des configurations FPGA pré-générées (statiques) en utilisant un modèle de performance pour estimer la latence. Deuxièmement, nous proposons une unité de multiplication-accumulation (MAC) optimisée, basée sur des arrondis stochastiques et adaptée à l’apprentissage en basse précision. Notre conception utilise un multiplicateur FP8 avec une accumulation FP12 et s’appuie sur une nouvelle implémentation de l’arrondi stochastique dans les additionneurs à virgule flottante, réduisant de manière significative la surface, la consommation d’énergie et le délai par rapport aux implémentations conventionnelles. Ensemble, ces contributions soulignent le potentiel de l’arithmétique personnalisée et de l’entraînement en précision mixte pour améliorer les performances des accélérateurs d’apprentissage profond tout en préservant la précision du modèle.

L’histoire de vie des parents peut moduler les phénotypes de la descendance via des mécanismes n’impliquant pas de modification de la séquence d’ADN des gamètes. Ce travail étudie le rôle du gène auts2a dans cet héritage non-génétique et dans la régulation du neurodéveloppement et du comportement de la descendance. AUTS2 est associé à diverses neuropathologies chez l’humain. Ses caractéristiques et son expression, notamment ovocytaire, sont conservées entre les mammifères et les téléostéens. Chez le médaka, l’expression maternelle d’auts2a régule le neurodéveloppement et le comportement de la descendance. Plus précisément, elle régule les comportements traduisant l’anxiété et les capacités d’apprentissage. A génotype égal, le transcriptome des cellules neurales à un stade précoce du neurodéveloppement est modulé par l’expression parentale d’auts2a. Dans l’ovocyte, l’expression d’auts2a régule l’abondance d’ARNs maternels responsables du développement précoce de l’embryon avant que celui-ci exprime ses propres gènes. Ce travail est l’un des rare à associer des modifications non-génétiques de l’ovocyte (ici, des différences d’abondance d’ARNs maternels) médiées par l’expression maternelle d’un unique gène, avec des variations phénotypiques long-terme chez la descendance. Plus généralement, il questionne le rôle de l’expression ovocytaire d’autres gènes de neurodéveloppement dans le contrôle du comportement de la descendance et la conservation des mécanismes associés.

Le slicing des réseaux 5G complique leur surveillance, rendant les approches traditionnelles inefficaces face à l'augmentation du trafic et aux exigences de latence. Cette thèse explore la tomographie réseau à travers deux contributions : la sélection des chemins de mesure via un algorithme génétique et une approche par Réseaux de Convolution de Graphes Relationnels (RGCN) pour généraliser le placement des moniteurs. En combinant tomographie et apprentissage automatique, ces solutions offrent une surveillance plus efficace et adaptable des réseaux 5G et futurs.

Cette thèse explore de nouvelles méthodologies visant à améliorer les performances et l'applicabilité des systèmes de surveillance non intrusive de la consommation électrique (NILM), en répondant aux principaux défis liés à la précision de la désagrégation énergétique et à leur adaptabilité. Un cadre sensible au contexte a été développé en intégrant des données de capteurs environnementaux—telles que la température, l'humidité et l'occupation—dans les processus NILM, améliorant significativement l'identification des appareils ayant des signatures de puissance chevauchantes ou influencées par des conditions environnementales. Une contribution majeure de cette recherche est la création d'un ensemble de données à haute résolution, combinant des mesures de consommation énergétique et des données environnementales, collecté à partir de la plateforme SmartSense. Cet ensemble de données a été intégré dans l'outil NILMTK, offrant une ressource accessible et précieuse pour la communauté de recherche NILM. D'autre part, cette thèse introduit la Spiral Layer, une architecture de réseau neuronal novatrice inspirée par les opérations de rotation, conçue pour une extraction efficace des caractéristiques et une réduction dimensionnelle. Cette architecture a été étendue pour implémenter une Transformée de Karhunen-Loève (KLT) entraînable, offrant une approche basée sur les réseaux neuronaux pour les projections orthogonales et la maximisation de la variance des signaux. La Spiral Layer a démontré des performances similaires sur des tâches de référence, validant son potentiel pour des applications diversifiées.

Les Ressources Éducatives Libres (RELs) sont des matériaux d'enseignement, d'apprentissage et de recherche destinés au public, permettant leur utilisation libre. Elles peuvent être utilisées par les enseignants pour créer de nouveaux cours. Les enseignants peuvent combiner différentes RELs pour atteindre un objectif d'apprentissage spécifique. Le projet CLARA a été lancé pour permettre aux enseignants de créer des cours sous licence basées sur des RELs existantes. Dans cette thèse, financée par le projet CLARA, notre objectif est d'enrichir le corpus éducatif CLARA de RELs contenant des relations utiles entre elles, facilitant ainsi la navigation pour les enseignants. Pour ce faire, plusieurs contributions ont été apportées dans cette thèse. Premièrement, la création d'un outil de construction de dataset qui permet aux utilisateurs de créer leurs propres datasets éducatifs personnalisés à partir de transcriptions de vidéos YouTube. Deuxièmement, le développement d'une représentation vectorielle (embedding) qui prend en compte les spécificités des RELs, à savoir la centralité du contenu et la présence de caractéristiques sémantiques. Troisièmement, la proposition d'une méthode de requête qui récupère les RELs pertinentes pour une liste de mots-clés en se basant sur représentations RELs. Quatrièmement, la conception d'un modèle qui identifie les relations de précédence possibles entre des paires de REL en utilisant un Graphe de Connaissance (Knowledge Graph) et en exploitant un Réseau de Neurones sur Graphes (GNN). Les contributions faites fonctionnent en harmonie afin d'enrichir le corpus CLARA avec des ressources éducatives, de les récupérer et d'identifier les relations possibles entre elles, facilitant ainsi la navigation pour les utilisateurs.

Les Maladies CardioVasculaires (MCVs) constituent la principale cause de mortalité dans le monde. L'Insuffisance Cardiaque (IC) est une MCV dont la prévalence ne cesse d'augmenter. Le suivi à distance et quotidien des principaux biomarqueurs cardiaques apparaît comme une solution adéquate pour les personnes à risque et pour les patients atteints de MCVs chroniques, comme l’IC. Contrairement aux systèmes non invasifs existants, limités pour une surveillance continue à long terme, les dispositifs implantables offrent des solutions prometteuses. Notre équipe de recherche a contribué au développement d’un Dispositif Implantable (DI) au niveau du fundus gastrique capable d’enregistrer les activités électriques et mécaniques du cœur. Cependant, les artefacts et bruits liés au site gastrique réduisent l’efficacité des analyses. L'objective de cette thèse est de débruiter des signaux acquis par ce DI, plus particulièrement les signaux d’ACCélérométrie cardiaque (ACC), pour améliorer la détection des événements S1 et S2, essentiels au diagnostic des maladies cardiaques. Deux approches ont été développées : une basée sur les réseaux de neurones profonds et une autre sur des graphes. Ces méthodes ont été évaluées sur une base de données réelle issue d’une étude préclinique. Comparées aux approches standard de débruitage, les méthodes proposées ont amélioré le rapport signal-bruit de 15%-20% pour l’approche basée réseaux de neurones et 23%-42% pour les approches basées graphe.

Le cancer est l'une des principales causes de mortalité dans le monde, nécessitant des innovations thérapeutiques constantes comme les conjugués anticorps-médicaments (ADC). Ces molécules utilisent un anticorps monoclonal pour cibler les cellules cancéreuses et y libérer un agent cytotoxique. La pharmacocinétique de population, à l’aide de modèles mathématiques, étudie leur absorption, distribution et élimination, dans le but d’optimiser l’efficacité et la tolérance. Une étape clé dans cette démarche est la sélection des covariables qui permettent d’expliquer la variabilité inter-individuelle observée. La recherche de covariables peut devenir un processus complexe et chronophage, dans le cas de modèle pharmacocinétiques complexes. Cette thèse s’intéresse à l’intégration de méthodes automatiques, telles que COSSAC et SAMBA, ainsi que certains algorithmes issus du Machine Learning, afin de comparer leur performance aux méthodes traditionnelles pour la sélection des covariables en pharmacocinétique de population. En s’appuyant sur des données cliniques d’ADC, cette étude analyse l’efficacité, la rapidité et les défis de ces approches, mettant en lumière leur rôle potentiel dans l’évolution de la modélisation pharmacocinétique et la personnalisation des traitements.