Séminaire des Doctorants du Département d'Informatique de l'ENS

Le séminaire rassemble des exposés donnés par des doctorants du département d'informatique. Il s'adresse plus particulièrement aux doctorants, ainsi qu'aux chercheurs post-doctorants et aux élèves et stagiaires du département. Il se déroule dans un cadre informel et vise à être un moment d'échange et un lieu de rencontre inter-équipe. La personne responsable est Vincent Cohen-Addad. Le lieu des exposés est à préciser au cas par cas.

Prochains exposés

Exposés passés

Mercredi 20 avril 2016 à 17h00, 2 exposés salle Henri Cartan.

"Problèmes de Clustering dans le modèle Streaming" par Vincent Viallat Cohen-Addad (équipe Talgo)

Résumé :
Les jeux de données massifs nécessitent de nouveaux algorithmes. Le modèle dit de la "fenêtre glissante" a été conçu afin de modéliser les problèmes rencontrés dans la gestion de base de données massives. Nous nous intéresserons au problème du diamètre et à un problème de clustering et nous détaillerons un algorithme très simple et optimal en mémoire.

"Groupes et Classifications d'Images" par Edouard Oyallon (équipe Data)

Résumé :
En traitement d'images, les problèmes de classification, détection, reconnaissance sont (presque complètement) résolus par les algorithmes de réseaux de neurones. Comment exploiter les groupes de symétries de ces signaux pour tenter d'expliquer ces algorithmes ? La transformée en Scattering sera présentée, ainsi que quelques propriétés attendues de ces réseaux.

Mercredi 9 décembre 2015 à 17h00, 2 exposés salle Henri Cartan.

Géométries de l’apprentissage profond en traitement du signal

par Vincent Lostanlen
Abstract: Dans le cadre de l’analyse de données massives, on nomme « apprentissage profond » l’adaptation spécifique d’une composition d’opérations faiblement non-linéaires à la distribution statistique observée. Partant d’éléments classiques en traitement du signal multiéchelles, notre équipe propose une interprétation géométrique de l’apprentissage profond, et illustre son efficacité dans des domaines aussi divers que la reconnaissance d’image, l’identification de chants d’oiseaux, ou l’étude de la fonctionnelle de densité électronique de grandes molécules.

Le calcul sécurisé multipartite

par Geoffroy Couteau
Abstract: le traitement systématique de masses de données toujours plus conséquentes est aujourd'hui incontournable. S'il offre la possibilité de concevoir des algorithmes toujours plus performants, et d'améliorer sans cesse la qualité des services, il met cependant en danger la confidentialité des données, contraignant les entreprises et les particuliers à choisir entre conserver leurs données privées, au risque de limiter très sérieusement leur potentiel d'exploitation, ou compromettre leur confidentialité.
Le calcul sécurisé multipartite regroupe un ensemble de mécanismes cryptographiques qui visent à pallier ce problème, en proposant des solutions garantissant la confidentialité des données, tout en autorisant leur exploitation. Nous verrons par exemple dans cet exposé qu'il est possible d'effectuer n'importe quel calcul sur des données, alors même qu'il nous est impossible de prendre connaissance de ces données.

Mercredi 15 Octobre 2014 à 17h00, Florian Bourse (équipe CRYPTO), salle Henri Cartan.

Simple Functional Encryption for Inner Products

Abstract: Functional encryption is a new paradigm in public-key encryption that allows users to finely control the amount of information that is revealed by a ciphertext to a given receiver. Recent papers have focused their attention on constructing schemes for general functionalities at expense of efficiency. Our goal, in this paper, is to construct functional encryption schemes for less general functionalities which are still expressive enough for practical scenarios. We propose a functional encryption scheme for the inner-product functionality, meaning that decrypting an encrypted vector x with a key for a vector y will reveal only <x,y> and nothing else, whose security is based on the DDH assumption. Despite the simplicity of this functionality, it is still useful in many contexts like descriptive statistics. In addition, we generalize our approach and present a generic scheme that can be instantiated under different assumptions, namely EDDH and LWE, and offers various trade-offs in terms of expressiveness and efficiency.

Mercredi 24 Septembre 2014 à 17h00, Edouard Oyallon (équipe DATA), salle Henri Cartan.

Apprendre à voir ou voir pour apprendre ?

Abstract: La classification d'images est un domaine à la frontière de l'apprentissage statistique et de la vision artificielle. Le but est, à partir d'une image d'un objet ou d'un contexte, d'être capable de prédire une étiquette. Les méthodes utilisées font appel à beaucoup de finesse, afin de réduire les variabilités non informatives pour la classification de ces signaux : par exemple, les groupes des translations ou des rotations agissent naturellement sur les images sans en changer le sens, donc, on souhaite créer des invariants à cette variabilité. Les réseaux de neurones convolutionnels entrainés sur des millions d'images, dont les performances numériques sont impressionnantes, exploitent la notion de translation pour reconnaitre des images. Ils sont aussi capable de traiter les variabilités dues à la rotation, et donc étonnamment, ont appris des notions de rotation. En présentant quelques exemples issus de vision (SIFT, ondelettes,...) ou de machine learning (SVM, neural networks,...) j'aimerai discuter des a priori et des méthodes en classification d'image, et le relier à mon travail de thèse.

Mercredi 28 Mai 2014 à 17h00, Thomas Nowak (équipe DYOGENE), salle Henri Cartan.

Convergence Speed of Asymptotic Consensus Algorithms.

Abstract:

Asymptotic consensus is a phenomenon observed in bird flocking, firefly synchronization, opinion spreading, or synchronization of coupled oscillators. Algorithms that achieve asymptotic consensus are used in systems like sensor networks, dynamic load balancing protocols, robot formation protocols, or rendezvous in space.

These algorithms have a simple form: At every step of the algorithm, each agent forms an average of values observed from neighboring agents. These algorithms guarantee asymptotic consensus among agents even under very light conditions on the (dynamic) communication topology and the weights used in the calculation of the averages.

Equivalently, asymptotic consensus can be seen as convergence of not necessarily reversible and not necessarily time-homogeneous Markov chains to their limiting distributions.

This talk introduces asymptotic consensus and presents new upper bounds on its convergence speed, generalizing recent results by Cao et al., Oshevsky and Tsitsiklis, and Chazelle.

This is joint work with Bernadette Charron-Bost.

Vendredi 11 Avril 2014 à 11h00, Laurent Sifre (équipe DATA).

Roto-translation Scattering for Texture Classification.

Abstract: Texture classification is an important problem of computer vision. Standard texture datasets have small number of training examples compared to the wide range of intra-class variability and geometric transformation. Training generic deep networks from scratch with this setting remains challenging. Scattering networks are deep networks where the connections and the weights are specifically handcrafted to build invariance to geometric transformations, while retaining most of the signal information. As we go deeper in the network, the wavelet transform operates over higher dimensional signals. An efficient implementation of the wavelet transform on the joint group of rotation and translation will be presented. This lead to state-of-the-art results on most texture classification datasets.

Mardi 25 Mars 2014 à 11h00, Caterina Urban (équipe Abstraction).

Automatic Inference of Ranking Functions by Abstract Interpretation.

Abstract: We present a family of parameterized abstract domains for proving termination of imperative programs by abstract interpretation. The domains automatically synthesize piecewise-defined ranking functions and infer sufficient conditions for program termination. We have implemented a prototype static analyzer for proving termination of programs written in (a subset of) C and, using experimental evidence, we show that it is competitive with the state of the art and performs well on a wide variety of benchmarks.
 
Webmaster: webdi[@]di[.]ens[.]fr.