BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//LORIA - ECPv6.17.4.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:LORIA
X-ORIGINAL-URL:https://www.loria.fr
X-WR-CALDESC:Évènements pour LORIA
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20220327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20221030T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20230516T160000
DTEND;TZID=Europe/Paris:20230516T180000
DTSTAMP:20230517T083249Z
CREATED:20230516T080029Z
LAST-MODIFIED:20230517T083249Z
UID:19874-1684252800-1684260000@www.loria.fr
SUMMARY:Soutenance de thèse d'Alexandre Clément (Mocqua)
DESCRIPTION:Alexandre Clément (Mocqua) soutiendra sa thèse intitulée « Langages graphiques pour le contrôle quantique et l’optique linéaire »\, le mardi 16 mai à 16h en salle A008.\nRésumé :\nDans le modèle usuel de calcul quantique\, des opérations sur des données quantiques sont contrôlées de manière essentiellement classique. Un contrôle lui aussi quantique est cependant possible\, mais a été peu étudié en comparaison. En particulier\, il manque au contrôle quantique un formalisme permettant de l’exprimer de manière simple afin de raisonner efficacement sur des processus l’impliquant.\nLa première contribution de cette thèse est de poser les fondations d’un cadre formel dédié au contrôle quantique\, sous la forme d’un langage graphique. Notre principal résultat concernant ce langage est l’introduction d’une théorie équationnelle complète\, c’est à dire d’un ensemble d’équations permettant de transformer un diagramme\, par réécriture locale successive\, en n’importe quel autre diagramme représentant le même programme ou processus physique. \nUne deuxième contribution est l’application de ce formalisme d’une part au problème de l’optimisation des ressources dans les processus impliquant un contrôle quantique\, et d’autre part à la caractérisation de l’équivalence observationnelle des canaux de communication quantiques.\nLa troisième contribution de cette thèse est l’introduction d’un langage pour les circuits optiques linéaires. Nous l’équipons d’une théorie équationnelle complète\, ainsi que d’une forme normale simple\, accessible par un système de réécriture fortement normalisant et confluent.\nLa dernière contribution de cette thèse\, peut-être la plus importante\, est l’introduction d’une théorie équationnelle complète pour le langage des circuits quantiques. Nous nous appuyons pour cela sur une correspondance entre les circuits quantiques et les circuits optiques\, qui nous permet de transférer la théorie équationnelle déjà obtenue pour les circuits optiques. \nJury\n\n\n\nDirecteurs de thèse :\n\n\n\nSimon Perdrix (Inria\, LORIA)\nEmmanuel Jeandel (LORIA\, Université de Lorraine)\n\nRapporteurs :\n\nGiulio Chiribella (The University of Hong Kong\, University of Oxford)\nChris Heunen (University of Edinburgh)\n\nExaminateurs :\n\nCaroline Collange (Inria\, IRISA)\nEleni Diamanti (CNRS\, LIP6\, PCQT)\nMichele Pagani (Président du jury – IRIF\, Université Paris Cité)
URL:https://www.loria.fr/event/soutenance-de-these-dalexandre-clement-mocqua/
LOCATION:Loria
CATEGORIES:Soutenance
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20230530T140000
DTEND;TZID=Europe/Paris:20230530T160000
DTSTAMP:20230601T081448Z
CREATED:20230525T143922Z
LAST-MODIFIED:20230601T081448Z
UID:20056-1685455200-1685462400@www.loria.fr
SUMMARY:PhD defense: Sandipana Dowerah (Multispeech)
DESCRIPTION:Sandipana Dowerah (Multispeech) will defend her thesis\, entitled « Deep Learning-based ​Multichannel Speech Enhancement for far-field Speaker Verification« \, on Tuesday May 30th at 2pm in room C005. \nAbstract:\n\n\nSmart applications like speaker verification have become essential in verifying the user’s identity for availing of personal assistants or online banking services based on the user’s voice characteristics. However\, far-field or distant speaker verification is constantly affected by surrounding noises which can severely distort the speech signal. Moreover\, speech signals propagating in long-range get reflected by various objects in the surrounding area\, which creates reverberation and further degrades the signal quality. This PhD thesis explores deep learning-based multichannel speech enhancement techniques to improve the performance of speaker verification systems in real conditions. Multichannel speech enhancement aims to enhance distorted speech using multiple microphones. It has become crucial to many smart devices\, which are flexible and convenient for speech applications.\n\nThree novel approaches are proposed to improve the robustness of speaker verification systems in noisy and reverberated conditions. Firstly\, we integrate a deep neural network architecture with signal-processing techniques for speech enhancement as a pre-processing to an x-vector-based speaker verification system. We examine the importance of using such pre-processing during the enrollment phase\, which has been largely overlooked in the literature. Experimental evaluation shows that pre-processing improves speaker verification performance if the enrollment files are processed similarly to the test data and if the test and enrollment occur within similar signal-to-noise ranges. We then propose to implement novel score-based diffusion probabilistic models for multichannel speech enhancement as a front-end to an ECAPA-TDNN speaker verification system. Particular emphasis is put on multi-channel speech enhancement techniques. We compute the time-frequency masks and multichannel filters using diffusion probabilistic models. As individual training of the speech enhancement module often introduces certain artefacts and distortions\, leading to mismatch problems. We propose joint optimization of both modules as it helps in retaining the information. We expanded the aforementioned approaches by jointly optimizing speech enhancement and speaker verification with and without knowledge distillation loss. The knowledge distillation loss minimizes the distance between the speaker embeddings obtained from the proposed system and those obtained clean speech signals\, further improving the performance of the speaker verification system on different noise conditions.\n\n\n\n\nReviewers : \n\n\nSylvain Meignier\, Professeur\, LIUM\, Le Mans Université\n\n\nSylvain Marchand\, Professeur\, IUT de La Rochelle\n\n\nExaminers : \n\n\nNancy Bertin\,  Chercheuse\, Oracle\n\n\nFrédéric Sur\, Professeur\, Loria\, Université de Lorraine\n\n\nSupervisors :\n \n\n\nRomain Serizel\, Maître de conférences\, Université de Lorraine\n\n\nDenis Jouvet\, Ancien Directeur de Recherches\, Inria Nancy – Grand Est
URL:https://www.loria.fr/event/phd-defense-sandipana-dowerah-multispeech/
LOCATION:C005\, Loria
CATEGORIES:Soutenance
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20230531T140000
DTEND;TZID=Europe/Paris:20230531T160000
DTSTAMP:20230601T090942Z
CREATED:20230529T090841Z
LAST-MODIFIED:20230601T090942Z
UID:20259-1685541600-1685548800@www.loria.fr
SUMMARY:Soutenance de thèse de Paul Caillon (Synalp)
DESCRIPTION:Paul Caillon (Synalp) soutiendra sa thèse intitulée « Apprentissage profond sans supervision directe pour le traitement automatique des langues »\, le 31 mai à 14h en salle C005.\nRésumé :\nLa profondeur des réseaux de neurones n’est plus l’aspect le plus important des systèmes d’apprentissage en profondeur de nos jours. Il s’agit plutôt de la possibilité de construire des fonctions de plus en plus abstraites et complexes implémentées sous forme de programmes informatiques paramétriques différentiables. La principale question concerne l’accès à des données annotées suffisantes pour entraîner cette fonction\, ce qui devient critique. Par conséquent\, de nos jours\, la distinction standard entre l’apprentissage supervisé et non supervisé devient de plus en plus floue\, car tout corpus annoté existant est inévitablement trop petit et statique pour représenter avec précision les informations les plus récentes. Un autre problème émergent est l’échelle des tailles de modèle utilisées pour atteindre des performances de pointe. Par exemple\, en traitement du langage naturel\, des super-modèles sont pré-entraînés\, puis affinés pour des tâches spécifiques (Bert\, XLM-R ou plus récemment PaLM et GPT-4). Les représentations génériques apprises par ces modèles sont ensuite adaptées aux tâches spécifiques à l’aide de méthodes d’apprentissage à quelques exemples adéquates lors d’une phase de « fine-tuning ».\nCertaines méthodes récentes réduisent les tailles des modèles entraînés après la phase d’entraînement tout en obtenant les mêmes performances\, afin d’obtenir des modèles d’apprentissage automatique plus petits et utilisables sur des dispositifs à performances de calcul limitées (voir les méthodes d’élagage de réseau\, de quantisation ou de distillation). D’autre part\, faire croître un petit réseau à la fois en largeur et en profondeur permet également d’apprendre des réseaux précis et relativement petits\, atteignant des performances de pointe sans avoir à passer par l’entraînement d’un super-modèle.\nDans cette thèse\, nous nous concentrons plus particulièrement sur le deuxième type d’approches. Nous travaillons sur des modèles capables d’augmenter progressivement la taille de la mémoire du réseau neuronal pour traiter une quantité croissante de données observées et observer la différence avec des modèles complets entraînés à partir de zéro\, en mettant l’accent sur la compréhension des raisons pour lesquelles la croissance progressive conduit à des performances comparables avec moins de paramètres. Nous travaillons également sur de nouvelles fonctions de perte non supervisées ou faiblement supervisées qui permettent de former des modèles génératifs qui résolvent le manque de généralité de la plupart des méthodes d’incorporation actuelles. Nous proposons ainsi un modèle simple de grossissement permettant d’ajouter progressivement des nouveaux paramètres au cours de l’apprentissage afin d’étudier les comportements propres à ces réseaux dynamiques.\nPlus précisément\, nous comparons les aspects des surfaces des fonctions de coût des réseaux standards et expansifs afin d’expliquer les performances de ces derniers. Pour les étudier plus en détails\, nous développons également une approximation du risque théorique pour la classification binaire qui peut être utilisée à la fois comme une mesure de généralisation et comme une fonction de coût non supervisée.\n\nJury\n\nRapporteurs : \n\nAlexandre Allauzen PR\, Université Paris-Dauphine et EPSCI\, PSL\nFrancois Portet PR\, Université Grenoble Alpes\n\nExaminatrices : \n\nMadalina Olteanu PR\, Université Paris Dauphine PSL\nMarianne Clausel PR\, Université de Lorraine\n\nDirecteur de thèse : \n\nChristophe Cerisara CR\, Université de Lorraine
URL:https://www.loria.fr/event/soutenance-de-these-de-paul-caillon-synalp/
LOCATION:Loria
CATEGORIES:Soutenance
END:VEVENT
END:VCALENDAR