BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//LORIA - ECPv6.16.2//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: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
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240301T140000
DTEND;TZID=Europe/Paris:20240301T160000
DTSTAMP:20260519T133332
CREATED:20240201T104938Z
LAST-MODIFIED:20240209T142651Z
UID:24853-1709301600-1709308800@www.loria.fr
SUMMARY:[Visite du Loria] À votre santé : Un soutien robotique
DESCRIPTION:Pauline Maurice\, chercheuse au Laboratoire Lorrain de Recherche en Informatique et ses Applications (CNRS\, Inria\, UL)\, vous invite à visiter son laboratoire le 1er mars 2024 à 14h. \nAu travail\, porter de lourdes charges ou répéter un même mouvement peut physiquement nous nuire. Des robots et assistances mécaniques sont étudiés pour nous aider dans nos tâches. Comprendre et simuler le comportement humain est alors essentiel pour adapter au mieux les robots. \nL’entrée est gratuite mais soumise à réservation dès le 1er février. \n\nInscrivez-vous sur ce lien\n\n\n\n\n\nCet événement est organisé dans le cadre de « A Votre Santé » (AVS). Ayant lieu depuis 6 ans dans le Grand Est\, AVS est une série d’évènements de culture scientifique visant à ouvrir le dialogue entre public et scientifiques sur des sujets touchant à la santé humaine.
URL:https://www.loria.fr/event/a-votre-sante-visite-de-laboratoire-un-soutien-robotique/
LOCATION:Loria
CATEGORIES:Événement grand public
ATTACH;FMTTYPE=image/png:https://www.loria.fr/wp-content/uploads/Capture-décran-2024-02-09-à-15.22.06.png
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240313T160000
DTEND;TZID=Europe/Paris:20240313T170000
DTSTAMP:20260519T133332
CREATED:20240308T132641Z
LAST-MODIFIED:20240308T132739Z
UID:25101-1710345600-1710349200@www.loria.fr
SUMMARY:«Quand l'informatique fait parler les tableaux»\, conférence de Gilles Simon
DESCRIPTION:Dans le cadre de la Journée Recherche et Développement R&Day\, organisée par des étudiants en L2 informatique de l’Université de Franche-Comté de Besançon\, Gilles Simon\, enseignant-chercheur au Loria (équipe Tangram) animera une conférence intitulée «Quand l’informatique fait parler les tableaux». \nPlus d’informations sur le site de l’événement
URL:https://www.loria.fr/event/quand-linformatique-fait-parler-les-tableaux-conference-de-gilles-simon/
LOCATION:Université de Franche-Comté de Besançon
CATEGORIES:Conférence
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240315T100000
DTEND;TZID=Europe/Paris:20240315T110000
DTSTAMP:20260519T133332
CREATED:20240313T131422Z
LAST-MODIFIED:20240313T131459Z
UID:25126-1710496800-1710500400@www.loria.fr
SUMMARY:D1 Seminar: Compute-Based Rendering across the Board: Efficient Methods for Meshes\, Point Clouds and Radiance Fields
DESCRIPTION:Next D1 Seminar\, entitled « Compute-Based Rendering across the Board: Efficient Methods for Meshes\, Point Clouds and Radiance Fields »\, will take place on March 15 at 10 am\, in room A006. \nAbstract:  \nDr. Kerbl will present his on-going research on compute-based rendering and its use across 3D representations and applications. Modern 3D content\, both synthetic and captured\, contains an unprecedented amount of geometric detail. At the same time\, user appreciation of 3D content demands low-latency feedback loops: processing\, exploring or modifying 3D scenes should be fast\, or—even better—instant. Failure to meet performance targets is often answered by applying more raw compute power to the problem. This policy has led to systematic hardware hoarding\, a rift between « GPU-rich » and « GPU-poor »\, increased reliance on cloud computing and an overall rise in global resource consumption. A more sustainable solution to this challenge lies in the careful design of inherently parallel algorithms\, finding novel data structures and optimal 3D scene representations for specific tasks. One pillar of the research by Dr. Kerbl et al. towards this goal is the use of compute-based rendering: exploiting GPU compute to assist or replace the fixed-function pipeline for image formation. This talk illustrates concrete examples where compute-based rendering achieves or surpasses state-of-the-art results\, given only a fraction of its competitors’ runtime resources. Apart from image formation itself\, this talk will also discuss recent applications in interactive editing and differentiable rendering methods for radiance fields (NeRFshop\, 3D Gaussian Splatting). \nBio:  \nAfter a Bachelor and Master’s degree in information technology\, Dr. Kerbl received his PhD from Graz University of Technology in 2018 for his research on GPU workload scheduling. In 2019\, he briefly joined Epic Games to work on the Nanite Virtual Geometry feature of Unreal Engine 5. This was followed by a postdoc research stay at TU Wien and another at Inria\, Université Côte d’Azur in the GraphDeco group. Currently\, he acts as principal investigator on a project acquired in 2022 for Instant Visualization and Interaction for Point Clouds (IVILPC). Dr. Kerbl has taught multiple courses on the design and programming of modern GPU hardware at three Austrian universities and has (co-)supervised several students from undergraduate to PhD level.
URL:https://www.loria.fr/event/d1-seminar-compute-based-rendering-across-the-board-efficient-methods-for-meshes-point-clouds-and-radiance-fields/
CATEGORIES:Séminaire
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240322T143000
DTEND;TZID=Europe/Paris:20240322T170000
DTSTAMP:20260519T133332
CREATED:20240313T103110Z
LAST-MODIFIED:20240313T103932Z
UID:25117-1711117800-1711126800@www.loria.fr
SUMMARY:Soutenance de thèse de Youssef Assis (Tangram)
DESCRIPTION:Youssef Assis (Tangram) soutiendra sa thèse intitulée « La détection des anévrismes intracrâniens par apprentissage profond »\, le 22 mars à 14h30 en salle C005. \nRésumé :\nLes anévrismes intracrâniens sont des dilatations locales des vaisseaux sanguins cérébraux\, présentant un risque significatif de rupture\, susceptible d’entraîner des conséquences graves. La détection précoce des anévrismes non rompus revêt donc une importance cruciale pour prévenir des complications potentiellement mortelles. Cependant\, l’analyse des images médicales pour localiser ces anévrismes est une tâche complexe et chronophage\, demandant du temps et d’expertise\, et malgré cela reste susceptible d’erreurs d’interprétation. Face à ces défis\, cette thèse explore des méthodes automatisées pour la détection des anévrismes\, visant à faciliter le travail des radiologues et à améliorer l’efficacité du diagnostic. Notre approche se concentre sur l’utilisation de techniques d’intelligence artificielle\, en particulier les réseaux de neurones profonds\, pour la détection des anévrismes à partir d’images d’IRM angiographique par temps de vol (TOF-MRA). Nos travaux de recherche se sont articulés autour de plusieurs axes principaux. Tout d’abord\, en raison de la rareté des données d’entraînement dans le domaine médical\, nous adoptons une méthode d’annotation rapide\, bien qu’approximative\, afin de faciliter la collection de données. Par ailleurs\, nous proposons une stratégie basée sur des petits patchs. En association avec de la synthèse de données\, les échantillons sont démultipliés dans la base d’apprentissage. En sélectionnant les échantillons\, leur distribution est ajustée pour faciliter l’optimisation. Ensuite\, pour la détection automatisée des anévrismes\, nous étudions diverses architectures de réseaux de neurones. Une première approche explore les réseaux de segmentation d’images. Nous proposons dans un second temps une architecture innovante inspirée des travaux en détection d’objets. Ces architectures\, notamment la dernière\, obtiennent des résultats compétitifs\, en particulier en termes de sensibilité par rapport aux experts. Enfin\, au-delà de la détection des anévrismes\, nous étendons notre modèle à l’estimation de la pose des anévrismes dans les images 3D. Ceci peut grandement faciliter leur analyse et leur interprétation dans des plans de coupes reformattés. Une évaluation approfondie des modèles proposés est systématiquement réalisée\, incluant des études par ablation\, l’exploitation de métriques adaptées au problème de la détection et des évaluations menées par des experts cliniciens\, permettant d’apprécier leur efficacité potentielle pour une utilisation clinique. Nous mettons en particulier en évidence les problèmes liés à l’incertitude dans l’annotation des bases de données existantes. \nJury\nRapporteurs : \n\nChristine FERNANDEZ-MALOIGNE\, Professeure – Université de Poitiers\nAntoine VACAVANT\, Professeur – Université Clermont Auvergne\n\nExaminateurs : \n\nCarole LARTIZIEN\, Directrice de recherche – CNRS\nCarole LE GUYADER\, Professeure – INSA Rouen Normandie\n\nDirecteurs : \n\nErwan KERRIEN\, Directeur de thèse\, Chargé de recherche – Inria\nRené ANXIONNAT\, Co-directeur de thèse\, Professeur – Université de Lorraine\nFabien PIERRE\, Co-encadrant\, Maître de conférences – Université de Lorraine
URL:https://www.loria.fr/event/soutenance-de-these-de-youssef-assis/
CATEGORIES:Soutenance
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240328T140000
DTEND;TZID=Europe/Paris:20240328T163000
DTSTAMP:20260519T133332
CREATED:20240313T103835Z
LAST-MODIFIED:20240313T103835Z
UID:25121-1711634400-1711643400@www.loria.fr
SUMMARY:Soutenance de thèse de Djedjiga Belhadj (Read)
DESCRIPTION:Djedjiga Belhadj (Read) soutiendra sa thèse intitulée « Multi-GAT semi-supervisé pour l’extraction d’informations et son adaptation au chiffrement homomorphe »\, le 28 mars à 14h en salle A008. \nRésumé :\nCette thèse est réalisée dans le cadre du projet BPI DeepTech\, en collaboration avec la société Fair&Smart\, veillant principalement à la protection des données personnelles conformément au Règlement Général sur la Protection des Données (RGPD). Dans ce contexte\, nous avons proposé un modèle neuronal profond pour l’extraction d’informations dans les documents administratifs semi-structurés (DSSs). En raison du manque de données d’entraînement publiques\, nous avons proposé un générateur artificiel de DSSs qui peut générer plusieurs classes de documents avec une large variation de contenu et de mise en page. Les documents sont générés à l’aide de variables aléatoires permettant de gérer le contenu et la mise en page en respectant des contraintes visant à garantir leur proximité avec des documents réels. Des métriques ont été introduites pour évaluer la diversité des DSSs générés en termes de contenu et de mise en page. Les résultats de l’évaluation ont montré que les jeux de données générés pour trois types de DSSs (fiches de paie\, tickets de caisse et factures) présentent un degré élevé de diversité\, ce qui permet d’éviter le sur-apprentissage lors de l’entraînement des systèmes d’extraction d’informations. En s’appuyant sur le format spécifique des DSSs\, constitué de paires de mots (mots-clés\, informations) situés dans des voisinages proches spatialement\, le document est modélisé sous forme de graphe où les nœuds représentent les mots et les arcs\, les relations de voisinage. Le graphe est incorporé dans un réseau d’attention à graphe (GAT) multi-couches (Multi-GAT). Celui-ci applique le mécanisme d’attention multi-têtes permettant d’apprendre l’importance des voisins de chaque mot pour mieux le classer.  Une première version de ce modèle a été utilisée en mode supervisé et a obtenu un score F1 de 96 % sur deux jeux de données de factures et de fiches de paie générées\, et de 89 % sur un ensemble de tickets de caisse réels (SROIE). Nous avons ensuite enrichi le Multi-GAT avec un plongement multimodal de l’information au niveau des mots (avec des composantes textuelle\, visuelle et positionnelle)\, et l’avons associé à un auto-encodeur variationnel à graphe (VGAE). Ce modèle fonctionne en mode semi-supervisé\, capable d’apprendre à partir des données annotées et non annotées simultanément. Pour optimiser au mieux la classification des nœuds du graphe\, nous avons proposé un semi-VGAE dont l’encodeur partage ses premières couches avec le classifieur Multi-GAT. Cette optimisation est encore renforcée par la proposition d’une fonction de perte VGAE gérée par la perte de classification. En utilisant une petite base de données non annotées\, nous avons pu améliorer de plus de 3 % le score F1 obtenu sur un ensemble de factures générées. Destiné à fonctionner dans un environnement protégé\, nous avons adapté l’architecture du modèle pour son chiffrement homomorphe. Nous avons étudié une méthode de réduction de la dimensionnalité du modèle Multi-GAT. Ensuite\, nous avons proposé une approche d’approximation polynomiale des fonctions non-linéaires dans le modèle. Pour réduire la dimension du modèle\, nous avons proposé une méthode de fusion de caractéristiques multimodales qui  nécessite peu de paramètres supplémentaires et qui réduit les dimensions du modèle tout en améliorant ses performances. Pour l’adaptation au chiffrement\, nous avons étudié des approximations polynomiales de degrés faibles aux fonctions non-linéaires avec une utilisation des techniques de distillation de connaissance et de fine tuning pour mieux adapter le modèle aux nouvelles approximations. Nous avons pu minimiser la perte lors de l’approximation d’environ 3 % pour deux jeux de données de factures ainsi qu’un jeu de données de fiches de paie et de 5 % pour SROIE. \nJury\nRapporteurs : \n\nRolf Ingold (Université de Fribourg)\nJean-Yves Ramel  (LIFAT – Université de Tours)\n\nExaminatrices : \n\nClaire Gardent (CNRS – LORIA)\nVéronique Eglin (LIRIS – INSA – CNRS)\n\nDirecteur : \n\nAbdel Belaïd (Université de Lorraine – LORIA)
URL:https://www.loria.fr/event/soutenance-de-these-de-djedjiga-belhadj-read/
CATEGORIES:Soutenance
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240329T100000
DTEND;TZID=Europe/Paris:20240329T110000
DTSTAMP:20260519T133332
CREATED:20240321T084412Z
LAST-MODIFIED:20240321T084412Z
UID:25415-1711706400-1711710000@www.loria.fr
SUMMARY:Machine Learning at the Service of Decomposition Techniques in Mixed Integer Programming: A cross docking assignment and scheduling problem
DESCRIPTION:Shahin Gelareh\, Maître de conférences à l’université d’Artois\, présentera ses travaux de recherche au laboratoire le vendredi 29 mars à 10h en salle C005. \nTitle : Machine Learning at the Service of Decomposition Techniques in Mixed Integer Programming: A cross docking assignment and scheduling problem\nAbstract: The primary objective of this presentation is to share our experiences and illustrate how two distinct classes of machine learning algorithms can be seamlessly integrated into decomposition frameworks to expedite the solution process’s convergence. We exemplify this through the truck dock assignment and scheduling problem\, an operational issue that requires frequent resolution throughout the day whenever the existing plan is disrupted by unforeseen events. The operational nature of this problem is crucial as the data distribution remains relatively stable over a considerable period\, facilitating the accumulation of ample training data without issues caused by distribution shifts. Our focus is predominantly on two exact methods: Cut-and-Benders and Dantzig-Wolfe. However\, given enough time\, we also demonstrate that the same trained deep learning model can assist in constructing feasible solutions and can be incorporated into a reinforcement learning model to function as a very efficient heuristic. \nRésumé : L’objectif principal de cette présentation est de partager nos expériences et d’illustrer comment deux classes distinctes d’algorithmes d’apprentissage automatique peuvent être intégrées dans des cadres de décomposition pour accélérer la convergence du processus de résolution. Nous exemplifions ceci à travers le problème d’attribution et de planification de quais pour camions\, un problème opérationnel nécessitant une résolution fréquente au cours de la journée\, chaque fois que le plan existant est interrompu par des événements imprévus. La nature opérationnelle de ce problème est essentielle car la distribution des données reste relativement stable sur une période considérable\, facilitant ainsi l’accumulation d’une quantité suffisante de données d’entraînement sans les problèmes causés par les changements de distribution. Notre attention se porte principalement sur deux méthodes exactes : Cut-and-Benders et Dantzig-Wolfe. Cependant\, si le temps nous permet\, nous démontrons également que le même modèle d’apprentissage profond entraîné peut aider à construire des solutions réalisables et peut être intégré dans un modèle d’apprentissage par renforcement pour fonctionner comme une heuristique très efficace.
URL:https://www.loria.fr/event/machine-learning-at-the-service-of-decomposition-techniques-in-mixed-integer-programming-a-cross-docking-assignment-and-scheduling-problem/
LOCATION:C005
CATEGORIES:Séminaire
END:VEVENT
END:VCALENDAR