{ "exported_at": "2026-11-15 17:39:35", "count": 94, "records": [ { "id": 2, "title": "Explainability of possibilistic and fuzzy rule-based systems", "title_ar": "", "title_en": "", "author": "Ismaïl Baaj", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "xai", "categories": "machine-learning; responsible-ai; expert-systems; xai", "keywords": "", "abstract": "Explicabilité des systèmes à base de règles possibilistes et floues Aujourd'hui, les progrès de l'Intelligence Artificielle (IA) ont conduit à l'émergence de systèmes capables d'automatiser des processus complexes, en utilisant des modèles qui peuvent être difficiles à comprendre par les humains. Lorsque les humains utilisent ces systèmes d'IA, il est bien connu qu'ils veulent comprendre leurs comportements et leurs actions, car ils ont davantage confiance dans les systèmes qui peuvent expliquer leurs choix, leurs hypothèses et leurs raisonnements. La capacité d'explication des systèmes d'IA est devenue une exigence des utilisateurs, en particulier dans les environnements à risque pour l'homme, comme les véhicules autonomes ou la médecine. Cette exigence reflète le récent regain d'intérêt pour l'intelligence artificielle eXplicable (abrégée en XAI), un domaine de recherche qui vise à développer des systèmes d'IA capables d'expliquer leurs résultats d'une manière compréhensible pour les humains. Dans ce contexte, nous introduisons des paradigmes explicatifs pour deux types de systèmes d'IA : un système à base de règles possibilistes (où les règles encodent des informations négatives) et un système à base de règles floues composé de règles à possibilité, qui encodent des informations positives. Nous développons une interface possibiliste entre l'apprentissage et le raisonnement basé sur des règles si-alors qui établit des points de rencontre entre Knowledge Representation and Reasoning (KRR) et Machine Learning (ML). Cette interface est construite en généralisant le système d'équations min-max de Henri Farreny et Henri Prade, qui a été développé pour l'explicabilité des systèmes à base de règles possibilistes. Dans le cas d'une cascade, c'est-à-dire lorsqu'un système utilise deux ensembles de règles possibilistes chaînés, nous montrons que nous pouvons représenter son système d'équations associé par un réseau de neurones min-max explicite. Cette interface peut permettre le développement de méthodes d'apprentissage possibilistes qui seraient cohérentes avec le raisonnement à base de règles. Pour XAI, nous introduisons des méthodes pour justifier les résultats d'inférence des systèmes à base de règles possibilistes et floues. Nos méthodes conduisent à former deux types d'explications d'un résultat d'inférence de ces systèmes : sa justification et son caractère inattendu (un ensemble d'énoncés logiques qui ne sont pas impliqués dans la détermination du résultat considéré tout en étant liés à celui-ci). Enfin, nous proposons une représentation graphique de l'explication d'un résultat d'inférence d'un système à base de règles possibilistes ou floues en termes de graphes conceptuels. Pour un résultat d'inférence, nous représentons sa justification, son caractère inattendu et une combinaison de sa justification et de son caractère inattendu.", "source_url": "https:\/\/openalex.org\/W7150879522", "pdf_url": "https:\/\/theses.hal.science\/tel-03647652v1\/file\/BAAJ_Ismail_2022.pdf", "doi": "10.70675\/a0a60f05z4d42z4169z92cfz1b841e53be1a", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7150879522", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 5, "title": "Fuzzy interpolation systems with knowledge extraction and adaptation", "title_ar": "", "title_en": "Fuzzy interpolation systems with knowledge extraction and adaptation", "author": "Jie Li", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2019, "language": "en", "research_domain": "expert-systems", "research_subdomain": "ai-cybersecurity", "categories": "expert-systems; ai-applications; ai-cybersecurity", "keywords": "", "abstract": "Fuzzy inference system provides an effective means for representing and processing vagueness and imprecision. Conventional fuzzy modelling requires either complete experts’ knowledge or given datasets to generate rule bases such that the input spaces can be fully covered. Although fuzzy interpolation enhances the power of conventional fuzzy inference approaches by addressing the problem of lack of knowledge represented in the rule bases, it is still difficult for real-world applications to obtain sufficient experts’ knowledge and\/or data to generate a sparse rule base to support fuzzy interpolation. Also, the generated rule bases are usually fixed and therefore cannot support dynamic situations. In addition, all existing fuzzy interpolation approaches were developed based on the Mamdani fuzzy model, which are not applicable for the TSK fuzzy model. It significantly restricts the applicability of the TSK fuzzy inference systems. This PhD work, in the first part, presents a novel fuzzy inference approach, termed “TSK+ fuzzy inference”, to address the issue of performing the TSK inference over sparse rule bases. The proposed TSK+ fuzzy inference approach extends the conventional TSK fuzzy inference by considering the degree of similarity between given inputs and corresponding rule antecedents instead of conventional overlapped match degree, which allows TSK inference to be performed over sparse rule bases, dense rule bases, and imbalanced rule bases. In order to support the proposed TSK+ inference approach, a data-driven rule base generation method is also presented in this work. In addition, the proposed TSK+ inference approach has been further extended to deal with interval type-2 fuzzy sets. The effectiveness of this system in enhancing the TSK fuzzy inference is demonstrated through two real-world applications: a network intrusion detection system, and a network quality of service management system. In addition, in the second part of this work, a new rule base generation and adaptation method is developed in order to relax the requirement of rule base generation, which allows the fuzzy rule base to be generated with minimal or even without a priori knowledge. The proposed method mimics the pedagogic approach of experiential learning, which achieves automatic rule base generation and adaptation by transferring the proceeding performance experiences when performing inferences. The proposed rule base generation and adaptation method has been evaluated by not only a mathematical model but also a well-known control problem, inverted pendulum. The experimental results show that the control system can generate an applicable rule base to support the system running, thus demonstrating the effectiveness of the proposed approach.", "source_url": "https:\/\/openalex.org\/W2955571173", "pdf_url": "", "doi": "", "handle": "", "repository_name": "", "source_record_id": "W2955571173", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 16, "title": "Knowledge-based Systems for Cybersecurity in Internet of Things Environments", "title_ar": "", "title_en": "", "author": "Abdul Qadir Khan", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "ai-cybersecurity", "categories": "deep-learning; expert-systems; ai-applications; ai-cybersecurity; ai-agriculture; ai-industry", "keywords": "", "abstract": "Approche sémantique pour la détection d'anomalies dans les environnements IoT L'utilisation massive de l'Internet des objets (IoT) dans différents domaines rend la vie des utilisateurs plus facile. Les objets IoT sont déployés dans diverses applications pour fournir des services avancés dans de nombreux secteurs tels que les maisons connectées, la e-santé, l'agriculture intelligente et les industries intelligentes, pour n'en citer que quelques-uns. Cet usage massif a ouvert la voie à l'émergence de nouvelles menaces et vulnérabilités, qui ont donné lieu à de nombreuses attaques telles que le vol de données et d'identité, les attaques par déni de service, espionnage, etc. En outre, ces dispositifs IoT génèrent, stockent et partagent de larges quantités de données. Ces données peuvent aussi être entachées par de nombreux problèmes, tels que inexactitudes, duplications, absences, etc. Ces problèmes peuvent être considérés comme des anomalies. Les anomalies sont des événements ou des points de données qui s'écartent du point de référence, et qui peuvent être causés par des attaquants malveillants, un comportement anormal du système et une défaillance des dispositifs, des canaux de transmission ou des unités de traitement des données. Afin de protéger ces dispositifs contre de telles menaces, des mécanismes efficaces de détection des anomalies sont utilisés. Dans la littérature, différentes approches ont été développées pour détecter les anomalies, qui peuvent être classées en fonction des algorithmes utilisés, notamment celles basées sur des statistiques, la sémantique, le regroupement, la classification et l'apprentissage profond. Les modèles sémantiques tels que les systèmes à base de connaissances (KBS), avec leurs capacités de modélisation sémantique et de raisonnement, peuvent être utilisés non seulement pour modéliser les environnements IoT, mais aussi pour détecter les anomalies, qui peuvent correspondre à des attaques. Dans cette thèse, nous proposons une approche basée sur les connaissances pour la détection d'anomalies. D'un point de vue sémantique, une anomalie dans un KBS peut être modélisée par un fragment de règles qui peut conduire à des inconsistances au sein du cadre logique. Cependant, la vérification de la cohérence dans un cadre logique donné est difficile à calculer, d'un point de vue théorique. Pour relever ce défi, ce travail introduit une nouvelle approche computationnelle qui réduit la complexité du processus de raisonnement en tenant compte de la modélisation logique et des détails intrinsèques du domaine d'application. En conséquence, nous proposons d'abord un algorithme pour la réécriture de la base de connaissances en une base de connaissances contextuelles, où un contexte est défini comme un fragment de la base qui exprime la connaissance d'un seul aspect du domaine. Nous proposons ensuite un algorithme de dérivation, appelé Lightweight Contextual Derivation Algorithm (LCDA), pour la vérification des incohérences dans les bases de connaissances contextuelles. L'approche proposée est mise en œuvre et testée dans un cas d'utilisation de maison connectée pour démontrer son efficacité dans le domaine de la cybersécurité. Nos expérimentations montrent que LCDA donne des résultats prometteurs en termes de temps de réponse par rapport à d'autres approches logiques dans la littérature. Toutefois, LCDA reste trop long lorsqu'il s'agit de vérifier les anomalies dans des bases de connaissances de taille importante. Pour améliorer davantage le temps de réponse de LCDA, nous proposons une extension de LCDA appelée Parallelized Lightweight Contextual Derivation Algorithm (PLCDA). Dans le PLCDA, les anomalies sont détectées en effectuant des dérivations en parallèle. Nous avons testé et mis en œuvre le PLCDA dans le même cas d'utilisation avec une base de faits de taille de l'ordre de 10⁵. Nos résultats expérimentaux montrent que le PLCDA améliore le temps de réponse du LCDA par un facteur de 10.", "source_url": "https:\/\/openalex.org\/W7152129970", "pdf_url": "https:\/\/theses.hal.science\/tel-05088131v1\/document", "doi": "10.70675\/9ce779a7z982dz436cza13fzba5c552319ed", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152129970", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 49, "title": "Exploiting temporal context in speech technologies using lstm recurrent neural networks", "title_ar": "", "title_en": "", "author": "Rubén Zazo Candil", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Tesis doctoral»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2018, "language": "es", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "deep-learning; nlp; rnn; speech-recognition", "keywords": "", "abstract": "Tesis doctoral inédita leída en la Universidad Autónoma de Madrid, Escuela Politécnica Superior , Departamento de Tecnología y de las Comunicaciones. Fecha de lectura: 11-04-2018", "source_url": "https:\/\/openalex.org\/W2805432452", "pdf_url": "", "doi": "", "handle": "", "repository_name": "LA Referencia (Red Federada de Repositorios Institucionales de Publicaciones Científicas)", "source_record_id": "W2805432452", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 69, "title": "Efficient Deep Learning for Medical Imaging: Precision Segmentation and Beyond", "title_ar": "", "title_en": "Efficient Deep Learning for Medical Imaging: Precision Segmentation and Beyond", "author": "Lucas Gago", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: Tesis Doctorals en Xarxa (Consorci de Serveis Universitaris de Catalunya)", "university": "", "university_source": "", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; image-segmentation; medical-imaging", "keywords": "", "abstract": "[eng] This thesis advances automated medical image analysis by introducing four deep learning frameworks that systematically address core technical barriers to clinical deployment, including computational efficiency, variability in image quality, and the robust integration of imaging with clinical data. Through a compendium of research articles, we develop state-of-the-art solutions spanning ultrasound and MRI. First, we present an end-to-end framework for carotid intima-media thickness (CIMT) measurement in ultrasound images, achieving state-of-the-art atherosclerotic plaque characterization while delivering a 20x speed improvement (0.79 to 0.04 seconds per image). The system provides comprehensive outputs, including segmentation masks, automated measurements, and binary plaque detection, eliminating domain-specific post-processing requirements. Secondly, leveraging the features extracted by our end-to-end model, we pioneer their integration into clinical survival models, demonstrating that learned imaging biomarkers significantly enhance cardiovascular risk stratification with a 20% improvement in patient risk reclassification beyond traditional clinical variables. Third, we develop a multilevel EfficientNet-UNet++ architecture for 3D carotid vessel wall segmentation in black-blood MRI that achieves state-of-the-art performance through contextual slice concatenation and resolution optimization. The framework demonstrates optimal performance at 256 x 256 input resolution (6x original size) while maintaining computational efficiency through targeted multilevel processing. Finally, we introduce a quality-aware segmentation framework with custom loss functions for explicit quality modeling during training. When applied to ultrasound colon wall segmentation, this approach achieves a 20% improvement on medium-quality images and a 31% improvement on low-quality images, directly addressing ultrasound's fundamental challenge of variable image quality. Collectively, these contributions establish the technical foundations for robust clinical imaging through efficient segmentation architectures, the integration of imaging with clinical data, explicit quality modeling, and comprehensive clinical validation across two medical imaging modalities.", "source_url": "https:\/\/openalex.org\/W7146545742", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Tesis Doctorals en Xarxa (Consorci de Serveis Universitaris de Catalunya)", "source_record_id": "W7146545742", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 76, "title": "Quantifying Uncertainty in Deep Learning-based medical image segmentation", "title_ar": "", "title_en": "Quantifying Uncertainty in Deep Learning-based medical image segmentation", "author": "Benjamin Lambert", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Ph.D»", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "en", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "machine-learning; deep-learning; computer-vision; medical-ai; ai-applications; predictive-analytics; image-segmentation; medical-imaging; ai-industry", "keywords": "", "abstract": "Quantifying the inherent uncertainty in an automated medical image analysis is crucial to guarantee the safe deployment of deep learning models. However, these models, often referred to as black boxes, are known to produce errors with high confidence, potentially leading to misinformed conclusions. The operative goal of Pixyl, Grenoble Institute of Neurosciences, and Inria for this Ph.D. is to develop flexible uncertainty quantification tools that would address the opacity of deep learning models. In medical image analysis, uncertainty estimates are useful at different levels: the voxel, the lesion, the subject (input image or output segmentation), and the estimated volumes. At the voxel level, there is a multitude of solutions proposed in the literature. Through three different brain lesion segmentation tasks, we show the adequacy of the Deep Ensemble framework to detect incorrectly classified voxels. The resulting uncertainty map can be overlayed on the input image to identify the ambiguous regions. Second, specifically tailored for diseases involving the detection of multiple lesions such as Multiple Sclerosis, we propose a lesion-level uncertainty module that associates each identified brain lesion with a confidence score. This allows to draw the clinician's attention to these uncertain lesion instances, which may correspond to false positive detections. Then, as deep learning models lack robustness when the test image is not represented in the training dataset, we build two different subject-level quality control tools. Non-conform inputs are detected using a compressed latent representation, allowing to efficiently compute its distance to the training distribution in a low-dimensional manifold. Yet, this approach focuses on the conformity of the input image and thus is unhelpful in detecting poor-quality segmentations. To alleviate this, a second quality check focusing on segmentation quality is implemented, allowing to enrich the informativeness of the case-level uncertainty quantification. Lastly, we leverage the conformal prediction framework to equip lesional volume estimations with robust predictive intervals. The proposed framework, TriadNet, computes the segmentation and associated predictive intervals in a second, thus being ideal for industrial software. The tools developed during this PhD will allow to enhance medical image analysis software with useful uncertainty estimates, allowing increased trust in the automated results and enabling informed decision-making.", "source_url": "https:\/\/openalex.org\/W4406884857", "pdf_url": "", "doi": "", "handle": "", "repository_name": "HAL", "source_record_id": "W4406884857", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 77, "title": "Deep learning for medical image super resolution and segmentation", "title_ar": "", "title_en": "", "author": "Chi-Hieu Pham", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2018, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; image-segmentation; medical-imaging", "keywords": "", "abstract": "Apprentisage profond pour la super-résolution et la segmentation d'images médicales L'objectif de cette thèse est d'étudier le comportement de différentes représentations d'images, notamment apprentissage profond, dans le contexte d'application en imagerie médicale. Le but est de développer une méthode unifiée efficace pour les applications visées que sont la super résolution, la segmentation et la synthèse. La super-résolution est un procès d'estimation d'une image haute-résolution à partir d'une ou plusieurs images basses résolutions. Dans cette thèse, nous nous concentrons sur la super résolutionunique, c'est-à-dire que l'image haute résolution (HR) est estimée par une image basse-résolution (LR) correspondante. Augmenter la résolution de l'image grâce à la super-résolution est la clé d'une compréhension plus précise de l'anatomie. L'application de la super résolution permet d'obtenir des cartes de segmentation plus précises. Étant donné que deux bases de données qui contiennent les images différentes (par exemple, les images d'IRM et les images de CT), la synthèse est un procès d'estimation d'une image qui est approximative aux images dans la base de données de cible à partir d'une image de la base de données de source. Parfois, certains contrastes tissulaires ne peuvent pas être acquis pendant la séance d'imagerie en raison du temps et des coûts élevés ou de l'absence d'appareils. Une solution possible est à utiliser des méthodes de synthèse d'images médicales pour générer les images avec le contraste différent qui est manquée dans le domaine à cible à partir de l'image du domaine donnée. L'objectif des images synthétiques est d'améliorer d'autres étapes du traitement automatique des images médicales telles que la segmentation, la super-résolution ou l'enregistrement. Dans cette thèse, nous proposons les réseaux neurones pour la super résolutionet la synthèse d'image médicale. Les résultats démontrent le potentiel de la méthode que nous proposons en ce qui concerne les applications médicales pratiques.", "source_url": "https:\/\/openalex.org\/W7148632417", "pdf_url": "", "doi": "10.70675\/1a88776bz8fc5z4ac4z921cze85a14188056", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7148632417", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 79, "title": "Semantic segmentation of 3D medical images with deep learning", "title_ar": "", "title_en": "", "author": "Olivier Petit", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "transformers", "categories": "deep-learning; computer-vision; medical-ai; transformers; image-segmentation; medical-imaging", "keywords": "", "abstract": "Segmentation sémantique d'images médicales 3D par deep learning L’apprentissage profond a récemment montré des résultats impressionnants en vision par ordinateur. En particulier avec les réseaux de neurones convolutifs (ConvNets) qui ont redéfini l’état-de-l’art dans de nombreuses applications telles que la segmentation d’images médicales. Dans cette thèse nous abordons des problèmes en segmentation d’organes de l’abdomen en utilisant ces modèles. Premièrement, nous nous sommes intéressés à l’entrainement de ConvNets avec des bases de données partiellement étiquetées. Les professionnels se concentrant, souvent sur des régions anatomiques précises, les bases de données sont de ce fait hétérogènes et partiellement étiquetées. Entraîner un modèle de segmentation directement donne de tr`es mauvais résultats. Nous proposons donc un schéma d’entrainement qui utilise toutes les étiquettes disponibles sans être affect´e par les mauvaises. De plus, un schéma itératif permet de progressivement ré-étiqueter les organes manquants ce qui permet d’améliorer encore notre modèle. La seconde partie étudie l’utilisation d’un a priori spatial sur la position absolue des organes afin d’améliorer la détection des structures et réduire les erreurs aberrantes. Les ConvNets sont par construction incapables de capturer l’information de position spatiale absolue. Cependant, les images médicales sont très structurées et les positions des organes sont connues. Dans ces travaux nous proposons d’utiliser un a priori spatial 3Dqui capture la position des organes et qui va explicitement biaiser le modèle grâce à une fonction d’activation «prior-driven ». Pour finir, nous étudions les Transformers qui permettent de mod´eliser des interactions `a long terme entre les structures anatomiques dans un modèle de segmentation. Les ConvNets ne permettent pas de capturer ces interactions globales principalement `a cause de leur champ réceptif limité. Utiliser le mécanisme d’attention propose dans les Transformers permet de connecter tous les pixels entre eux, ayant pour effet de modéliser des interactions complexes. Nous proposons le modèle U-Transformer et montrons qu’il améliore la qualité de la segmentation sur plusieurs bases de données.", "source_url": "https:\/\/openalex.org\/W4392220284", "pdf_url": "", "doi": "10.70675\/0c16f3d3z8e39z4f4az97f2ze8a6f2043cc3", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W4392220284", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 85, "title": "Quantifying and understanding uncertainty in deep-learning-based medical image segmentation", "title_ar": "", "title_en": "", "author": "Benjamin Lambert", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "computer-vision; medical-ai; image-segmentation; medical-imaging", "keywords": "", "abstract": "Quantification et caractérisation de l'incertitude de segmentation d'images médicales pardes réseaux profonds Ces dernières années, les algorithmes d'intelligence artificielle ont démontré des performances exceptionnelles dans de nombreuses tâches, incluant la segmentation et classification d'images médicales. La segmentation automatique des lésions dans des IRMs du cerveau permet une quantification rapide de la progression de la maladie : un compte des nouvelles lésions, une mesure du volume lésionnel total et une description de la forme des lésions. Cette analyse peut ensuite être exploitée par le neuro-radiologue qui peut s'en servir pour adapter le traitement thérapeutique si nécessaire. Cela permet de rendre la décision médicale plus rapide et plus précise.Actuellement ces algorithmes, que l'on considère souvent comme des boîtes noires, produisent des prédictions sans aucune information concernant leur certitude. Cela empêche la pleine adoption des algorithmes d'intelligence artificielle dans les domaines sensibles, car ils ont en effet tendance à produire des erreurs avec une grande confiance, pouvant tromper les décideurs humains. Identifier et comprendre les causes de ces échecs est un élément clé pour maximiser l'utilité des algorithmes d'intelligence artificielle et permettre leur acceptation au sein du corps médical. Pour atteindre ce but, il est important de pouvoir distinguer entre les deux principales sources d'incertitude. Tout d'abord, l'incertitude aléatoire, qui correspond à l'incertitude liée au bruit intrinsèque de l'image, et les artefacts d'acquisition. Ensuite, l'incertitude épistémique, qui a attrait au manque de connaissance du modèle.L'objectif conjoint de Pixyl et du GIN est d'atteindre une meilleure identification des sources d'incertitude dans les réseaux de neurones profonds, et par conséquent développer de nouvelles méthodes pour estimer cette incertitude dans le cadre d'une utilisation clinique routinière et en temps réel.Dans le cadre de la segmentation d’images médicales, l’estimation de l’incertitude est pertinente à plusieurs échelles. Tout d’abord, à l’échelle du voxel, l’incertitude peut être quantifiée par le biais de cartes d’incertitude. Cela permet de superposer l’image, sa segmentation et la carte d’incertitude pour visualiser les régions incertaines. Ensuite, pour les pathologies comme la Sclérose-en-Plaques, l’attention du radiologue se situe à l’échelle de la lésion plutôt que du voxel. L’estimation d’incertitude structurelle, c’est-à-dire à l’échelle de la lésion, permet au radiologue de rapidement contrôler les lésions incertaines qui peuvent être des faux positifs. Troisièmement, des métriques haut-niveau comme le volume ou le nombre de lésions sont couramment extraites des segmentations. Être capable d’associer à ces métriques des intervalles prédictifs est important pour que le clinicien puisse prendre en compte cette incertitude dans son analyse. Pour finir, l’incertain peut être quantifiée à l’échelle de l’image entière, par exemple pour détecter les images hors-distributions qui présentent une anomalie importante pouvant biaiser leur analyse.Dans cette thèse, des outils de quantification d’incertitude opérant à chacun de ces niveaux sont développés. Plus généralement, les méthodes désirées et attendues devront permettre à Pixyl d'améliorer ces modèles, services et produits actuels. Pour l'application clinique, le temps d'inférence est particulièrement critique : l'assistance à la prise de décision est utile seulement si elle est suffisamment rapide pour être appliquée pendant la consultation du patient (c'est-à-dire en moins de 5 minutes). De plus, les solutions innovantes devront maintenir un haut niveau de performance même appliquée sur de petites bases de données d'image, ce qui est généralement le cas dans le domaine médical.", "source_url": "https:\/\/openalex.org\/W7151869013", "pdf_url": "", "doi": "10.70675\/a043da9aze69dz4ea2z978dzcd9a570ce0a7", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151869013", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 86, "title": "Medical image segmentation with belief function theory and deep learning", "title_ar": "", "title_en": "", "author": "Ling Huang", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; multimodal; image-segmentation; medical-imaging", "keywords": "", "abstract": "Segmentation d'images médicales avec la théorie de la fonction de croyance et l'apprentissage en profondeur L'apprentissage profond a montré des contributions prometteuses dans la segmentation d'images médicales avec de puissantes capacités d'apprentissage et de représentation de caractéristiques. Cependant, il présente des limites pour le raisonnement avec et la combinaison d'informations imparfaites (imprécises, incertaines et partielles). Dans cette thèse, nous étudions les approches de segmentation d'images médicales avec la théorie des fonctions de croyance et l'apprentissage profond, en nous concentrant spécifiquement sur la modélisation et la fusion d'informations basées sur des preuves incertaines. Tout d'abord, nous passons en revue les méthodes de segmentation d'images médicales existantes basées sur la théorie de la fonction de croyance et discutons de leurs avantages et défis. Deuxièmement, nous présentons un cadre de segmentation d'images médicales semi-supervisé pour diminuer l'incertitude causée par le manque d'annotations avec la segmentation évidentielle et la fusion de preuves. Troisièmement, nous comparons deux classificateurs d'évidence, le réseau neuronal d'évidence et le réseau de fonction de base radiale, et nous montrons l'efficacité de la théorie de la fonction de croyance dans la quantification de l'incertitude ; nous utilisons les deux classificateurs d'évidence avec des réseaux neuronaux profonds pour construire des modèles d'évidence profonds pour la segmentation du lymphome. Quatrièmement, nous présentons un cadre de fusion d'images médicales multimodales prenant en compte la fiabilité de chaque source d'image RM lors de l'exécution de différentes tâches de segmentation à l'aide de fonctions de masse et d'actualisation contextuelle.", "source_url": "https:\/\/openalex.org\/W7151868992", "pdf_url": "", "doi": "10.70675\/8a8a9e2bz03f7z4d78z879cz9b80ab963e96", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151868992", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 87, "title": "Deep learning methods for localization, segmentation and robustness in medical imaging", "title_ar": "", "title_en": "", "author": "Othmane Laousy", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; reinforcement-learning; image-segmentation; medical-imaging", "keywords": "", "abstract": "Méthodes d'apprentissage profond pour la localisation, la segmentation et la robustesse en imagerie médicale Ces dernières années, nous avons assisté à un essor remarquable des avancées à la croisée de l'apprentissage profond et de la médecine, en particulier dans le domaine de l'imagerie médicale. Cette évolution rapide a engendré une multitude de défis nécessitant une attention particulière.L'un des principaux défis découlant de l'évolution des techniques d'apprentissage profond est la demande de données étendues et diversifiées pour l'entraînement des modèles. A mesure que les modèles deviennent plus sophistiqués, leur besoin en données s'intensifie, ce qui constitue un obstacle à l'acquisition d'ensembles de données non seulement volumineux, mais aussi véritablement représentatifs des divers scénarios médicaux rencontrés en pratique.Une autre préoccupation majeure concerne la vulnérabilité des modèles d'intelligence artificielle aux attaques adversariales, où de petites perturbations des données d'entrée peuvent entraîner des répercussions significatives sur la fiabilité du modèle. La sensibilité de ces modèles aux manipulations adverses constitue une menace potentielle pour leur déploiement dans des scénarios médicaux réels, où les conséquences de ces erreurs peuvent être désastreuses. Il est impératif de protéger les modèles d'IA contre les attaques adverses pour inspirer confiance aux professionnels de la santé et aux patients qui comptent sur ces technologies pour obtenir des diagnostics précis et des recommandations de traitement.Cette thèse explore ces défis pressants, offrant des perspectives sur les directions potentielles pour atténuer l'impact de la rareté des données et améliorer la fiabilité des modèles d'IA face aux attaques adversariales.Tout d'abord, nous explorons l'apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) pour aborder les problèmes liés à l'apprentissage dans des contextes où les données sont rares. Cette thèse présente une application novatrice du DRL dans l'analyse d'images médicales, en se concentrant particulièrement sur les défis de localisation et de segmentation pour la quantification de la sarcopénie à partir de scans CT. En optimisant la prise de décision d'un agent par essais et erreurs, nous avons développé un réseau Deep Q-Network qui automatise l'identification de la coupe de la troisième vertèbre lombaire. Pour la segmentation, nous avons employé un algorithme d'optimisation de politique proximale pour tracer les contours des muscles psoas et parietaux, automatisant le calcul de l'indice de masse musculaire squelettique. Le pipeline présenté a ensuite été utilisé pour évaluer la sarcopénie pour le pronostic des patients atteints de cancers solides en état critique, validant ainsi la viabilité pratique de notre approche DRL dans des contextes cliniques réels.La deuxième partie de cette thèse se concentre sur le renforcement de la sécurité et de la fiabilité des modèles d'IA en incorporant une robustesse certifiée contre les attaques adversariales. Les attaques adversariales ont mis en évidence la vulnérabilité des modèles d'apprentissage profond, en particulier dans des domaines à haut risque comme le diagnostic médical. Pour atténuer cette vulnérabilité, nous explorons et développons des approches garantissant un niveau de robustesse contre les manipulations adversariales en tirant parti de la puissance des modèles de diffusion et du lissage aléatoire. Ces méthodes fournissent non seulement une protection contre les éventuelles violations de sécurité, mais instaurent aussi une plus grande confiance dans le déploiement des systèmes de santé pilotés par l'IA.À travers ces orientations de recherche, cette thèse contribue à l'évolution continue de l'apprentissage profond en médecine en abordant les défis de la rareté des données et des attaques adversariales, traçant ainsi une voie potentielle vers un avenir plus résilient et plus fiable pour l'IA dans l'imagerie médicale.", "source_url": "https:\/\/openalex.org\/W7152083672", "pdf_url": "", "doi": "10.70675\/4ffc4285z667dz430czb4d9za731fb5f4d27", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152083672", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 94, "title": "A Novel Explainable Artificial Intelligence Framework with Improved Learning Mechanisms", "title_ar": "", "title_en": "A Novel Explainable Artificial Intelligence Framework with Improved Learning Mechanisms", "author": "Kabir, Sami", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «doctoral thesis»", "university": "Luleå University of Technology", "university_source": "repository_host", "college": "", "department": "", "country": "Sweden", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "medical-ai", "research_subdomain": "cnn", "categories": "machine-learning; deep-learning; computer-vision; medical-ai; responsible-ai; expert-systems; ai-applications; transfer-learning; self-semi-supervised; predictive-analytics; optimization; cnn; multimodal; xai; fairness; ai-smart-cities", "keywords": "", "abstract": "Artificial Intelligence (AI) models are increasingly being deployed in various critical domains, such as healthcare, finance, law, and autonomous systems, resulting in remarkable benefits for the society. Due to black-box (sub-symbolic) nature, these AI models do not provide explanation of the predictive output. This lack of explanation results in lack of transparency between human and machine. Such opacity of black-box AI models, particularly deep learning architectures, is a significant concern. To address this concern, Explainable Artificial Intelligence (XAI) has emerged as a vital research area. The aim of XAI is to enhance transparency, trust, and accountability of AI models. Various post-hoc XAI tools explain the outputs of black-box AI models based on training datasets. However, the use of training datasets, rather than domain knowledge, makes such explanations proxy. A biased training dataset may lead to a misleading post-hoc explanation as well. In contrast, an explanation based on domain knowledge will be more trustworthy to an end user. Motivated by this, we propose a novel XAI framework, consisting of Belief Rule Based Expert System (BRBES), to predict output and explain it with reference to domain knowledge. BRBES represents domain knowledge with its rule base. It outperforms other knowledge-driven AI models to handle uncertainty due to ignorance. To improve the accuracy of BRBES, we fine-tune its parameters and structure through evolutionary learning. Moreover, to overcome the scarcity of labeled dataset in this learning mechanism, we integrate semi-supervised and self-supervised learning with BRBES. We explain the output of BRBES with respect to the most influential rule of the rule base of BRBES. Thus, the output of our proposed XAI framework becomes not only accurate, but also explainable. This doctoral thesis delves into the challenges and opportunities surrounding XAI in order to provide a comprehensive understanding of the AI output. It presents a novel XAI framework to provide domain knowledge based energy consumption prediction with improved accuracy, and explain this predictive output in non-technical human language. Then it deals with multi-modal air quality data by integrating deep learning model with BRBES. Moreover, to reduce dependence on labeled data for evolutionary learning, this thesis integrates semi-supervised and self-supervised learning with BRBES. This thesis presents six significant contributions. First, we conduct a Systematic Literature Review (SLR) on XAI using the PRISMA guidelines, delving into the numerous challenges and opportunities of XAI. Extensive research is conducted to explore the definition, terminologies, taxonomy, and application domains of XAI. It highlights various challenges of XAI, such as, no universal definition, trade-off between accuracy and explainability, and lack of standardized evaluation metrics. To address this lack of standardized evaluation metrics, we also propose a unified framework to evaluate XAI. Secondly, we present an innovative explainable BRBES (eBRBES) framework, which offers accurate prediction of building energy consumption phenomenon, while providing insightful explanation and counterfactual based on domain knowledge. As part of eBRBES framework, we also present a novel Belief Rule Based adaptive Balance Determination (BRBaBD) algorithm to assess the optimal balance of the proposed framework between explainability and accuracy. Thirdly, we propose a mathematical model to integrate BRBES with the Convolutional Neural Network (CNN). We leverage the domain knowledge of BRBES, and image data patterns discovered by CNN with this integrated approach. We predict air quality with this integrated model using outdoor ground images and numerical sensor data. Fourth, we integrate two-layer BRBES with CNN to monitor air quality using satellite images, and relevant environmental parameters, such as, cloud, relative humidity, temperature, and wind speed. The two-layer BRBES showcases the strength of BRBES in conducting reasoning across multiple layers. Fifth, we enhance the learning mechanism of BRBES by utilizing the extensive unlabeled energy data, along with limited labeled data. For this purpose, we synthetically generate unlabeled data through weak and strong augmentation. We then pseudo-label these unlabeled data by integrating semi-supervised self-training model with BRBES. By learning from both labeled and pseudo-labeled data, initial BRBES transitions to semi-supervised BRBES. Sixth, to conduct the learning mechanism of BRBES without relying on any labeled data, we integrate self-supervised learning with it. To this effect, we pseudo-label the synthetically generated unlabeled energy data with BRBES in the pretext tasks of self-supervised learning. Then, the initial BRBES learns deeper representation from these pseudo-labeled data, and transitions to self-supervised BRBES.", "source_url": "https:\/\/openalex.org\/W7112031890", "pdf_url": "https:\/\/ltu.diva-portal.org\/smash\/get\/diva2:2007851\/FULLTEXT01", "doi": "", "handle": "", "repository_name": "DiVA (Luleå University of Technology)", "source_record_id": "W7112031890", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 107, "title": "An EXplainable Artificial Intelligence Credit Rating System", "title_ar": "", "title_en": "", "author": "Ayoub El-Qadi", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "nlp", "research_subdomain": "xai", "categories": "machine-learning; nlp; responsible-ai; xai", "keywords": "", "abstract": "Explicabilité d'un système de notation de risque de crédit basé sur l'intelligence artificielle Au cours des dernières années, le déficit de financement du commerce a atteint le chiffre alarmant de 1 500 milliards de dollars, soulignant une crise croissante dans le commerce mondial. Ce déficit est particulièrement préjudiciable aux petites et moyennes entreprises (PME), qui éprouvent souvent des difficultés à accéder au financement du commerce. Les systèmes traditionnels d'évaluation du crédit, qui constituent l'épine dorsale du finance-ment du commerce, ne sont pas toujours adaptés pour évaluer correctement la solvabilité des PME. Le terme \"credit scoring\" désigne les méthodes et techniques utilisées pour évaluer la solvabilité des individus ou des entreprises. Le score généré est ensuite utilisé par les institutions financières pour prendre des décisions sur l'approbation des prêts, les taux d'intérêt et les limites de crédit. L'évaluation du crédit présente plusieurs caractéristiques qui en font une tâche difficile. Tout d'abord, le manque d'explicabilité des modèles complexes d'apprentissage automatique entraîne souvent une moindre acceptation des évaluations de crédit, en particulier parmi les parties prenantes qui exigent un processus décisionnel transparent. Cette opacité peut constituer un obstacle à l'adoption généralisée de techniques d'évaluation avancées. Un autre défi important est la variabilité de la disponibilité des données entre les pays et les dossiers financiers souvent incomplets des PME, ce qui rend difficile le développement de modèles universellement applicables. Dans cette thèse, nous avons d'abord abordé la question de l'explicabilité en utilisant des techniques de pointe dans le domaine de l'intelligence artificielle explicable (XAI). Nous avons introduit une nouvelle stratégie consistant à comparer les explications générées par les modèles d'apprentissage automatique avec les critères utilisés par les experts en crédit. Cette analyse comparative a révélé une divergence entre le raisonnement du modèle et le jugement de l'expert, soulignant la nécessité d'incorporer les critères de l'expert dans la phase de formation du modèle. Les résultats suggèrent que l'alignement des explications générées par la machine sur l'expertise humaine pourrait être une étape cruciale dans l'amélioration de l'acceptation et de la fiabilité du modèle.Par la suite, nous nous sommes concentrés sur le défi que représentent les don-nées financières éparses ou incomplètes. Nous avons incorporé des évaluations de crédit textuelles dans le modèle d'évaluation du crédit en utilisant des techniques de pointe de traitement du langage naturel (NLP). Nos résultats ont démontré que les modèles formés à la fois avec des données financières et des évaluations de crédit textuelles étaient plus performants que ceux qui s'appuyaient uniquement sur des données financières. En outre, nous avons montré que notre approche pouvait effectivement générer des scores de crédit en utilisant uniquement des évaluations de risque textuelles, offrant ainsi une solution viable pour les scénarios dans lesquels les mesures financières traditionnelles ne sont pas disponibles ou insuffisantes", "source_url": "https:\/\/openalex.org\/W7151827639", "pdf_url": "https:\/\/theses.hal.science\/tel-04472510v1\/document", "doi": "10.70675\/2d09695dz9d70z4602zb460zfd801584e220", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151827639", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 108, "title": "Explainable Artificial Intelligence approaches for Image Captioning", "title_ar": "", "title_en": "", "author": "Sofiane Elguendouze", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "xai", "categories": "deep-learning; computer-vision; responsible-ai; xai", "keywords": "", "abstract": "Approches d'intelligence artificielle explicables pour le sous-titrage d'images L'évolution rapide des modèles de sous-titrage d'images, impulsée par l'intégration de techniques d'apprentissage profond combinant les modalités image et texte, a conduit à des systèmes de plus en plus complexes. Cependant, ces modèles fonctionnent souvent comme des boîtes noires, incapables de fournir des explications transparentes de leurs décisions. Cette thèse aborde l'explicabilité des systèmes de sous-titrage d'images basés sur des architectures Encodeur-Attention-Décodeur, et ce à travers quatre aspects. Premièrement, elle explore le concept d'espace latent, s'éloignant ainsi des approches traditionnelles basées sur l'espace de représentation originel. Deuxièmement, elle présente la notion de caractère décisif, conduisant à la formulation d'une nouvelle définition pour le concept d'influence\/décisivité des composants dans le contexte de sous-titrage d'images explicable, ainsi qu'une approche par perturbation pour la capture du caractère décisif. Le troisième aspect vise à élucider les facteurs influençant la qualité des explications, en mettant l'accent sur la portée des méthodes d'explication. En conséquence, des variantes basées sur l'espace latent de méthodes d'explication bien établies telles que LRP et LIME ont été développées, ainsi que la proposition d'une approche d'évaluation centrée sur l'espace latent, connue sous le nom d'Ablation Latente. Le quatrième aspect de ce travail consiste à examiner ce que nous appelons la saillance et la représentation de certains concepts visuels, tels que la quantité d'objets, à différents niveaux de l'architecture de sous-titrage.", "source_url": "https:\/\/openalex.org\/W7151747962", "pdf_url": "http:\/\/www.theses.fr\/2024ORLE1003\/document", "doi": "10.70675\/c9dab409zaeaaz436fz95cdz57fca46aa107", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151747962", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:46", "updated_at": "2026-11-15 16:52:46" }, { "id": 126, "title": "Machine learning in E-learning environments : Optimisation of efficiency and text classification through linguistic feature selection and tokenization", "title_ar": "", "title_en": "", "author": "Daniel Schönle", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; nlp; ai-applications; speech-recognition; ai-education", "keywords": "", "abstract": "Apprentissage automatique dans les environnements de formation en ligne : optimisation de l'efficacité et de la classification des textes par la sélection de caractéristiques linguistiques et la tokenisation L'optimisation des capacités de classification de texte en ML trouve des applications majeures dans les environnements d'apprentissage adaptatifs (ALE) et les systèmes de chatbot. Les ALE exploitent le ML pour s'ajuster aux besoins individuels des apprenants, améliorant ainsi l'apprentissage autorégulé tout en fournissant des données utiles aux éducateurs. Les chatbots, quant à eux, renforcent l'expérience éducative à travers des interactions d'apprentissage personnalisées et une évaluation adaptée. Une enquête sur les capacités des ALE explore leurs limites et défis, tout en mettant l’accent sur le traitement de données robustes. Concernant l'intégration des chatbots, une évaluation dans le cadre du projet FiSK démontre leur impact sur la formation des enseignants, en particulier par l'amélioration des simulations d'apprentissage et le perfectionnement des compétences didactiques. Le modèle WUP (Weighted Unimportant Part-of-Speech) permet une sélection améliorée des caractéristiques textuelles en filtrant les données en fonction de l'importance des parties du discours, augmentant la précision des prédictions ML. De plus, la méthode LinPair affine la tokenisation WordPiece en incorporant des informations linguistiques, surmontant les limitations liées au vocabulaire restreint. Une mesure d'efficacité, QCO (Quality-Focused Optimization), est introduite pour évaluer la qualité des modèles ML en fonction des ressources consommées et du temps de calcul. Enfin, des améliorations dans l'automatisation de l'évaluation des réponses des étudiants sont démontrées via l'utilisation de grands modèles linguistiques, grâce à des techniques avancées de traitement du langage naturel.", "source_url": "https:\/\/openalex.org\/W7151732118", "pdf_url": "https:\/\/theses.hal.science\/tel-05295859v1\/document", "doi": "10.70675\/36864c68z31f7z47ecz985dza74020a9b53e", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151732118", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 135, "title": "Embedded Arabic text detection and recognition in videos", "title_ar": "", "title_en": "", "author": "Sonia Yousfi", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2016, "language": "fr", "research_domain": "nlp", "research_subdomain": "arabic-nlp", "categories": "deep-learning; computer-vision; nlp; image-segmentation; video-analysis; arabic-nlp", "keywords": "", "abstract": "Détection et reconnaissance du texte arabe incrusté dans les vidéos Cette thèse s'intéresse à la détection et la reconnaissance du texte arabe incrusté dans les vidéos. Dans ce contexte, nous proposons différents prototypes de détection et d'OCR vidéo (Optical Character Recognition) qui sont robustes à la complexité du texte arabe (différentes échelles, tailles, polices, etc.) ainsi qu'aux différents défis liés à l'environnement vidéo et aux conditions d'acquisitions (variabilité du fond, luminosité, contraste, faible résolution, etc.). Nous introduisons différents détecteurs de texte arabe qui se basent sur l'apprentissage artificiel sans aucun prétraitement. Les détecteurs se basent sur des Réseaux de Neurones à Convolution (ConvNet) ainsi que sur des schémas de boosting pour apprendre la sélection des caractéristiques textuelles manuellement conçus. Quant à notre méthodologie d'OCR, elle se passe de la segmentation en traitant chaque image de texte en tant que séquence de caractéristiques grâce à un processus de scanning. Contrairement aux méthodes existantes qui se basent sur des caractéristiques manuellement conçues, nous proposons des représentations pertinentes apprises automatiquement à partir des données. Nous utilisons différents modèles d'apprentissage profond, regroupant des Auto-Encodeurs, des ConvNets et un modèle d'apprentissage non-supervisé, qui génèrent automatiquement ces caractéristiques. Chaque modèle résulte en un système d'OCR bien spécifique. Le processus de reconnaissance se base sur une approche connexionniste récurrente pour l'apprentissage de l'étiquetage des séquences de caractéristiques sans aucune segmentation préalable. Nos modèles d'OCR proposés sont comparés à d'autres modèles qui se basent sur des caractéristiques manuellement conçues. Nous proposons, en outre, d'intégrer des modèles de langage (LM) arabes afin d'améliorer les résultats de reconnaissance. Nous introduisons différents LMs à base des Réseaux de Neurones Récurrents capables d'apprendre des longues interdépendances linguistiques. Nous proposons un schéma de décodage conjoint qui intègre les inférences du LM en parallèle avec celles de l'OCR tout en introduisant un ensemble d’hyper-paramètres afin d'améliorer la reconnaissance et réduire le temps de réponse. Afin de surpasser le manque de corpus textuels arabes issus de contenus multimédia, nous mettons au point de nouveaux corpus manuellement annotés à partir des flux TV arabes. Le corpus conçu pour l'OCR, nommé ALIF et composée de 6,532 images de texte annotées, a été publié a des fins de recherche. Nos systèmes ont été développés et évalués sur ces corpus. L’étude des résultats a permis de valider nos approches et de montrer leurs efficacité et généricité avec plus de 97% en taux de détection, 88.63% en taux de reconnaissance mots sur le corpus ALIF dépassant ainsi un des systèmes d'OCR commerciaux les mieux connus par 36 points.", "source_url": "https:\/\/openalex.org\/W7147073477", "pdf_url": "https:\/\/hal.science\/tel-01406716v2\/document", "doi": "10.70675\/531c973dzdb13z4a97z8f20zc8738a629707", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7147073477", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 140, "title": "Anomaly-based network intrusion detection using machine learning", "title_ar": "", "title_en": "", "author": "Maxime Labonne", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2020, "language": "fr", "research_domain": "machine-learning", "research_subdomain": "ai-cybersecurity", "categories": "machine-learning; ai-applications; ai-cybersecurity; ai-industry", "keywords": "", "abstract": "Détection d'intrusion réseau par anomalies avec apprentissage automatique Ces dernières années, le piratage est devenu une industrie à part entière, augmentant le nombre et la diversité des cyberattaques. Les menaces qui pèsent sur les réseaux informatiques vont des logiciels malveillants aux attaques par déni de service, en passant par le phishing et l'ingénierie sociale. Un plan de cybersécurité efficace ne peut plus reposer uniquement sur des antivirus et des pare-feux pour contrer ces menaces : il doit inclure plusieurs niveaux de défense. Les systèmes de détection d'intrusion (IDS) réseaux sont un moyen complémentaire de renforcer la sécurité, avec la possibilité de surveiller les paquets de la couche 2 (liaison) à la couche 7 (application) du modèle OSI. Les techniques de détection d'intrusion sont traditionnellement divisées en deux catégories : la détection par signatures et la détection par anomalies. La plupart des IDS utilisés aujourd'hui reposent sur la détection par signatures ; ils ne peuvent cependant détecter que des attaques connues. Les IDS utilisant la détection par anomalies sont capables de détecter des attaques inconnues, mais sont malheureusement moins précis, ce qui génère un grand nombre de fausses alertes. Dans ce contexte, la création d'IDS précis par anomalies est d'un intérêt majeur pour pouvoir identifier des attaques encore inconnues.Dans cette thèse, les modèles d'apprentissage automatique sont étudiés pour créer des IDS qui peuvent être déployés dans de véritables réseaux informatiques. Tout d'abord, une méthode d'optimisation en trois étapes est proposée pour améliorer la qualité de la détection : 1\/ augmentation des données pour rééquilibrer les jeux de données, 2\/ optimisation des paramètres pour améliorer les performances du modèle et 3\/ apprentissage ensembliste pour combiner les résultats des meilleurs modèles. Les flux détectés comme des attaques peuvent être analysés pour générer des signatures afin d'alimenter les bases de données d'IDS basées par signatures. Toutefois, cette méthode présente l'inconvénient d'exiger des jeux de données étiquetés, qui sont rarement disponibles dans des situations réelles. L'apprentissage par transfert est donc étudié afin d'entraîner des modèles d'apprentissage automatique sur de grands ensembles de données étiquetés, puis de les affiner sur le trafic normal du réseau à surveiller. Cette méthode présente également des défauts puisque les modèles apprennent à partir d'attaques déjà connues, et n'effectuent donc pas réellement de détection d'anomalies. C'est pourquoi une nouvelle solution basée sur l'apprentissage non supervisé est proposée. Elle utilise l'analyse de l'en-tête des protocoles réseau pour modéliser le comportement normal du trafic. Les anomalies détectées sont ensuite regroupées en attaques ou ignorées lorsqu'elles sont isolées. Enfin, la détection la congestion réseau est étudiée. Le taux d'utilisation de la bande passante entre les différents liens est prédit afin de corriger les problèmes avant qu'ils ne se produisent.", "source_url": "https:\/\/openalex.org\/W7149556586", "pdf_url": "https:\/\/theses.hal.science\/tel-02988296\/document", "doi": "10.70675\/7f7fbc77zaab9z4f60z9b41z7236bc47d138", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7149556586", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 152, "title": "Optimization of intrusion detection systems based on machine learning for cybersecurity by boosting feature engineering and model selection techniques", "title_ar": "", "title_en": "Optimization of intrusion detection systems based on machine learning for cybersecurity by boosting feature engineering and model selection techniques", "author": "Xavier Andrés Larriva Novo", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "Technical University of Madrid", "university_source": "repository_host", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2021, "language": "en", "research_domain": "deep-learning", "research_subdomain": "rnn", "categories": "machine-learning; deep-learning; ai-applications; predictive-analytics; rnn; ai-cybersecurity", "keywords": "", "abstract": "This PhD Thesis Works was developed in the context of intrusion detection systems based on Machine Learning techniques and contribute to the performance of intrusion detection systems based on feature engineering and Machine Learning model optimization. Machine Learning is in a fortunate position that makes systematic experimentation easy and profitable. In this way, the development of new systems such as intrusion detection systems based on Machine Learning has proven their effectiveness in terms of accuracy and reduced the number of false alarms. However, these systems are constantly evolving and need further research to become even more efficient and accurate. Intrusion detection systems based on Machine Learning are able to extrapolate data and detect anomalies. Nevertheless, these systems need optimal features to detect the possibility of an attack. The main objective of this PhD Thesis work is to design, implement and validate an intrusion detection system capable of reliably detecting cyber attacks. This system will respond to potential attacks by considering the optimization of different phases of a Machine Learning model, such as feature selection, data preprocessing, and model selection. This system will process information quickly and efficiently, considering the current state of the art in the area. In this PhD thesis work, an intrusion detection system has been designed based on feed-forward neural network and recurrent neural networks. Also, a characterization of cybersecurity datasets based on these models has been developed. The result is a model that allows a characterization to be applied to different network scenarios for cybersecurity anomaly detection. Based on this model, a distributed preprocessing model for intrusion detection systems based on Machine Learning was developed for real cybersecurity datasets with current attacks. The result was an intrusion detection system capable of processing real-world, large-scale cybersecurity datasets with high accuracy. In addition, this PhD Thesis proposes the development of a dynamic model selector capable of making the best prediction for individual Machine Learning-based intrusion detection systems, thus increasing the overall accuracy in terms of detection rate for different types of attacks. Finally, all contributions were evaluated against related state-of-the-art studies and are presented through this document as a compendium of articles for this PhD Thesis work. ----------RESUMEN---------- Este trabajo de tesis doctoral se desarrolló en el contexto de los sistemas de detección de intrusos basados en técnicas de aprendizaje automático y contribuye al rendimiento de los sistemas de detección de intrusos basados en la ingeniería de atributos y la optimización del modelo. El aprendizaje automático se encuentra en una posición afortunada que hace que la experimentación sistemática sea fácil y rentable. De esta forma, el desarrollo de nuevos sistemas como los sistemas de detección de intrusos basados en aprendizaje automático han demostrado su eficacia en cuanto a precisión y reducido el número de falsas alarmas. Sin embargo, estos sistemas están en constante evolución y necesitan más investigación para ser aún más eficientes y precisos. Los sistemas de detección de intrusos basados en el aprendizaje automático son capaces de extrapolar datos y detectar anomalías. Sin embargo, estos sistemas necesitan características óptimas para detectar de manera acertada la posibilidad de un ataque. El objetivo principal de esta tesis es diseñar, implementar y validar un sistema de detección de intrusos capaz de detectar ciberataques de manera confiable. Este sistema responderá a posibles ataques considerando la optimización de diferentes fases de un modelo de aprendizaje automático, como la selección de características, el preprocesamiento de datos y la selección del modelo. Este sistema procesará la información de manera rápida y eficiente, considerando el estado del arte actual en el área. En esta tesis doctoral se ha diseñado un sistema de detección de intrusiones basado en una red neuronal feed-forward y una red neuronal recurrente. Asimismo, se ha desarrollado una caracterización de conjuntos de datos de ciberseguridad en base a estos modelos. El resultado es un modelo que permite aplicar una caracterización a diferentes escenarios de red para la detección de anomalías de ciberseguridad. Sobre la base de este modelo, se desarrolló un modelo de preprocesamiento distribuido para sistemas de detección de intrusos para conjuntos de datos reales con ataques reales. El resultado fue un sistema de detección de intrusos capaz de procesar datos a gran escala con alta precisión.", "source_url": "https:\/\/openalex.org\/W4210657881", "pdf_url": "https:\/\/oa.upm.es\/69604\/1\/XAVIER_LARRIVA_NOVO.pdf", "doi": "10.20868\/upm.thesis.69604", "handle": "", "repository_name": "UPM Digital Archive (Technical University of Madrid)", "source_record_id": "W4210657881", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 159, "title": "Trustable machine learning for intrusion detection systems", "title_ar": "", "title_en": "", "author": "Robin Duraz", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "ai-cybersecurity", "categories": "machine-learning; computer-vision; ai-applications; ai-cybersecurity", "keywords": "", "abstract": "Apprentissage automatique de confiance pour les systèmes de détection d'intrusion Les systèmes de détection d'intrusion sont des composants essentiels à la défense de notre écosystème numérique. Récemment, les avancées en apprentissage automatique ont permis de développer de nouveaux types de système de détection d'intrusion, permettant de s'éloigner du besoin de créer des règles de détection de plus en plus complexes. Ces systèmes de détection utilisant l'apprentissage automatique sont capables d'apprendre de façon autonome différents comportements, à la condition d'avoir un jeu de données bien calibré. Le contexte de la cybersécurité amène des besoins spécifiques, des besoins qui sont différents des tâches d'apprentissage automatique les plus courantes : la reconnaissance d'images et le traitement du langage. Cela implique qu'il faut adapter les différents procédés utilisés en apprentissage automatique pour répondre à ces attentes. Étant dans un environnement ayant d'importants enjeux, les systèmes de détection d'intrusion devraient plutôt être utilisés pour aider à la prise de décisions, mais cela reste essentiel de pouvoir leur faire confiance. De ce fait, dans cette thèse, nous avons dans un premier temps développé une nouvelle métrique basée sur les scores CVSS, permettant d'intégrer des connaissances de cybersécurité dans le processus d'évaluation des systèmes de détection d'intrusion. Nous nous sommes ensuite concentrés sur le besoin de comprendre des décisions qui ne sont pas compréhensibles. Même si le domaine de l'explicabilité n'est pas assez avancé pour correctement expliquer ces décisions, cela reste possible de vérifier la confiance en celles-ci d'une façon plus robuste, amenant à examiner ou corriger d'éventuelles erreurs. Finalement, nous nous sommes efforcés de compléter les approches existantes en utilisant des techniques d'apprentissage automatique récentes pour augmenter la capacité à détecter de nouvelles cyberattaques. Toutes ces méthodes contribuent donc à créer des systèmes de détection d'intrusion utilisant l'apprentissage automatique qui sont plus fiables.", "source_url": "https:\/\/openalex.org\/W7152081341", "pdf_url": "https:\/\/theses.hal.science\/tel-04929212v1\/file\/2024IMTA0433_Duraz-Robin_Diffusion.pdf", "doi": "10.70675\/e2fe5f32z19e5z41caz9b55z7b33b874c3c0", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152081341", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 161, "title": "Generative Quantum Machine Learning", "title_ar": "", "title_en": "Generative Quantum Machine Learning", "author": "Christa Zoufal", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «doctoral thesis»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2021, "language": "en", "research_domain": "generative-ai", "research_subdomain": "gan", "categories": "machine-learning; generative-ai; quantum-ml; gan", "keywords": "", "abstract": "The goal of generative machine learning is to model the probability distribution underlying a given data set. This probability distribution helps to characterize the generation process of the data samples. While classical generative machine learning is solely based on classical resources, generative quantum machine learning can also employ quantum resources - such as parameterized quantum channels and quantum operators - to learn and sample from the probability model of interest. Applications of generative (quantum) models are multifaceted. The trained model can generate new samples that are compatible with the given data and extend the data set. Additionally, learning a model for the generation process of a data set may provide interesting information about the corresponding properties. With the help of quantum resources, the respective generative models have access to functions that are difficult to evaluate with a classical computer and may improve the performance or lead to new insights. Furthermore, generative quantum machine learning can be applied to efficient, approximate loading of classical data into a quantum state which may help to avoid - potentially exponentially - expensive, exact quantum data loading. The aim of this doctoral thesis is to develop new generative quantum machine learning algorithms, demonstrate their feasibility, and analyze their performance. Additionally, we outline their potential application to efficient, approximate quantum data loading. More specifically, we introduce a quantum generative adversarial network and a quantum Boltzmann machine implementation, both of which can be realized with parameterized quantum circuits. These algorithms are compatible with first-generation quantum hardware and, thus, enable us to study proof of concept implementations not only with numerical quantum simulations but also real quantum hardware available today.", "source_url": "https:\/\/openalex.org\/W3212842386", "pdf_url": "https:\/\/arxiv.org\/pdf\/2111.12738", "doi": "10.3929\/ethz-b-000514692", "handle": "", "repository_name": "arXiv (Cornell University)", "source_record_id": "W3212842386", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 162, "title": "Quantum Machine Learning for Industrial Applications", "title_ar": "", "title_en": "", "author": "Léo Monbroussou", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2025, "language": "fr", "research_domain": "machine-learning", "research_subdomain": "quantum-ml", "categories": "machine-learning; ai-applications; quantum-ml; ai-industry", "keywords": "", "abstract": "Machine learning quantique appliqué à des cas d'usage industriels Cette thèse explore le développement de méthodes en Apprentissage Automatique Quantique (Quantum Machine Learning, QML) destinées aux applications industrielles, en mettant l'accent sur la jonction entre les résultats théoriques et les contraintes du matériel quantique actuel. L'apprentissage automatique classique a profondément transformé des secteurs tels que la santé, la finance ou la logistique, mais il se heurte aujourd'hui à plusieurs limites : croissance exponentielle des données, coûts de calcul élevés, enjeux de confidentialité et de sécurité, ainsi que la consommation énergétique massive des grands modèles. L'informatique quantique, initialement proposée pour la simulation des systèmes physiques, est apparue comme une piste prometteuse pour accélérer certaines tâches d'apprentissage, mais de nombreux algorithmes nécessitent des ordinateurs quantiques tolérants aux fautes, encore inaccessibles. Les algorithmes variationnels quantiques, plus adaptés aux machines bruitées, représentent les candidats les plus réalistes, bien qu'ils souffrent encore de problèmes d'entrainement, de ressources théoriques pour évaluer leur utilité, et de la difficulté à garantir que ces modèles quantiques ne peuvent être simulés ou approximer classiquement. La première partie de la thèse étudie ces défis à travers les circuits quantiques préservant des sous-espaces, et en particulier les circuits préservant le poids de Hamming des états. Ces derniers présentent des propriétés favorables à l'entrainement. Toutefois, ces régimes se révèlent souvent classiquement simulables dans un temps polynomial, ce qui illustre la tension entre entraînement et avantage quantique. Est alors proposé de se concentrer sur des algorithmes limités à des avantages polynomiaux, mais possédant des garanties de convergence. Une attention particulière est portée sur les architectures photoniques, qui préservent naturellement le nombre de particules et permettent des cadences de répétition élevées. Leur contrôlabilité est caractérisée et de nouveaux schémas, bien que sous-optimaux, sont proposés afin d'exploiter des avantages polynomiaux susceptibles d'avoir une valeur concrète dans un cadre industriel. Sur ces bases, la thèse introduit une famille d'algorithmes quantiques préservant des sous-espaces et qui mimiquent des briques élémentaires de l'apprentissage classique. Ces méthodes allient garanties théoriques, bonnes propriétés d'entrainement, offrant une voie pragmatique pour l'adoption industrielle de l'apprentissage quantique à court terme, même en l'absence d'avantage exponentiel. La seconde partie propose un cadre théorique fondé sur l'analyse de Fourier des circuits variationnels. Cette approche permet de traiter conjointement l'expressivité et la trainabilité, et de comparer systématiquement les circuits quantiques aux méthodes classiques. Elle met en évidence des conditions de convergence distinctes et précise les cas où des modèles approchés (surrogates) suffisent à simuler le comportement quantique. Ces résultats apportent des outils conceptuels pour concevoir des circuits résistants à une simulation classique efficace et pour mieux cerner les situations où un véritable avantage quantique peut émerger. En combinant l'étude de la trainabilité, la conception d'architectures adaptées et le développement d'outils analytiques, cette thèse contribue à définir les conditions dans lesquelles l'apprentissage quantique peut avoir un impact industriel réel. Elle montre que si l'avantage exponentiel reste difficile à atteindre avec les dispositifs actuels, des gains polynomiaux — notamment dans des architectures photoniques à haut débit — peuvent déjà constituer un atout compétitif. Les résultats offrent ainsi un cadre théorique et algorithmique pour guider la conception de modèles quantiques équilibrant expressivité, trainabilité et résistance à la simulation classique, et ouvrent la voie à des applications industrielles concrètes du QML.", "source_url": "https:\/\/openalex.org\/W7164192938", "pdf_url": "https:\/\/arxiv.org\/pdf\/2606.14822", "doi": "10.70675\/78b65d31z6c74z4ccfz8ce3zdbde6bf748e9", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7164192938", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 164, "title": "Quantum Machine Learning Applications and Algorithms", "title_ar": "", "title_en": "", "author": "Marco Russo", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Ph.D»", "university": "", "university_source": "", "college": "", "department": "", "country": "Portugal", "governorate": "", "publication_year": 2026, "language": "it", "research_domain": "machine-learning", "research_subdomain": "quantum-ml", "categories": "machine-learning; quantum-ml", "keywords": "", "abstract": "This dissertation is presented in partial fulfillment of the requirements for Ph.D. degree in the Graduate School of Politecnico di Torino (ScuDo).La scrittura scientifica è notoriamente fredda, austera, priva di emozioni.Qualsiasi risultato ottenuto da un esperimento, sia esso inconcludente o grandioso, viene presentato con la solita formula \"in questa figura e in quella tabella si può vedere che\", immancabilmente seguito da un \"possiamo quindi dedurre che\".Poi un abisso, oltre il quale c'è un altro mondo, quello dell'espressione dell'anima, dei nostri moti interiori e della consapevolezza di essi.Abbiamo deciso appunto di metterci un abisso in mezzo, e in fondo non è che si possa pretendere altrimenti; la scienza è questione di fatti e non di opinioni.Ma dentro colui che scrive con freddezza, nel momento in cui lo fa, il suo sentire non si spegne.Meglio allora non smettere mai di avere la testa nel secondo mondo anche se ci tocca lavorare nel primo.Il sentire di chi scrive si nasconde tra ogni riga.E se dal punto di vista dell'utile conta quello che nelle prossime pagine sarà nero su bianco, quel che importa a me sono in realtà le righe invisibili.Ognuna di queste racchiude chi sono mentre scrivo, e le persone e le cose che in qualche modo, in fasi diverse di questo percorso, hanno avuto un impatto di cui magari non si rendono conto.È per loro che quelle righe bianche sono scritte.Per mio fratello, in cui vedo molta più forza di quanta ne veda lui in sé stesso, e che, anche se ogni tanto la marea glielo nasconde e lui se lo dimentica, è così in gamba che alla fine si guarderà indietro ridendo.Per mia madre, che non ha mai potuto fare a meno di essere preoccupata per qualsiasi cosa, che ha sempre saputo ascoltarmi in ogni momento mettendo da parte ogni impegno, e che quando sono andato in posti incredibili sembrava vivere quelle cose attraverso i miei occhi.Una vita passata a sentire più di noi le nostre stesse emozioni, sognando con noi.", "source_url": "https:\/\/openalex.org\/W7217833618", "pdf_url": "https:\/\/iris.polito.it\/bitstream\/11583\/3012489\/2\/phd_thesis.pdf", "doi": "", "handle": "", "repository_name": "PORTO@Iris", "source_record_id": "W7217833618", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 166, "title": "Variational algorithms for quantum machine learning", "title_ar": "", "title_en": "Variational algorithms for quantum machine learning", "author": "Filippo Orazi", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: AMS Dottorato Institutional Doctoral Theses Repository (University of Bologna)", "university": "University of Bologna", "university_source": "repository_host", "college": "", "department": "", "country": "Italy", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "nlp", "research_subdomain": "llm", "categories": "machine-learning; nlp; quantum-ml; predictive-analytics; llm", "keywords": "", "abstract": "In recent years, we have observed a new revolution in computer science, driven by the increasing availability of computational power and data. This historic event has seen the capillary diffusion of what is commonly known as artificial intelligence (AI). In particular, we have seen a rapid improvement of large language models that now can interact with people on a level that appeared impossible just a few years ago. Despite this newly found focus on AI and computer science, the technical difficulties that limit the increase in computational power are increasing, and the prediction described by Moore's law no longer holds. For this reason physicists, computer scientists, mathematicians, and engineers are studying another computational paradigm called quantum computing. Similar to the rise of large language models, quantum computing has gained significant attention in the last ten years due to the development of initial quantum hardware and its rapid advancements. The quantum computing paradigm offers a fundamentally different set of tools with respect to what is called classical computation. Quantum properties and effects like superposition, entanglement, and interference give us the ability to solve problems that we could not approach classically. In this thesis, we explore the intersection between artificial intelligence and quantum computing from an experimental point of view. We researched quantum AI models, utilizing both the classical and quantum paradigms using variational architectures. This thesis is organized as follows: part 1 contains an introduction to quantum computation, starting from the postulate of quantum mechanics, through an introduction to QML and finally the state of the art. Part 2 contains the description of the research we performed. It's divided into two main chapters containing fundamentally different approaches to quantum computing. Each chapter contains section illustrating our research on that approach.", "source_url": "https:\/\/openalex.org\/W7204115278", "pdf_url": "https:\/\/amsdottorato.unibo.it\/id\/eprint\/13067\/1\/orazi_filippo_tesi.pdf", "doi": "10.48676\/unibo\/amsdottorato\/13067", "handle": "", "repository_name": "AMS Dottorato Institutional Doctoral Theses Repository (University of Bologna)", "source_record_id": "W7204115278", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 176, "title": "A Novel Framework for Quantum Machine Learning", "title_ar": "", "title_en": "A Novel Framework for Quantum Machine Learning", "author": "Antonio Macaluso", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: AMS Dottorato Institutional Doctoral Theses Repository (University of Bologna)", "university": "University of Bologna", "university_source": "repository_host", "college": "", "department": "", "country": "Italy", "governorate": "", "publication_year": 2021, "language": "en", "research_domain": "deep-learning", "research_subdomain": "quantum-ml", "categories": "machine-learning; deep-learning; quantum-ml", "keywords": "", "abstract": "Quantum computation is an emerging computing paradigm with the potential to revolutionise the world of information technology. It leverages the laws of quantum mechanics to endow quantum machines with tremendous computing power, thus enabling the solution of problems impossible to address with classical devices. For this reason, the field is attracting ever-increasing attention from both academic and private sectors, and its full potential is still to be understood. This dissertation investigates how classical machine learning can benefit from quantum computing and provides several contributions to the emerging field of Quantum Machine Learning. The idea is to provide a universal and efficient framework that can reproduce the output of a plethora of classical machine learning algorithms exploiting quantum computation’s advantages. The proposed framework is named Multiple Aggregator Quantum Algorithm (MAQA) due to its capability to combine multiple functions to solve typical supervised learning tasks. Thanks to this property, in its general formulation MAQA can be potentially adopted as the quantum counterpart of all those models falling into the scheme of aggregation of multiple functions. The theoretical design of the quantum algorithm and the corresponding circuit’s implementation are presented. As a second meaningful addition, two practical applications are illustrated: the quantum version of ensemble methods and neural networks. The final contribution addresses the restriction to linear operations imposed by quantum mechanics. The idea is to exploit a quantum transposition of classical Splines to approximate non-linear functions, thus overcoming this limitation and introducing significant advantages in terms of computational complexity theory.", "source_url": "https:\/\/openalex.org\/W3205058257", "pdf_url": "http:\/\/amsdottorato.unibo.it\/9791\/2\/Antonio_Macaluso_tesi.pdf", "doi": "10.48676\/unibo\/amsdottorato\/9791", "handle": "", "repository_name": "AMS Dottorato Institutional Doctoral Theses Repository (University of Bologna)", "source_record_id": "W3205058257", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 182, "title": "Noise and trainability in quantum machine learning", "title_ar": "", "title_en": "", "author": "Valentin Heyraud", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "machine-learning", "research_subdomain": "quantum-ml", "categories": "machine-learning; quantum-ml", "keywords": "", "abstract": "Bruit et capacité d'apprentissage en apprentissage automatique quantique Cette thèse est consacrée à l'exploration de l'interface entre l'informatique quantique et l'apprentissage automatique, en mettant l'accent sur les effets du bruit et de la décohérence. Dans la première partie, nous étudions l'utilisation de systèmes quantiques ouverts pour la réalisation de tâches classiques de reconnaissance des formes. En particulier, nous nous intéressons à l'impact du bruit sur les machines à noyau quantique dans une configuration de calcul à réservoir. Les modèles que nous considérons sont basés sur l'utilisation d'un système quantique de grande taille et non contrôlé, un réservoir, qui est excité par un signal d'entrée à traiter. Des mesures sont ensuite effectuées sur le système et une combinaison linéaire des résultats est optimisée afin de réaliser la tâche souhaitée. Dans le cadre théorique associé aux méthodes à noyau, nous analysons l'effet de la dissipation sur l'expressivité de ces modèles. Nous montrons que le bruit affectant le réservoir peut agir comme une régularisation implicite qui aide à prévenir l'ajustement excessif. Ces résultats sont accompagnés d'une étude numérique d'un ensemble de machines à noyaux bruitées basées sur des chaînes de spins quantiques sujets à de la décohérence, et dont l'évolution markovienne est décrite par une équation maîtresse de type Lindblad. Dans la deuxième partie de la thèse, nous nous concentrons sur les algorithmes quantiques variationnels. Nous y présentons un schéma de simulation classique efficace pour estimer des quantités moyennées à la sortie d'un circuit quantique paramétré dont les paramètres de rotation sont choisis aléatoirement. Nous étudions d'abord les canaux quantiques associés aux moyennes de rotations aléatoires d'un et de deux qubits autour d'un axe Z. Sous certaines hypothèses, nous montrons que ces canaux peuvent être décomposés en sommes convexes de canaux associés à des transformations unitaires de Clifford. Ce résultat peut être interprété comme un effet de décohérence artificiel induit par le choix aléatoire des angles de rotation. Il nous permet construire un schéma de simulation efficace basé sur le célèbre théorème de Gottesman-Knill. Cette méthode permet notamment d'estimer efficacement l'amplitude moyenne du gradient de la fonction de coût par des simulations classiques avec une complexité polynomiale en le nombre de qubits. Elle peut donc être utilisée pour explorer des stratégies de conception de circuits variationnels quantiques permettant d'éviter les difficultés d'entrainement due à une disparition du gradient.", "source_url": "https:\/\/openalex.org\/W4402623683", "pdf_url": "https:\/\/theses.hal.science\/tel-04702049\/document", "doi": "10.70675\/bff70fa6zf210z4833zb75cze3a22be94ef6", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W4402623683", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 209, "title": "Trustful AI through fair and privacy-preserving federated machine learning", "title_ar": "", "title_en": "", "author": "Nawel Benarba", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2026, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "fairness", "categories": "machine-learning; responsible-ai; fairness", "keywords": "", "abstract": "Intelligence artificielle digne de confiance grâce à l'apprentissage fédéré équitable et respectueux de la vie privée L'augmentation massive du volume de données disponibles a transformé l'informatique moderne, contribuant à l'essor de l'apprentissage automatique dans plusieurs domaines tels que la santé, la finance et les systèmes autonomes. Cette dépendance croissante aux modèles d'apprentissage pour la prise de décision dans ces domaines soulève des préoccupations majeures en matière d'équité et de confidentialité, étant donné que les décisions qu'ils produisent peuvent influencer de manière significative les individus et les organisations dans des contextes d'application réels. Motivés par la nécessité de mieux comprendre et d'atténuer ces enjeux, la présente recherche étudie les défis associés à ces problématiques et propose des contributions notables en faveur de systèmes d'apprentissage plus responsables et plus fiables. La première partie de cette thèse porte sur l'équité, devenue une préoccupation centrale en apprentissage automatique en raison de son potentiel à amplifier les disparités et à renforcer les biais existants. Ce constat, associé à l'émergence de régulations telles que l'AI Act de l'Union européenne et l'Executive Order américain, souligne la nécessité d'intégrer l'équité comme principe fondamental dans la conception des systèmes d'apprentissage automatique. Compte tenu de cela, nous avons examiné comment les méthodes de sélection automatique de données, souvent utilisées pour améliorer l'efficacité en termes de temps en utilisant des sous-ensembles plus petits d'entraînement plutôt que le jeu de données complet, influencent l'équité et la qualité des modèles. Nous avons mené la première analyse à grande échelle révélant l'impact souvent ignoré de la sélection sur ces deux aspects, nous avons identifié les facteurs clés qui en sont à l'origine et nous avons avancé des pistes pertinentes pour favoriser un apprentissage plus équitable et efficace. Parallèlement aux régulations promouvant un apprentissage plus équitable, d'autres insistent sur la protection des données utilisées, tel que le règlement général sur la protection des données (RGPD), qui a favorisé l'adoption de l'apprentissage fédéré, permettant à plusieurs parties d'entraîner un modèle global sans partager leurs données. Cependant, la nature distribuée et collaborative de ce paradigme d'apprentissage amplifie les biais hérités de l'apprentissage centralisé et introduit également de nouveaux types de biais. Pour éclairer ces enjeux, nous nous avons proposé une revue approfondie de l'équité en apprentissage fédéré, identifiant les principales sources de biais, couvrant l'ensemble des stratégies de mitigation existantes, et mettant en évidence des pistes de recherche encore ouvertes pour faire progresser l'équité dans ce cadre. Bien que l'apprentissage fédéré permette à plusieurs parties d'entraîner un modèle sans partager leurs données locales, de nombreuses études montrent qu'il reste vulnérable à diverses menaces portant atteinte à la vie privée des utilisateurs. Parmi ces menaces figurent les attaques d'inférence d'appartenance, qui permettent à un adversaire de déterminer si un point de données faisait partie de l'ensemble d'entraînement, exposant potentiellement des informations confidentielles. Dans ce contexte, la deuxième partie de cette thèse se concentre sur les atteintes à la vie privée en apprentissage fédéré, en accordant une attention particulière aux attaques d'inférence d'appartenance. Pour contrer ces attaques, nous avons introduit GAPER, une méthode granulaire et adaptative fondée sur la confidentialité différentielle, offrant une protection efficace contre ce type d'attaque tout en préservant la qualité du modèle, et soutenue à la fois par des garanties théoriques et des évaluations empiriques. De manière plus générale, ces travaux font progresser le développement de systèmes d'apprentissage non seulement performants, mais également fondamentalement alignés avec les principes d'équité et de confidentialité.", "source_url": "https:\/\/openalex.org\/W7170059833", "pdf_url": "https:\/\/theses.fr\/2026ISAL0013\/document", "doi": "10.70675\/17b0463eza470z4230za6edze526eaf22206", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7170059833", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 225, "title": "Sensitivity analysis and algorithmic fairness for machine learning and artificial intelligence", "title_ar": "", "title_en": "", "author": "Clément Bénesse", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "fairness", "categories": "machine-learning; responsible-ai; fairness", "keywords": "", "abstract": "Analyse de sensibilité et équité algorithmique pour le machine learning et l'intelligence artificielle Au cours des dernières années, le déploiement d'algorithmes utilisant du Machine Learning a explosé. En permanence à la recherche de performances améliorées au prix de toujours plus de données, ces algorithmes ont révolutionné de nombreux domaines. Néanmoins, de plus en plus de problèmes transparaissent lors de l'utilisation de ces modèles. Dans cette thèse, nous nous intéressons à deux écueils particuliers que sont le manque d'explicabilité, ainsi que le défaut d'équité pouvant mener à des discriminations qui peut être présent dans ces algorithmes. Nous montrons comment ces deux sujets sont liés en présentant un cadre probabiliste unificateur permettant de transposer des techniques de l'un des domaines vers l'autre.", "source_url": "https:\/\/openalex.org\/W7151539384", "pdf_url": "https:\/\/utheme.utoulouse.fr\/files\/original\/dbbe0ed98fc2d0f31e153387c81e933fa6b09906.pdf", "doi": "10.70675\/0445eb0az81f4z4ea8z8a87z1a0fef986a20", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151539384", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 228, "title": "Algorithmic fairness analyses of supervised machine learning in education", "title_ar": "", "title_en": "", "author": "Mélina Verger", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "fairness", "categories": "machine-learning; responsible-ai; ai-applications; fairness; ai-education", "keywords": "", "abstract": "Analyses de l'équité algorithmique pour l'apprentissage automatique en éducation Cette thèse vise à évaluer et réduire l'iniquité algorithmique des modèles d'apprentissage automatique largement utilisés en éducation. En effet, ces modèles prédictifs, fondés sur des données éducatives et des traces d'apprentissage de plus en plus abondantes, ont pour but d'améliorer l'expérience d'apprentissage humain. Ils permettent, par exemple, de prédire le décrochage scolaire ou de personnaliser l'expérience d'apprentissage en adaptant les contenus éducatifs selon les besoins de chaque apprenant et apprenante. Cependant, il a été démontré à plusieurs reprises que ces modèles peuvent produire des prédictions biaisées et discriminantes, le plus souvent du fait de prédictions systématiquement moins bonnes observées pour les personnes noires comparées aux personnes blanches, et pour les femmes comparées aux hommes. Il est donc devenu crucial d'évaluer l'équité des résultats des modèles prédictifs, vis-à-vis des différents groupes présents dans les données. Les travaux de l'état de l'art se sont concentrés sur la comparaison entre groupes des performances prédictives des modèles considérés. Par exemple, pour un classifieur binaire et pour les groupes hommes\/femmes, le taux de bonnes prédictions est calculé pour chaque groupe, et la différence entre ces taux indiquerait une iniquité. Bien que cette approche soit prédominante dans la littérature, elle ne capture l'iniquité qu'en termes de performance prédictive, alors que celle-ci peut se manifester sous d'autres formes et de manière plus nuancée qu'une différence de taux, ce qui doit être approfondi. L'objectif principal de cette thèse est donc d'approfondir la compréhension et l'évaluation de l'iniquité algorithmique, pour ensuite identifier son éventuelle présence dans des contextes sous-étudiés. Ces contextes incluent à la fois des attributs sensibles et des populations d'apprenants et apprenantes peu voire pas considérés. Pour ce faire, nous avons conçu une nouvelle mesure d'équité algorithmique, abrégée MADD, qui s'appuie sur les distributions des résultats des modèles d'apprentissage supervisé. Cette approche via les distributions permet en plus d'exploiter des analyses graphiques pour comprendre l'iniquité quantifiée par la MADD. Nous avons démontré théoriquement et expérimentalement la validité de cette mesure, et avons ainsi découvert que les potentielles iniquités observées dans les données ne sont pas toujours reflétées dans les résultats des modèles, comme par exemple cela a été le cas pour le biais de genre de nos expériences. De plus, nous avons développé une technique de réduction de l'iniquité utilisant la MADD, ainsi que de nouvelles méthodes d'évaluation pour plusieurs attributs sensibles simultanément. En effet, la littérature considère chaque attribut séparément, alors que la théorie de l'intersectionnalité de Crenshaw (1989, 1991) défend l'idée que leurs influences combinées produisent des discriminations uniques et différentes pour certains groupes. Nos résultats expérimentaux montrent que certaines combinaisons augmentent, réduisent, ou maintiennent le niveau d'iniquité observé initialement. Enfin, nous avons mené des analyses d'équité pour de nouveaux attributs sensibles, démographiques ou liés au contexte d'apprentissage, et avec de nouvelles populations d'apprenants et apprenantes, de pays d'Afrique, de Philippines, d'Haïti et de France, grâce à la collecte de données issues d'un MOOC (ou massive open online course) et d'une plateforme en ligne (Canvas LMS). Ces expériences ont révélé des iniquités qui n'ont pas été découvertes auparavant, apportant ainsi un éclairage sur les potentielles iniquités réelles présentes dans ces contextes d'étude. Afin de faciliter les réplications de nos travaux ainsi que l'application de nos méthodes dans d'autres contextes, nous avons créé une librairie Python open source, nommée maddlib. Les données (sauf celles des Philippines) et nos codes documentés sont également disponibles en ligne.", "source_url": "https:\/\/openalex.org\/W7151984572", "pdf_url": "https:\/\/theses.hal.science\/tel-05097943v1\/file\/145482_VERGER_2024_archivage.pdf", "doi": "10.70675\/cd7cfce4zdadaz4145zb07czdcb9669230ea", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151984572", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 230, "title": "Advancing Ethical and Responsible AI : Exploring Fairness, Privacy, and Explainability through Causal Perspectives", "title_ar": "", "title_en": "", "author": "Karima Makhlouf", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "xai", "categories": "machine-learning; responsible-ai; xai; fairness", "keywords": "", "abstract": "Promouvoir l'IA éthique et responsable : explorer l'équité, la confidentialité et l'explicabilité à travers des perspectives causales Cette thèse explore l'intersection de la confidentialité, de l'équité et de la causalité dans le domaine de l'apprentissage automatique et de la prise de décision basée sur les données. Les principales contributions de la thèse peuvent être résumées comme suit : (1) nous étudions l'applicabilité des notions d'équité statistiques et basées sur la causalité dans divers domaines d'application, en évaluant leur alignement avec les préférences des parties prenantes et les normes sociétales dans les systèmes de prise de décision algorithmiques ; (2) nous menons une étude systématique et formelle sur l’impact de la confidentialité différentielle locale sur l’équité. Nous évaluons quantitativement la façon dont les décisions du modèle d'apprentissage automatique changent en fonction de différents niveaux de confidentialité et de distribution des données. De plus, nous examinons empiriquement les implications en matière d'équité de la collecte de plusieurs attributs sensibles dans le cadre du confidentialité différentielle locale ; (3) nous étudions la découverte causale à travers le prisme de l’équité algorithmique, en analysant comment le processus de découverte causale influence la structure des graphiques causals et, par conséquent, les conclusions sur l’équité. En outre, nous proposons un nouveau mécanisme de génération de données pour produire des ensembles de données synthétiques biaisés basés sur des graphiques causals et des niveaux de biais spécifiés, explorant l'influence de différents algorithmes de découverte causale sur diverses structures causales et le degré de biais introduit.Dans l’ensemble, cette thèse contribue au corpus croissant de littérature sur l’intelligence artificielle éthique et responsable en offrant des perspectives théoriques complétées par des considérations pratiques pour les décideurs politiques, les praticiens et les chercheurs cherchant à développer des systèmes algorithmiques plus justes qui adhèrent aux principes de confidentialité et d’explicabilité.", "source_url": "https:\/\/openalex.org\/W4404054379", "pdf_url": "http:\/\/www.theses.fr\/2024IPPAX057\/document", "doi": "10.70675\/30eb5919zcfb1z4231z81e0z61ac4b58ec29", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W4404054379", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 241, "title": "Watermarking machine learning models", "title_ar": "", "title_en": "", "author": "Sofiane Lounici", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "", "categories": "machine-learning; computer-vision", "keywords": "", "abstract": "Tatouage numérique des modèles d’apprentissage automatique La protection de la propriété intellectuelle des modèles d’apprentissage automatique apparaît de plus en plus nécessaire, au vu des investissements et de leur impact sur la société. Dans cette thèse, nous proposons d’étudier le tatouage de modèles d’apprentissage automatique. Nous fournissons un état de l’art sur les techniques de tatouage actuelles, puis nous le complétons en considérant le tatouage de modèles au-delà des tâches de classification d’images. Nous définissons ensuite les attaques de contrefaçon contre le tatouage pour les plateformes d’hébergement de modèles, et nous présentons une nouvelle technique de tatouages par biais algorithmique. De plus, nous proposons une implémentation des techniques présentées.", "source_url": "https:\/\/openalex.org\/W7151373744", "pdf_url": "", "doi": "10.70675\/2182b7a8zb67dz4845z9cb4z0f38acf7b0d1", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151373744", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:47", "updated_at": "2026-11-15 16:52:47" }, { "id": 251, "title": "Machine learning with adversarial perturbations and noisy labels", "title_ar": "", "title_en": "Machine learning with adversarial perturbations and noisy labels", "author": "Xingjun Ma", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Doctor of Philosophy»", "university": "University of Melbourne", "university_source": "repository_host", "college": "", "department": "", "country": "Australia", "governorate": "", "publication_year": 2018, "language": "en", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; deep-learning; computer-vision; nlp; robotics; predictive-analytics; image-classification; face-recognition; speech-recognition", "keywords": "", "abstract": "Machine learning models such as traditional random forests (RFs) and modern deep neural networks (DNNs) have been successfully used to solve complex learning problems in many applications such as speech recognition, image classification, face recognition, gaming agents and self-driving cars.For example, DNNs have demonstrated near or even surpassing human-level performance in image classification tasks.Despite their current success, these models are still vulnerable to noisy real-world situations where illegitimate or noisy data may exist to corrupt learning.Studies have shown that by adding small, human imperceptible (in the case of images) adversarial perturbations, normal samples can be perturbed into \"adversarial examples\", and DNNs can be made to misclassify adversarial examples with a high level of confidence.This arouses security concerns when employing DNNs in security-sensitive applications such as fingerprint recognition, face verification and autonomous cars.Studies have also found that DNNs can overfit to noisy (incorrect) labels and as a result, generalize poorly.This has been one of the key challenges when applying DNNs in noisy real-world scenarios where even high-quality datasets tend to contain noisy labels.Another open question in machine learning is whether actionable knowledge (or feedback) can be generated from prediction models to support decision making towards some long-term learning goals (for example, mastering a certain type of skills in a simulation-based learning (SBL) environment).We view the feedback generation problem from a new perspective of adversarial perturbation, and explore the possibility of using adversarial techniques to generate feedback.In this thesis, we investigate machine learning models including DNNs and RFs, and their learning behavior through the lens of adversarial perturbations iii Declaration This is to certify that 1. the thesis comprises only my original work towards the degree of Doctor of Philosophy except where indicated in the Preface, 2. due acknowledgment has been made in the text to all other material used, 3. the thesis is fewer than 80,000 words in length, exclusive of tables, maps, bibliographies and appendices.", "source_url": "https:\/\/openalex.org\/W2910507727", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Minerva Access (University of Melbourne)", "source_record_id": "W2910507727", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 273, "title": "Characterization of Pseudo CT From MRI With Deep Learning : Application to Brain Tumors Treated With Radiotherapy", "title_ar": "", "title_en": "", "author": "Émilie Alvarez Andres", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; image-segmentation; medical-imaging", "keywords": "", "abstract": "Caractérisation de pseudo CT générés à partir d'images IRM à l'aide de méthodes deep learning : application aux tumeurs cérébrales traitées par radiothérapie De nos jours, les traitements de tumeurs cérébrales par radiothérapie nécessitent l’acquisition d’un scanner utilisé pendant les étapes de segmentation et de dosimétrie, ainsi que d’une Imagerie par Résonance Magnétique (IRM) jouant un rôle important durant l’étape de segmentation des volumes cibles en particulier. Cependant, cette double modalité implique de recaler spatialement les images, processus qui induit des erreurs de 2mm, actuellement prises en compte par une augmentation de marges. Ainsi, générer des pseudo scanners (pCT) à partir d’images IRM apparaît comme étant une solution attractive pour diminuer les marges et réduire l’irradiation des tissus sains périphériques. La première étape de cette thèse avait pour but de caractériser les paramètres jouant un rôle clé dans la qualité de pCT générés par Deep Learning (DL), à savoir la taille de la cohorte d’entrainement, la séquence IRM utilisée en entrée du réseau, la technique de standardisation des images IRM, le filtre de correction d’inhomogénéités de champ et l’architecture du réseau. Pour ce faire, une large cohorte composée de plus de 400 patients a été constituée, rassemblant des images de multiples appareils d’IRM et localisations tumorales, afin d’assurer la robustesse du modèle. Les pCT obtenus ont tout d’abord été évalués à l’aide de l’erreur absolue moyenne, basée sur les intensités. Des analyses dosimétriques ont ensuite été menées. Toutes les approches étudiées ont atteint des performances dosimétriques équivalentes, excepté pour la taille du jeu d’entrainement. Pour introduire une dosimétrie basée sur les pCT en pratique clinique et déployer une méthodologie de validation de la non-infériorité de la planification de traitement dans le cas d’une radiothérapie basée seulement sur IRM comparée à celle conventionnellement basée sur scanner, une deuxième étude visant à définir les métriques dosimétriques les plus adaptées à une évaluation de pCT sans biais a été réalisée. Leurs corrélations avec des métriques basées sur les intensités ont été calculées. Enfin, l’impact de scenarios simulant des erreurs extrêmes de pCT a été quantifié, basé sur les métriques optimales préalablement définies. Un nouveau jeu de test de 71 patients a été constitué, reflétant les localisations tumorales rencontrées en clinique et les modalités de traitement propres à notre centre. Les gamma index globaux et locaux pour le critère 1%\/1mm associés à des seuils de dose non-extrêmes ont montré leur pertinence pour la tâche d’évaluation de pCT cérébraux. De plus, les différences de métriques issues des histogrammes dose\/volume des volumes cibles et organes à risque doivent aussi être calculées car elles reflètent la performance dosimétrique du pCT pour chaque structure segmentée. Enfin, la génération de pCT a été appliquée à la radiothérapie basée sur protons, grâce à une collaboration avec le Centre de Protonthérapie d’Orsay. Le modèle de DL préalablement développé sur des patients adultes a été testé sur des patients pédiatriques, afin d’évaluer sa généralisabilité. Des performances cliniques satisfaisantes ont été atteintes, excepté pour quelques patients, pouvant potentiellement prouver la transférabilité du modèle évalué. Les travaux futurs comprennent une évaluation dosimétrique à plus grande échelle, avec la composition d’une cohorte de 198 enfants représentant 4 histologies différentes. Le but est de déterminer l’approche d’entrainement et de validation du réseau la plus efficace à l’aide de cartes de pouvoirs d’arrêt pour s’affranchir de l’influence des paramètres des scanners sur les images. Ainsi, une solide compréhension des points clés de la génération de pCT ainsi qu’une méthodologie de leur caractérisation ont été réalisées. Les recommandations en découlant ont le rôle clé de faciliter la quantification et l’interprétation de critères d’évaluation de la qualité de pCT dans le contexte de mise en place d’essais cliniques, tel que l’essai observationnel en cours GliopCT.", "source_url": "https:\/\/openalex.org\/W4392422560", "pdf_url": "https:\/\/theses.hal.science\/tel-03816279v1\/document", "doi": "10.70675\/82d46582z5167z4aaeza3e3z4bce727d5a2f", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W4392422560", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 285, "title": "Automatic Detection and Verification System for Arabic Rumor News on Twitter", "title_ar": "", "title_en": "Automatic Detection and Verification System for Arabic Rumor News on Twitter", "author": "Sami Karali", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «doctoral research»", "university": "University of Technology Sydney", "university_source": "repository_host", "college": "", "department": "", "country": "Australia", "governorate": "", "publication_year": 2024, "language": "en", "research_domain": "nlp", "research_subdomain": "llm", "categories": "machine-learning; deep-learning; nlp; ai-applications; cnn; rnn; llm; arabic-nlp; ai-education", "keywords": "", "abstract": "anguage models have been extensively studied and applied in various fields in recent years.However, the majority of the language use models are designed for and perform significantly better in English compared to other languages, such as Arabic.The differences between English and Arabic in terms of grammar, writing, and word-forming structures pose significant challenges in applying English-based language models to Arabic content.Therefore, there is a critical need to develop and refine models and methodologies that can effectively process Arabic content.This research aims to address the gaps in Arabic language models by developing innovative machine learning (ML) and natural language processing (NLP) methodologies.We apply the developed model to Arabic rumor detection on Twitter to test its effectiveness.To achieve this, the research is divided into three fundamental phases: 1) Efficiently collecting and pre-processing a comprehensive dataset of Arabic news tweets; 2) The refinement of ML models through an enhanced Convolutional Neural Network (ECNN) equipped with N-gram feature maps for accurate rumor identification; 3) The augmentation of decision-making precision in rumor verification via sophisticated ensemble learning techniques.In the first phase, the research meticulously develops a methodology for the collection and pre-processing of Arabic news tweets, aiming to establish a dataset optimized for rumor detection analysis.Leveraging a blend of automated and manual processes, the research navigates the intricacies of the Arabic language, enhancing the dataset's quality for ML applications.This foundational phase ensures removing irrelevant data and normalizing text, setting a precedent for accuracy in subsequent detection tasks.The second phase is to develop an Enhanced Convolutional Neural Network (ECNN) model, which incorporates N-gram feature maps for a deeper linguistic analysis of tweets.This innovative ECNN model, designed specifically for the Arabic language, marks a significant departure from traditional rumor detection models by harnessing the power of spatial feature extraction alongside the contextual insights provided by N-gram analysis.Empirical results underscore the ECNN model's superior performance, demonstrating a marked improvement in detecting and classifying rumors with heightened accuracy and efficiency.The culmination of the study explores the efficacy of ensemble learning methods in enhancing the robustness and accuracy of rumor detection systems.By synergizing the ECNN model with Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), and Gated Recurrent Unit (GRU) networks within a stacked ensemble framework, the iii research pioneers a composite approach that significantly outstrips the capabilities of singular models.This innovation results in a state-of-the-art system for rumor verification that outperforms accuracy in identifying rumors, as demonstrated by empirical testing and analysis.This research contributes to bridging the gap between English-centric language models and Arabic language processing, demonstrating the importance of tailored approaches for different languages in the field of ML and NLP.These contributions signify a monumental step forward in the field of Arabic NLP and ML and offer practical solutions for the real-world challenge of rumor proliferation on social media platforms, ultimately fostering a more reliable digital environment for Arabic-speaking communities.n the journey that has been my doctoral research, I have been fortunate to be guided by individuals whose impact has been profound and far-reaching.At the forefront of these cherished relationships is Prof. CT Lin, whose guidance and support have been the beacon that navigated me through the complexities and challenges inherent in this rigorous academic endeavor.Prof. Lin's readiness to engage, discuss, and explore solutions with me, irrespective of the time or day, has been a testament to his dedication to academia and the growth of his students.His wisdom, coupled with an unwavering belief in my potential, provided me with the confidence to pursue this project with vigor and determination.To Prof.", "source_url": "https:\/\/openalex.org\/W7225354344", "pdf_url": "https:\/\/opus.lib.uts.edu.au\/bitstream\/10453\/187339\/1\/thesis.pdf", "doi": "", "handle": "", "repository_name": "OPUS - Open Publications of UTS Scholars (University of Technology Sydney)", "source_record_id": "W7225354344", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 287, "title": "Neural Transfer Learning for Domain Adaptation in Natural Language Processing", "title_ar": "", "title_en": "", "author": "Sara Meftah", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "nlp", "research_subdomain": "transfer-learning", "categories": "machine-learning; nlp; transfer-learning", "keywords": "", "abstract": "Apprentissage par transfert neuronal pour l'adaptation aux domaines en traitement automatique de la langue Les méthodes d’apprentissage automatique qui reposent sur les Réseaux de Neurones (RNs) ont démontré des performances de prédiction qui s'approchent de plus en plus de la performance humaine dans plusieurs applications du Traitement Automatique de la Langue (TAL) qui bénéficient de la capacité des différentes architectures des RNs à généraliser à partir des régularités apprises à partir d'exemples d'apprentissage. Toutefois, ces modèles sont limités par leur dépendance aux données annotées. En effet, pour être performants, ces modèles neuronaux ont besoin de corpus annotés de taille importante. Par conséquent, uniquement les langues bien dotées peuvent bénéficier directement de l'avancée apportée par les RNs, comme par exemple les formes formelles des langues. Dans le cadre de cette thèse, nous proposons des méthodes d'apprentissage par transfert neuronal pour la construction d'outils de TAL pour les langues peu dotées en exploitant leurs similarités avec des langues bien dotées. Précisément, nous expérimentons nos approches pour le transfert à partir du domaine source des textes formels vers le domaine cible des textes informels (langue utilisée dans les réseaux sociaux). Tout au long de cette thèse nous proposons différentes contributions. Tout d'abord, nous proposons deux approches pour le transfert des connaissances encodées dans les représentations neuronales d'un modèle source, pré-entraîné sur les données annotées du domaine source, vers un modèle cible, adapté par la suite sur quelques exemples annotés du domaine cible. La première méthode transfère des représentations contextuelles pré-entraînées sur le domaine source. Tandis que la deuxième méthode utilise des poids pré-entraînés pour initialiser les paramètres du modèle cible. Ensuite, nous effectuons une série d'analyses pour repérer les limites des méthodes proposées ci-dessus. Nous constatons que, même si l'approche d'apprentissage par transfert proposée améliore les résultats du domaine cible, un transfert négatif « dissimulé » peut atténuer le gain final apporté par l'apprentissage par transfert. De plus, une analyse interprétative du modèle pré-entraîné, montre que les neurones pré-entraînés peuvent être biaisés par ce qu'ils ont appris du domaine source, et donc peuvent avoir des difficultés à apprendre des « patterns » spécifiques au domaine cible. Issu de notre analyse, nous proposons un nouveau schéma d'adaptation qui augmente le modèle cible avec des neurones normalisés, pondérés et initialisés aléatoirement qui permettent une meilleure adaptation au domaine cible tout en conservant les connaissances apprises du domaine source. Enfin, nous proposons une approche d’apprentissage par transfert qui permet de profiter des similarités entre différentes tâches, en plus des connaissances pré-apprises du domaine source.", "source_url": "https:\/\/openalex.org\/W7149540086", "pdf_url": "https:\/\/theses.hal.science\/tel-03206378\/document", "doi": "10.70675\/9111562bzfa37z4fd8zae6bz2e8ae8d5d403", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7149540086", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 293, "title": "Modularity in deep learning", "title_ar": "", "title_en": "", "author": "Haozhe Sun", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "", "categories": "deep-learning", "keywords": "", "abstract": "Modularité dans l'apprentissage profond L'objectif de cette thèse est de rendre l'apprentissage profond plus efficace en termes de ressources en appliquant le principe de modularité. La thèse comporte plusieurs contributions principales : une étude de la littérature sur la modularité dans l'apprentissage profond; la conception d'OmniPrint et de Meta-Album, des outils qui facilitent l'étude de la modularité des données; des études de cas examinant les effets de l'apprentissage épisodique, un exemple de modularité des données; un mécanisme d'évaluation modulaire appelé LTU pour évaluer les risques en matière de protection de la vie privée; et la méthode RRR pour réutiliser des modèles modulaires pré-entraînés afin d'en construire des versions plus compactes. La modularité, qui implique la décomposition d'une entité en sous-entités, est un concept répandu dans diverses disciplines. Cette thèse examine la modularité sur trois axes de l'apprentissage profond : les données, la tâche et le modèle. OmniPrint et Meta-Album facilitent de comparer les modèles modulaires et d'explorer les impacts de la modularité des données. LTU garantit la fiabilité de l'évaluation de la protection de la vie privée. RRR améliore l'efficacité de l'utilisation des modèles modulaires pré-entraînés. Collectivement, cette thèse fait le lien entre le principe de modularité et l'apprentissage profond et souligne ses avantages dans certains domaines de l'apprentissage profond, contribuant ainsi à une intelligence artificielle plus efficace en termes de ressources.", "source_url": "https:\/\/openalex.org\/W7152089629", "pdf_url": "https:\/\/theses.hal.science\/tel-04418605\/document", "doi": "10.70675\/9f57d770z3466z4d39z8cfez9826045d155d", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152089629", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 300, "title": "Study and Prediction of Air Quality in Smart Cities through Machine Learning Techniques Considering Spatiotemporal Components", "title_ar": "", "title_en": "Study and Prediction of Air Quality in Smart Cities through Machine Learning Techniques Considering Spatiotemporal Components", "author": "Ditsuhi Iskandaryan ; Iskandaryan, Ditsuhi", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: Tesis Doctorals en Xarxa (Consorci de Serveis Universitaris de Catalunya)", "university": "", "university_source": "", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2023, "language": "en", "research_domain": "medical-ai", "research_subdomain": "predictive-analytics", "categories": "machine-learning; deep-learning; computer-vision; medical-ai; ai-applications; predictive-analytics; ai-smart-cities", "keywords": "", "abstract": "Air quality is considered one of the top concerns. Information and knowledge about air quality can assist in effectively monitoring and controlling concentrations, reducing or preventing its harmful impacts and consequences. The complexity of air quality dependence on various components in spatiotemporal dimensions creates additional challenges to acquire this information. The current dissertation proposes machine learning and deep learning technologies that are capable of capturing and processing multidimensional information and complex dependencies controlling air quality. The following components come together to formulate the novelty of the current work: spatiotemporal forecast of the defined prediction target (nitrogen dioxide); incorporation and integration of air quality, meteorological and traffic data with their features\/variables in spatiotemporal dimensions within a certain spatial extent and temporal interval; the consideration of coronavirus disease 2019 as an external key factor impacting air quality level; and provision of the code and data implemented to incentivise and guarantee reproducibility.", "source_url": "https:\/\/openalex.org\/W4353069857", "pdf_url": "https:\/\/www.tdx.cat\/bitstream\/10803\/687959\/1\/2023_Tesis_Iskandaryan_Ditsuhi.pdf", "doi": "10.6035\/14101.2023.726676", "handle": "", "repository_name": "Tesis Doctorals en Xarxa (Consorci de Serveis Universitaris de Catalunya)", "source_record_id": "W4353069857", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 302, "title": "Towards synthetic sensing for smart cities : a machine\/deep learning-based approach", "title_ar": "", "title_en": "", "author": "Faraz Malik Awan", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "ai-smart-cities", "categories": "machine-learning; deep-learning; computer-vision; ai-applications; ai-smart-cities", "keywords": "", "abstract": "Vers une détection synthétique pour les villes intelligentes : une approche basée sur la machine et l'apprentissage profond Nous avons travaillé sur l'un des axes de recherche les plus importants de la ville intelligente, à savoir les systèmes de transport intelligents (STI). Les ITS englobent plusieurs domaines, tels que les systèmes de notification électronique des véhicules, les informations sur le trafic, le stationnement intelligent et l'environnement. Cependant, dans cette thèse, nous ciblons deux de ses domaines importants : i) le stationnement intelligent et ii) le trafic routier. Nous avons commencé notre recherche par le cas d'utilisation du stationnement intelligent. En effectuant une revue de la littérature, nous avons réalisé que différentes approches de Machine Learning (ML) et de Deep Learning (DL) ont été utilisées pour des solutions de stationnement intelligent. Dans la plupart de ces approches proposées, les zones de stationnement fermées ont été ciblées avec différents ensembles de caractéristiques pour prédire le \"taux d'occupation\" dans les zones de stationnement. Cela nous a incités à effectuer une analyse comparative pour répondre aux questions suivantes : compte tenu du cas d'utilisation de la prédiction de stationnement, comment les modèles ML traditionnels se comportent-ils par rapport aux modèles DL complexes ? Avec des données volumineuses, les modèles ML traditionnels moins complexes peuvent-ils surpasser les modèles DL complexes ? Quelle est la performance de ces modèles pour prédire la disponibilité des places de stationnement individuelles dans la rue plutôt que de prédire le taux d'occupation global d'une zone de stationnement fermée. Pour répondre à ces questions, nous avons choisi cinq algorithmes ML classiques bien connus (K-Nearest Neighbours, Random Forest, Decision Tree) et un algorithme DL (Multilayer Perceptron). Pour approfondir notre étude, nous formons un modèle d'apprentissage d'ensemble, dans lequel nous combinons tous les modèles ML et DL susmentionnés. Nous avons utilisé un énorme ensemble de données sur les pa rkings de la ville de Santander, en Espagne, qui comprend environ 25 millions d'enregistrements. Nous proposons également de recommander des places de stationnement disponibles en fonction de l'emplacement actuel du conducteur. En poursuivant nos objectifs de recherche, nous avons effectué une revue de la littérature sur le trafic routier et avons constaté que le trafic routier est souvent associé à la pollution atmosphérique et à la pollution sonore. Cependant, à notre connaissance, la pollution atmosphérique et la pollution sonore n'ont jamais été utilisées dans le problème de la prédiction du trafic. Dans cette partie de notre recherche, nous avons d'abord utilisé la pollution de l'air (CO, NO, NO2, NOx, et O3) avec les variables atmosphériques, telles que la vitesse et la direction du vent, la température et la pression pour améliorer la prévision du trafic dans la ville de Madrid. Cette expérience réussie nous a incités à étendre notre étude à un autre facteur, qui est égalemen t fortement corrélé au trafic routier, à savoir la pollution sonore. Ainsi, dans le prolongement de nos travaux précédents, nous utilisons dans cette partie de notre recherche la pollution sonore pour améliorer la prévision du trafic dans la ville de Madrid.", "source_url": "https:\/\/openalex.org\/W7151321554", "pdf_url": "https:\/\/theses.hal.science\/tel-03722891v1\/document", "doi": "10.70675\/c01d4efazc638z4123z8020z74dfc82b5875", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151321554", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 306, "title": "Optimization of video surveillance networks in smart cities using video compressive sensing and deep learning techniques", "title_ar": "", "title_en": "", "author": "Wael Saideni", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "transformers", "categories": "deep-learning; computer-vision; ai-applications; transformers; video-analysis; ai-smart-cities", "keywords": "", "abstract": "Optimisation d'un système de video surveillance dans les villes intelligentes en utilisant le Deep Learning et la video compressive sensing La technique de compressive sensing joue un rôle important dans le traitement des données vu que l’acquisition et la compression se font simultanément grâce à un processus de prise de mesures. Cette technique optimise les capacités de stockage des systèmes ainsi que la vitesse et le coût d’acquisition. Récemment, cette technique est devenue de plus en plus utilisée grâce à l’optimisation des algorithmes de reconstruction en utilisant les architectures du Deep Learning. L’objectif principal de cette thèse est de tirer profit des architectures de Deep Learning pour optimiser la technique de compressive sensing en l’appliquant sur des signaux vidéo et par la suite optimiser l’acquisition, la transmission et la reconstruction des vidéos dans les systèmes numériques modernes. Ainsi, la stratégie adoptée au cours de ces travaux de recherche consiste à commencer par établir une étude comparative sur les approches de vidéo compressive sensing (VCS) basées sur le Deep Learning en évaluant la qualité et la vitesse de reconstruction ainsi que les différentes architectures. Puis, deux environnements de VCS ont été conçus : le premier se base sur la prédiction des frames vidéo en implémentant une approche basée sur un nouveau réseau récurrent et le deuxième exploite les dernières performances réalisées avec les Transformers et le mécanisme d’attention. Alors, la démarche adoptée dans ces deux approches repose sur une analyse de l’état de l’art suivie d’une explication de chaque architecture et une validation expérimentale. Les différentes contraintes rencontrées au cours de ces travaux sont discutées et des solutions appropriées sont proposées.", "source_url": "https:\/\/openalex.org\/W7151367475", "pdf_url": "https:\/\/theses.hal.science\/tel-03850837\/document", "doi": "10.70675\/ad16c2f9zf249z4f36z80ddz17f162cfe1a5", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151367475", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 310, "title": "Multimodal machine learning methods for pattern analysis in smart cities and transportation", "title_ar": "", "title_en": "", "author": "Ifigeneia Drosouli", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "transformers", "categories": "machine-learning; deep-learning; computer-vision; ai-applications; rnn; transformers; multimodal; ai-smart-cities", "keywords": "", "abstract": "Méthodes d'apprentissage automatique multimodales pour l'analyse de modèles dans les villes intelligentes et les transports Dans le contexte des environnements urbains modernes et densément peuplés, la gestion efficace des transports et la structure des Systèmes de Transport Intelligents (STI) sont primordiales. Le secteur des transports publics connaît actuellement une expansion et une transformation significatives dans le but d'améliorer l'accessibilité, d'accommoder des volumes de passagers plus importants sans compromettre la qualité des déplacements, et d'adopter des pratiques respectueuses de l'environnement et durables. Les avancées technologiques, notamment dans l'Intelligence Artificielle (IA), l'Analyse de Données Massives (BDA), et les Capteurs Avancés (CA), ont joué un rôle essentiel dans la réalisation de ces objectifs et ont contribué au développement, à l'amélioration et à l'expansion des Systèmes de Transport Intelligents. Cette thèse aborde deux défis critiques dans le domaine des villes intelligentes, se concentrant spécifiquement sur l'identification des modes de transport utilisés par les citoyens à un moment donné et sur l'estimation et la prédiction du flux de transport au sein de divers systèmes de transport. Dans le contexte du premier défi, deux approches distinctes ont été développées pour la Détection des Modes de Transport. Tout d'abord, une approche d'apprentissage approfondi pour l'identification de huit médias de transport est proposée, utilisant des données de capteurs multimodaux collectées à partir des smartphones des utilisateurs. Cette approche est basée sur un réseau Long Short-Term Memory (LSTM) et une optimisation bayésienne des paramètres du modèle. À travers une évaluation expérimentale approfondie, l'approche proposée démontre des taux de reconnaissance remarquablement élevés par rapport à diverses approches d'apprentissage automatique, y compris des méthodes de pointe. La thèse aborde également des problèmes liés à la corrélation des caractéristiques et à l'impact de la réduction de la dimensionnalité. La deuxième approche implique un modèle basé sur un transformateur pour la détection des modes de transport appelé TMD-BERT. Ce modèle traite l'ensemble de la séquence de données, comprend l'importance de chaque partie de la séquence d'entrée, et attribue des poids en conséquence en utilisant des mécanismes d'attention pour saisir les dépendances globales dans la séquence. Les évaluations expérimentales mettent en évidence les performances exceptionnelles du modèle par rapport aux méthodes de pointe, soulignant sa haute précision de prédiction. Pour relever le défi de l'estimation du flux de transport, un Réseau Convolutif Temporel et Spatial (ST-GCN) est proposé. Ce réseau apprend à la fois des données spatiales du réseau de stations et des séries temporelles des changements de mobilité historiques pour prédire le flux de métro urbain et le partage de vélos à un moment futur. Le modèle combine des Réseaux Convolutifs Graphiques (GCN) et des Réseaux Long Short-Term Memory (LSTM) pour améliorer la précision de l'estimation. Des expériences approfondies menées sur des ensembles de données du monde réel du système de métro de Hangzhou et du système de partage de vélos de la ville de New York valident l'efficacité du modèle proposé, démontrant sa capacité à identifier des corrélations spatiales dynamiques entre les stations et à faire des prévisions précises à long terme.", "source_url": "https:\/\/openalex.org\/W4404827876", "pdf_url": "https:\/\/theses.hal.science\/tel-04709700\/document", "doi": "10.70675\/879cee13z5ed6z4382z8e6az1a8fe3cfbd48", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W4404827876", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 332, "title": "Deep learning methods for sequential decision-making in dynamic systems", "title_ar": "", "title_en": "Deep learning methods for sequential decision-making in dynamic systems", "author": "Vasileios Kochliaridis", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «doctoral dissertation»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; deep-learning; computer-vision; nlp; reinforcement-learning; robotics; predictive-analytics; multimodal; speech-recognition", "keywords": "", "abstract": "This doctoral dissertation investigates the development, improvement, and evaluation of Deep Learning methods for sequential decision-making in complex and dynamic systems. Such systems are characterized by temporal dependencies, uncertainty, noisy observations, partial observability, non-stationary conditions, and continuously changing environments. The main objective of the dissertation is to design intelligent models that can extract informative representations from sequential data, adapt their decisions over time, and operate reliably under real-world constraints. The proposed methods combine Deep Learning, Reinforcement Learning, imitation learning, uncertainty estimation, and physics-informed learning, with applications in algorithmic trading, autonomous driving, robotic manipulation, and dynamic-system modeling. In algorithmic trading, the dissertation introduces a series of learning-based methods, including TraderNet-CR, UNSURE, VPM, and ViT², for processing financial time series and supporting cryptocurrency trading decisions. These approaches investigate the integration of market representation learning, risk-sensitive decision-making, uncertainty estimation, and transferable predictive models. Particular emphasis is placed on improving robustness under volatile market conditions and reducing the risks associated with unreliable or overconfident predictions. In autonomous driving, several architectures are developed for perception, driving-policy learning, and adaptive vehicle control. The proposed CIL++, CILRL++, and CILRLv3 methods combine Conditional Imitation Learning with Reinforcement Learning to improve driving performance, generalization, and adaptation to previously unseen situations. Additional approaches investigate multimodal perception and temporal modeling, while NADAS addresses adaptive driving and Advanced Driver-Assistance Systems under computational and real-time constraints. The dissertation also examines the control of a human-sized InMoov robotic hand. Deep Learning models are developed for translating visual information and natural-language commands into robotic actuator movements, enabling human-to-robot motion transfer and speech-driven manipulation. These methods demonstrate how heterogeneous sensory inputs can be transformed into coordinated robotic actions. Finally, the dissertation studies Physics-Informed Neural Networks for modeling dynamic systems governed by differential equations. Methods such as GPS, GENESIS, REPS, and GENERAL introduce adaptive and stochastic sampling strategies that focus training on informative regions of the physical domain. These approaches improve convergence and predictive accuracy, particularly in problems involving complex dynamics and steep solution gradients. Overall, the dissertation demonstrates that robust sequential decision-making requires models that combine data-driven representation learning with uncertainty awareness, adaptability, domain knowledge, and application-specific constraints. The results contribute toward the development of intelligent systems that are more accurate, efficient, scalable, and reliable when deployed in complex real-world environments.", "source_url": "https:\/\/openalex.org\/W7169305037", "pdf_url": "", "doi": "10.12681\/eadd\/62340", "handle": "", "repository_name": "", "source_record_id": "W7169305037", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 333, "title": "Novel Deep Learning methods for optical recognition", "title_ar": "", "title_en": "Novel Deep Learning methods for optical recognition", "author": "Richárd Bence Rádli", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: REAL-PhD (Hungarian Academy of Sciences)", "university": "", "university_source": "", "college": "", "department": "", "country": "Hungary", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "deep-learning", "research_subdomain": "", "categories": "deep-learning", "keywords": "", "abstract": "", "source_url": "https:\/\/openalex.org\/W7225757392", "pdf_url": "https:\/\/real-phd.mtak.hu\/2699\/1\/radli_richard_bence_dissertation.pdf", "doi": "10.18136\/pe.2026.1002", "handle": "", "repository_name": "REAL-PhD (Hungarian Academy of Sciences)", "source_record_id": "W7225757392", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 340, "title": "Variational and Deep Learning Methods in Computer Vision", "title_ar": "", "title_en": "Variational and Deep Learning Methods in Computer Vision", "author": "Ivan Díaz", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Tesis Doctoral»", "university": "King Juan Carlos University", "university_source": "repository_host", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2019, "language": "en", "research_domain": "computer-vision", "research_subdomain": "", "categories": "deep-learning; computer-vision", "keywords": "", "abstract": "Tesis Doctoral le?da en la Universidad Rey Juan Carlos de Madrid en 2019. Directores de la Tesis: Juan Jos? Pantrigo Fern?ndez y Emanuele Schiavi", "source_url": "https:\/\/openalex.org\/W2992684445", "pdf_url": "", "doi": "", "handle": "", "repository_name": "BURJC Digital (King Juan Carlos University)", "source_record_id": "W2992684445", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 341, "title": "Deep Learning for Unsupervised Relation Extraction", "title_ar": "", "title_en": "", "author": "Etienne Simon", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "", "categories": "deep-learning; computer-vision", "keywords": "", "abstract": "Apprentissage profond pour l'extraction non supervisée de relations Détecter les relations exprimées dans un texte est un problème fondamental de la compréhension du langage naturel. Il constitue un pont entre deux approches historiquement distinctes de l'intelligence artificielle, celles à base de représentations symboliques et distribuées. Cependant, aborder ce problème sans supervision humaine pose plusieurs problèmes et les modèles non supervisés ont des difficultés à faire écho aux avancées des modèles supervisés. Cette thèse aborde deux lacunes des approches non supervisées : le problème de la régularisation des modèles discriminatifs et le problème d'exploitation des informations relationnelles à partir des structures des jeux de données. La première lacune découle de l'utilisation de réseaux neuronaux profonds. Ces modèles ont tendance à s'effondrer sans supervision. Pour éviter ce problème, nous introduisons deux fonctions de coût sur la distribution des relations pour contraindre le classifieur dans un état entraînable. La deuxième lacune découle du développement des approches au niveau des jeux de données. Nous montrons que les modèles non supervisés peuvent tirer parti d'informations issues de la structure des jeux de données, de manière encore plus décisive que les modèles supervisés. Nous exploitons ces structures en adaptant les méthodes non supervisées existantes pour capturer les informations topologiques à l'aide de réseaux convolutifs pour graphes. De plus, nous montrons que nous pouvons exploiter l'information mutuelle entre les données topologiques et linguistiques pour concevoir un nouveau paradigme d'entraînement pour l'extraction non supervisée de relations.", "source_url": "https:\/\/openalex.org\/W7151633375", "pdf_url": "https:\/\/theses.hal.science\/tel-03828226\/document", "doi": "10.70675\/54e335dezf72bz49b7zb1e3z04b661fda611", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151633375", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 346, "title": "Deep Learning for 3D Information Extraction from Indoor and Outdoor Point Clouds", "title_ar": "", "title_en": "Deep Learning for 3D Information Extraction from Indoor and Outdoor Point Clouds", "author": "Ying Li", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «doctoral dissertation»", "university": "University of Waterloo", "university_source": "repository_host", "college": "", "department": "", "country": "Canada", "governorate": "", "publication_year": 2021, "language": "en", "research_domain": "computer-vision", "research_subdomain": "object-detection", "categories": "deep-learning; computer-vision; object-detection; image-segmentation", "keywords": "", "abstract": "This thesis focuses on the challenges and opportunities that come with deep learning in the extraction of 3D information from point clouds. To achieve this, 3D information such as point-based or object-based attributes needs to be extracted from highly-accurate and information-rich 3D data, which are commonly collected by LiDAR or RGB-D cameras from real-world environments. Driven by the breakthroughs brought by deep learning techniques and the accessibility of reliable 3D datasets, 3D deep learning frameworks have been investigated with a string of empirical successes. However, two main challenges lead to the complexity of deep learning based per-point labeling and object detection in real scenes. First, the variation of sensing conditions and unconstrained environments result in unevenly distributed point clouds with various geometric patterns and incomplete shapes. Second, the irregular data format and the requirements for both accurate and efficient algorithms pose problems for deep learning models. To deal with the above two challenges, this doctoral dissertation mainly considers the following four features when constructing 3D deep models for point-based or object-based information extraction: (1) the exploration of geometric correlations between local points when defining convolution kernels, (2) the hierarchical local and global feature learning within an end-to-end trainable framework, (3) the relation feature learning from nearby objects, and (4) 2D image leveraging for 3D object detection from point clouds. Correspondingly, this doctoral thesis proposes a set of deep learning frameworks to deal with the 3D information extraction specific for scene segmentation and object detection from indoor and outdoor point clouds. Firstly, an end-to-end geometric graph convolution architecture on the graph representation of a point cloud is proposed for semantic scene segmentation. Secondly, a 3D proposal-based object detection framework is constructed to extract the geometric information of objects and relation features among proposals for bounding box reasoning. Thirdly, a 2D-driven approach is proposed to detect 3D objects from point clouds in indoor and outdoor scenes. Both semantic features from 2D images and the context information in 3D space are explicitly exploited to enhance the 3D detection performance. Qualitative and quantitative experiments compared with existing state-of-the-art models on indoor and outdoor datasets demonstrate the effectiveness of the proposed frameworks. A list of remaining challenges and future research issues that help to advance the development of deep learning approaches for the extraction of 3D information from point clouds are addressed at the end of this thesis.", "source_url": "https:\/\/openalex.org\/W3140945473", "pdf_url": "", "doi": "", "handle": "", "repository_name": "UWSpace (University of Waterloo)", "source_record_id": "W3140945473", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:48", "updated_at": "2026-11-15 16:52:48" }, { "id": 358, "title": "Computational biology in plant tissue culture: Systematic evaluation of machine learning approaches for callus induction in Solanum L.: A thesis submitted in partial fulfilment of the requirements for the Degree of Doctor of Philosophy at Lincoln University", "title_ar": "", "title_en": "Computational biology in plant tissue culture: Systematic evaluation of machine learning approaches for callus induction in Solanum L.: A thesis submitted in partial fulfilment of the requirements for the Degree of Doctor of Philosophy at Lincoln University", "author": "Sadegh Mohajer", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Doctor of Philosophy»", "university": "Lincoln University", "university_source": "repository_host", "college": "", "department": "", "country": "New Zealand", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "medical-ai", "research_subdomain": "xai", "categories": "machine-learning; deep-learning; medical-ai; responsible-ai; ai-applications; transfer-learning; predictive-analytics; optimization; xai; ai-agriculture", "keywords": "", "abstract": "Optimization of plant tissue culture systems remains a major biotechnological challenge; yet successful callus induction, the formation of unorganized, proliferating cell masses from differentiated tissues, enables transformative applications in agriculture, medicine, and fundamental research. Callus serves as a foundation for genetic transformation and genome editing, mass propagation of elite varieties, production of pharmaceutically valuable secondary metabolites, and breeding programs. However, achieving consistent callus induction is hindered by the multifactorial nature of the process, governed by intricate dependencies among environmental conditions, genetic background, hormonal composition, and explant source. Conventional trial-and-error methodologies are further constrained by the difficulty of systematically capturing and optimizing these complex interactions, resulting in protocols with poor transferability and requiring extensive empirical refinement for each new species or genotype. This study established comprehensive machine learning (ML) frameworks to model and predict callus induction rates in the Solanum genus, one of the most diverse angiosperm genera containing approximately 1,500–2,000 species. This genus includes economically significant crop species such as potato, tomato, and eggplant that sustain global food security, as well as wild relatives possessing valuable traits for disease resistance and abiotic stress tolerance. The genus also includes species of pharmaceutical interest, owing to their diverse alkaloids and secondary metabolites, which exhibit antimicrobial, antioxidant, and anticancer activities. Despite their agricultural, nutritional, and medicinal importance, many Solanum species remain recalcitrant in tissue culture, as standard protocols developed for model cultivars often perform poorly when applied to wild species and new genotypes. The ML methods developed here systematically evaluate modeling strategies ranging from global to local approaches, with the goal of addressing the protocol optimization bottleneck that constrains biotechnological applications across this economically and scientifically important genus. Five machine learning algorithms were evaluated: Random Forest and XGBoost as tree-based ensemble models, Support Vector Regression, and Gaussian Process Regression as kernel-based methods, and an artificial neural network (multilayer perceptron) with genetic algorithm optimization for hyperparameter tuning and protocol development. Model interpretability was achieved through SHAP analysis and permutation importance assessment. Genetic algorithm optimization of neural networks identified optimal protocols achieving remarkable callus induction rates, representing substantial improvements over conventional approaches. Feature optimization revealed specific strategies ranging from minimal hormone supplementation to comprehensive growth regulator networks. Sensitivity analysis confirmed that environmental precision provides primary control mechanisms, with hormonal supplementation serving as fine tuning parameters rather than primary drivers. The thesis advances both methodology and biological understanding. It establishes a rigorous methodological framework integrating systematic preprocessing, cross-validation with independent holdout data, and comprehensive interpretability analysis. The approach delivers predictive models with quantified uncertainty and clear performance boundaries. Biologically, the work demonstrates that machine learning can successfully capture complex tissue culture interactions. These findings represent a paradigm shift from empirical protocol development to data-driven optimization, with applications across plant biotechnology, crop improvement, pharmaceutical compound production, and conservation. The work may also motivate future steps that include transfer learning across species, imaging-based phenotyping with deep learning, classification of callus quality tiers, and time-resolved modeling of induction dynamics.", "source_url": "https:\/\/openalex.org\/W7131545409", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Lincoln University Research Archive (Lincoln University)", "source_record_id": "W7131545409", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:49", "updated_at": "2026-11-15 16:52:49" }, { "id": 362, "title": "Machine learning and audio processing : a thesis presented in partial fulfilment of the requirements for the degree of Doctor of Philosophy in Computer Science at Massey University, Albany, Auckland, New Zealand", "title_ar": "", "title_en": "Machine learning and audio processing : a thesis presented in partial fulfilment of the requirements for the degree of Doctor of Philosophy in Computer Science at Massey University, Albany, Auckland, New Zealand", "author": "Junbo Ma", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Doctor of Philosophy»", "university": "Massey University", "university_source": "repository_host", "college": "", "department": "", "country": "New Zealand", "governorate": "", "publication_year": 2019, "language": "en", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; deep-learning; nlp; data-mining; rnn; speech-recognition", "keywords": "", "abstract": "In this thesis, we addressed two important theoretical issues in deep neural networks and clustering, respectively. Also, we developed a new approach for polyphonic sound event detection, which is one of the most important applications in the audio processing area. The developed three novel approaches are: (i) The Large Margin Recurrent Neural Network (LMRNN), which improves the discriminative ability of original Recurrent Neural Networks by introducing a large margin term into the widely used cross-entropy loss function. The developed large margin term utilises the large margin discriminative principle as a heuristic term to navigate the convergence process during training, which fully exploits the information from data labels by considering both target category and competing categories. (ii) The Robust Multi-View Continuous Subspace Clustering (RMVCSC) approach, which performs clustering on a common view-invariant subspace learned from all views. The clustering result and the common representation subspace are simultaneously optimised by a single continuous objective function. In the objective function, a robust estimator is used to automatically clip specious inter-cluster connections while maintaining convincing intra-cluster correspondences. Thus, the developed RMVCSC can untangle heavily mixed clusters without pre-setting the number of clusters. (iii) The novel polyphonic sound event detection approach based on Relational Recurrent Neural Network (RRNN), which utilises the relational reasoning ability of RRNNs to untangle the overlapping sound events across audio recordings. Different from previous works, which mixed and packed all historical information into a single common hidden memory vector, the developed approach allows historical information to interact with each other across an audio recording, which is effective and efficient in untangling the overlapping sound events. All three approaches are tested on widely used datasets and compared with recently published works. The experimental results have demonstrated the effectiveness and efficiency of the developed approaches.", "source_url": "https:\/\/openalex.org\/W3082433222", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Massey Research Online (Massey University)", "source_record_id": "W3082433222", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:49", "updated_at": "2026-11-15 16:52:49" }, { "id": 399, "title": "Zero\/Few shot learning applied to text classification", "title_ar": "", "title_en": "", "author": "Quang Anh Nguyen", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2026, "language": "fr", "research_domain": "nlp", "research_subdomain": "few-zero-shot", "categories": "machine-learning; computer-vision; nlp; ai-applications; few-zero-shot; ai-industry", "keywords": "", "abstract": "Zero\/Few-shot learning appliqué à la classification de textes Les institutions financières s'appuient de plus en plus sur des données textuelles non structurées, pour surveiller le risque de crédit. Leur volume et l'hétérogénéité rendent l'analyse manuelle complexe, d'où la classification automatique de texte devient essentielle. Cette thèse, réalisée dans le cadre du projet GoldenEye du Groupe BPCE, traite des défis liés à la limitation des données annotées et aux grands espaces d'étiquettes évolutifs. L'annotation manuelle est coûteuse et impratique à grande échelle, ce qui motive l'adoption des approches zero-shot et few-shot, réduisant la dépendance aux données annotées tout en maintenant des performances robustes. L'objectif principal est de concevoir des méthodes de classification de texte efficaces en termes de données, adaptées aux contraintes industrielles et aux contextes de supervision limitée. Plutôt que de se concentrer sur un seul modèle, la thèse explore plusieurs axes complémentaires en zero-shot et few-shot.La première contribution porte sur la classification few-shot multi-classe avec des modèles de langage masqués basés sur des prompts. Les verbalisateurs, correspondance entre classes et ensembles de mots-étiquettes, sont essentiels pour relier les étiquettes aux prédictions de tokens du modèle. Cette thèse propose un cadre de benchmarking pour les verbalizers manuels, automatiques et soft, montrant que le choix du verbalisateur influence fortement la performance en few-shot. Basé sur cette étude MaVEN (Manual Verbalizer Enrichment with Nearest Neighbors' Embedding) enrichit les verbalisateurs manuels en utilisant les voisins dans l'espace d'embedding, améliorant la performance.La deuxième contribution concerne la classification few-shot multi-étiquette, où la dépendance entre étiquettes posent des défis aux méthodes traditionnelles traitant chaque étiquette indépendamment. La thèse propose une formulation séquence-à-ensemble avec des transformeurs texte-à-texte (T5), considérant la prédiction multi-étiquette comme une génération séquentielle des prédictions pour capturer cette dépendance. Un pipeline d'entraînement en trois étapes (pré-entraînement, adaptation au domaine et spécialisation des chaînes) permet une forte généralisation inter-domaines. Les expériences montrent des performances supérieures aux baselines, et l'analyse d'ablation interprète les caractéristiques de fonctionnement de la méthode proposée.La troisième contribution traite la classification zero-shot multi-étiquette extrême, avec des espaces d'étiquettes très grands et aucune donnée annotée. La thèse propose un cadre d'auto-entraînement contrastif guidé par curriculum, qui raffine progressivement les représentations en utilisant des tâches de cloze inversé informé d'étiquettes, exploitant la sémantique tout en contrôlant le bruit des pseudo-étiquettes. Les expériences sur des benchmarks à grande échelle montrent des performances compétitives par rapport à de baselines zero-shot. L'analyse souligne que la conception attentive de l'entraînement permet un apprentissage zero-shot efficace même à grande échelle.En faisant progresser la classification zero-shot et few-shot, tant sur le plan méthodologique que pratique, ce travail montre que la formulation des tâches (via verbalizers, génération séquentielle et conception de curriculum) est un levier clé dans l'apprentissage sous supervision limitée. Ancrée dans un contexte industriel, la thèse fait le lien entre la recherche académique et le déploiement en conditions réelles.", "source_url": "https:\/\/openalex.org\/W7165153560", "pdf_url": "", "doi": "10.70675\/b574bae2zdc8dz4ce0za1cfzc369a572bfee", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7165153560", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:49", "updated_at": "2026-11-15 16:52:49" }, { "id": 400, "title": "Feature Selection and Transfer Learning in Network Data: Enhancing Anomaly Detection with Zero-Shot and Few-Shot Learning", "title_ar": "", "title_en": "Feature Selection and Transfer Learning in Network Data: Enhancing Anomaly Detection with Zero-Shot and Few-Shot Learning", "author": "Joideep Banerjee", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "Staffordshire University", "university_source": "repository_host", "college": "", "department": "", "country": "United Kingdom", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "medical-ai", "research_subdomain": "xai", "categories": "machine-learning; deep-learning; computer-vision; medical-ai; responsible-ai; transfer-learning; few-zero-shot; predictive-analytics; xai", "keywords": "", "abstract": "The exponential growth of high-dimensional data across domains such as bioinformatics, healthcare, finance, and image processing has heightened the need for effective feature selection (FS) methods. These techniques improve model performance by identifying relevant features, reducing computational complexity, and mitigating overfitting. This PhD thesis introduces Radian, a novel feature selection method that leverages the statistical properties of range and median to identify the most influential features. Radian effectively distinguishes between relevant and redundant attributes while also detecting anomalies, enhancing both model interpretability and data quality. Radian was rigorously evaluated on multiple benchmark datasets of varying size and complexity. The results show that it consistently outperforms conventional methods such as the Pearson correlation coefficient in three key areas: classification accuracy, feature reduction, and computational efficiency. Its ability to balance performance and simplicity enables the creation of compact, interpretable models that retain or improve predictive accuracy. Beyond feature selection, this research advances transfer learning for tabular data, an area often underexplored in existing literature. Three innovative models TabLoRA, TabLoRA-ZS (zero-shot), and TabLoRA-FS (few-shot) are introduced by integrating TabNet, a deep learning architecture for tabular data, with Low-Rank Adaptation (LoRA) modules. The TabLoRA-ZS model enables generalisation to unseen tasks without prior data, while TabLoRA-FS fine-tunes efficiently with minimal data, addressing the challenges of data scarcity. A major innovation lies in integrating Radian with TabNet and LoRA, allowing dynamic feature selection during transfer learning. This integration improves model adaptability, robustness, and scalability, particularly in environments with limited labelled data. Comprehensive experiments demonstrate that these Radian-enhanced transfer learning models perform competitively with state-of-the-art approaches while maintaining interpretability and efficiency. In conclusion, this thesis contributes to machine learning by (1) proposing Radian, a statistically driven, efficient feature selection method, and (2) developing Radian-integrated TabLoRA models for few-shot and zero-shot transfer learning. Together, they provide scalable, adaptable, and high-performing solutions for data-scarce domains, bridging the gap between feature selection and transfer learning in tabular data analysis.", "source_url": "https:\/\/openalex.org\/W7126002433", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Staffordshire Online Repository (Staffordshire University)", "source_record_id": "W7126002433", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:49", "updated_at": "2026-11-15 16:52:49" }, { "id": 430, "title": "Natural Language Processing in Finance and Empirical Macroeconomics", "title_ar": "", "title_en": "Natural Language Processing in Finance and Empirical Macroeconomics", "author": "Trebbi, Giovanni", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Ph.D»", "university": "Tilburg University", "university_source": "repository_host", "college": "", "department": "", "country": "Netherlands", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "nlp", "research_subdomain": "predictive-analytics", "categories": "machine-learning; nlp; predictive-analytics", "keywords": "", "abstract": "The three essays collected in this Ph.D. thesis apply Natural Language Processing (NLP) tools to asset pricing and household finance. The first essay identifies the triggers of flight-to-safety episodes from financial news and highlights the importance of political, geopolitical, and macroeconomic risks. The second essay shows how the inflation expectation gap between households and experts widens with narrative disagreement between general and specialized newspapers about the demand or supply origins of inflation. The third essay demonstrates how the temporal references of newspaper articles can add predictive power toward future excess stock returns above and beyond their tone and topics.", "source_url": "https:\/\/openalex.org\/W7103976642", "pdf_url": "", "doi": "10.26116\/tisem.56616372", "handle": "", "repository_name": "Research portal (Tilburg University)", "source_record_id": "W7103976642", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:49", "updated_at": "2026-11-15 16:52:49" }, { "id": 485, "title": "Deep Learning for Plant Disease Detection and Classification on Field Images", "title_ar": "", "title_en": "", "author": "Emmanuel Moupojou Matango", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "image-segmentation", "categories": "deep-learning; computer-vision; medical-ai; ai-applications; image-segmentation; ai-agriculture", "keywords": "", "abstract": "Apprentissage profond pour la détection des maladies de plantes sur des images de terrain Plusieurs modèles d’apprentissage profond ont été proposées pour aider les agriculteurs à détecter le plus efficacement possible les maladies des cultures et éviter les pertes de rendement. Ces modèles sont généralement entrainés sur des bases de données, telles que PlantVillage, composées d'images de plantes prises dans des conditions de laboratoire avec des feuilles uniques et un arrière-plan uniforme. Un réseau de neurones entraîné sur une telle base de données a une très faible précision lorsqu'il est exécuté sur des images de terrain qui ont quant à elles des arrière-plans complexes et plusieurs feuilles par image. Dans cette thèse, nous proposons premièrement la base de données FieldPlant contenant 5 170 images de maladies des plantes collectées dans les plantations et annotées manuellement. Deuxièmement, nous proposons une combinaison de modèles pour identifier avec précision les maladies des plantes sur des images de terrain. Cette solution utilise le modèle de segmentation universel pour extraire efficacement tous les objets identifiables dans une image. Pour distinguer les objets d'arrière-plan identifiés et les objets feuilles, nous utilisons la Description de Données Entièrement Convolutives, un modèle de classification profond à une classe pour la détection d'anomalies. Notre modèle peut détecter plusieurs maladies apparaissant sur différentes feuilles dans la même image et améliore de 15% la précision de classification sur des bases de données publiques de maladies de plantes telles que PlantDoc.", "source_url": "https:\/\/openalex.org\/W7152640065", "pdf_url": "http:\/\/www.theses.fr\/2024TROY0008\/document", "doi": "10.70675\/6c91b081z9504z442dz842fzab0592a5e598", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152640065", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:50", "updated_at": "2026-11-15 16:52:50" }, { "id": 512, "title": "Analyzing and improving graph neural networks", "title_ar": "", "title_en": "", "author": "Guillaume Renton", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "gnn", "categories": "deep-learning; computer-vision; gnn", "keywords": "", "abstract": "Réseaux de neurones sur graphes : analyse et contributions Bien que théorisés il y a une quinzaine d’années, l’intérêt de la communauté scientifique pour les réseaux de neurones sur graphes n’a connu un réel essor que très récemment. De tels modèles visent à transposer les capacités d’apprentissage de représentation inhérentes aux réseaux de neurones profonds sur des données de type graphes, via l’apprentissage d’états cachés associés aux nœuds du graphe. Ces états cachés sont calculés et mis à jour en fonction des informations contenues dans le voisinage de chacun des nœuds. Ce récent intérêt pour les réseaux de neurones sur graphes (GNN) a conduit à une \"jungle\" de modèles et de méthodes, rendant le domaine de recherche parfois confus. Historiquement, deux principales stratégies ont été explorées : les réseaux spatiaux et les réseaux spectraux. Les réseaux spatiaux, parfois appelés \"message passing neural network\", sont basés sur le calcul d’un message agrégeant l’information contenue dans le voisinage de chacun des nœuds. Ce message est ensuite utilisé afin de mettre à jour les états cachés des différents nœuds du graphe. Les réseaux spectraux quant à eux sont basés sur la théorie spectrale des graphes et reposent donc sur le Laplacien du graphe. La décomposition en valeurs\/vecteurs propres du Laplacien permet notamment de définir une transformée de Fourier sur graphe ainsi qu’une transformée inverse. À partir de ces transformées, différents filtrages peuvent être appliqués sur le graphe, obtenant des résultats similaires au filtrage sur une image ou sur un signal. Dans cette thèse, nous commençons par introduire une troisième catégorie, appelée spectral-rooted spatial convolution. En effet, certaines méthodes récentes prennent racine dans le domaine spectral tout en évitant le calcul de la décomposition en vecteurs propres du Laplacien. Cette troisième catégorie nous amène à nous poser la question de la différence fondamentale entre les réseaux de neurones spatiaux et réseaux de neurones spectraux. Nous répondons à cette question par la proposition d’un modèle général unifiant les deux stratégies, montrant notamment que les modèles spectraux sont un cas particulier des modèles spatiaux. Ce cadre unifié nous a par ailleurs permis de proposer une analyse spectrale de plusieurs modèles de GNN populaires dans la communauté scientifique, à savoir GCN, GIN, GAT, Chebnet et CayleyNet. Cette analyse montre que les modèles spatiaux sont limités aux filtrages passe-bas et passe haut, tandis que les modèles spectraux sont capables de réaliser n’importe quel type de filtres. Ces résultats sont ensuite retrouvés avec la présentation d’un problème jouet, montrant dans un premier temps la limitation des modèles spatiaux à définir des filtres passe-bande et l’importance que peut revêtir l’utilisation de tels filtres.Ces résultats nous ont amenés à proposer une méthode capable de réaliser n’importe quel type de filtrage, tout en limitant le nombre de paramètres du réseau. En effet, bien que les modèles spectraux soient capables de réaliser tout type de filtrage, l’ajout d’un nouveau filtre requiert l’ajout d’une nouvelle matrice de poids dans le réseau de neurones. Afin de réduire le nombre de paramètres, nous proposons l’adaptation des Depthwise Separable Convolution aux graphes via une méthode intitulée Depthwise Separable Graph Convolution Network. Cette méthode a été évaluée à la fois en apprentissage transductif et en apprentissage inductif, et obtient des résultats supérieurs à l’état de l’art sur les datasets testés. Enfin, nous proposons une méthode définie dans le domaine spatial afin de prendre en compte les attributs d’arcs. En effet, cette problématique a été peu étudiée par la communauté scientifique, et le nombre de méthodes proposant d’inclure ces informations est très réduit.", "source_url": "https:\/\/openalex.org\/W7151004721", "pdf_url": "https:\/\/theses.hal.science\/tel-03346018v1\/document", "doi": "10.70675\/e5978f02z5c61z4768zb855z5c9574d2cea4", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151004721", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:50", "updated_at": "2026-11-15 16:52:50" }, { "id": 580, "title": "Semi-supervised dictionary learning and Semi-supervised deep neural network", "title_ar": "", "title_en": "", "author": "Khanh-Hung Tran", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "self-semi-supervised", "categories": "machine-learning; deep-learning; computer-vision; robotics; ai-applications; self-semi-supervised; ai-cybersecurity", "keywords": "", "abstract": "Apprentissage semi-supervisé de dictionnaire et de réseaux de neurones profonds Depuis les années 2010, l’apprentissage automatique (ML) est l’un des sujets qui retient beaucoup l'attention des chercheurs scientifiques. De nombreux modèles de ML ont démontré leur capacité produire d’excellent résultats dans des divers domaines comme Vision par ordinateur, Traitement automatique des langues, Robotique… Toutefois, la plupart de ces modèles emploient l’apprentissage supervisé, qui requiert d’un massive annotation. Par conséquent, l’objectif de cette thèse est d’étudier et de proposer des approches semi-supervisées qui ont plusieurs avantages par rapport à l’apprentissage supervisé. Au lieu d’appliquer directement un classificateur semi-supervisé sur la représentation originale des données, nous utilisons plutôt des types de modèle qui intègrent une phase de l’apprentissage de représentation avant de la phase de classification, pour mieux s'adapter à la non linéarité des données. Dans le premier temps, nous revisitons des outils qui permettent de construire notre modèles semi-supervisés. Tout d’abord, nous présentons deux types de modèle qui possèdent l’apprentissage de représentation dans leur architecture : l’apprentissage de dictionnaire et le réseau de neurones, ainsi que les méthodes d’optimisation pour chaque type de model, en plus, dans le cas de réseau de neurones, nous précisons le problème avec les exemples contradictoires. Ensuite, nous présentons les techniques qui accompagnent souvent avec l’apprentissage semi-supervisé comme l’apprentissage de variétés et le pseudo-étiquetage. Dans le deuxième temps, nous travaillons sur l’apprentissage de dictionnaire. Nous synthétisons en général trois étapes pour construire un modèle semi-supervisée à partir d’un modèle supervisé. Ensuite, nous proposons notre modèle semi-supervisée pour traiter le problème de classification typiquement dans le cas d’un faible nombre d’échantillons d’entrainement (y compris tous labellisés et non labellisés échantillons). D'une part, nous appliquons la préservation de la structure de données de l’espace original à l’espace de code parcimonieux (l’apprentissage de variétés), ce qui est considéré comme la régularisation pour les codes parcimonieux. D'autre part, nous intégrons un classificateur semi-supervisé dans l’espace de code parcimonieux. En outre, nous effectuons le codage parcimonieux pour les échantillons de test en prenant en compte aussi la préservation de la structure de données. Cette méthode apporte une amélioration sur le taux de précision par rapport à des méthodes existantes. Dans le troisième temps, nous travaillons sur le réseau de neurones. Nous proposons une approche qui s’appelle \"manifold attack\" qui permets de renforcer l’apprentissage de variétés. Cette approche est inspirée par l’apprentissage antagoniste : trouver des points virtuels qui perturbent la fonction de coût sur l’apprentissage de variétés (en la maximisant) en fixant les paramètres du modèle; ensuite, les paramètres du modèle sont mis à jour, en minimisant cette fonction de coût et en fixant les points virtuels. Nous fournissons aussi des critères pour limiter l’espace auquel les points virtuels appartiennent et la méthode pour les initialiser. Cette approche apporte non seulement une amélioration sur le taux de précision mais aussi une grande robustesse contre les exemples contradictoires. Enfin, nous analysons des similarités et des différences, ainsi que des avantages et inconvénients entre l’apprentissage de dictionnaire et le réseau de neurones. Nous proposons quelques perspectives sur ces deux types de modèle. Dans le cas de l’apprentissage de dictionnaire semi-supervisé, nous proposons quelques techniques en inspirant par le réseau de neurones. Quant au réseau de neurones, nous proposons d’intégrer \"manifold attack\" sur les modèles génératifs.", "source_url": "https:\/\/openalex.org\/W7149497300", "pdf_url": "https:\/\/theses.hal.science\/tel-03206023v1\/document", "doi": "10.70675\/42000ac0z65ebz4a00z9dd3z6af0c02d8611", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7149497300", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:50", "updated_at": "2026-11-15 16:52:50" }, { "id": 585, "title": "Semi-supervised learning in insurance : fairness and active learning", "title_ar": "", "title_en": "", "author": "François Hu", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "fairness", "categories": "machine-learning; responsible-ai; self-semi-supervised; fairness", "keywords": "", "abstract": "Apprentissage semi-supervisé en assurance : équité et apprentissage actif Les organismes d'assurance stockent quotidiennement des sources de données textuelles volumineuses (zones de texte libre utilisées par les téléconseillers, courriers électroniques, avis des clients, etc.). Cependant, cette masse de données textuelles comporte des enjeux spécifiques en termes de réglementations comme par exemple le respect des contraintes de protection de la vie privée, imposées en Europe par le récent Règlement général sur la protection des données (RGPD) : ces données textuelles peuvent contenir des informations non-conformes aux normes RGPD, soulevant ainsi des questions éthiques et ne peuvent pas être conservées par l'assureur. Aujourd'hui, ces données textuelles sont étiquetées par des experts (oracles) et ce processus n'est pas adapté à la gestion de grands volumes ni à une gestion de l'information en temps quasi réel. Par conséquent, la mise en place d'un système d'apprentissage précis (en termes de prédiction), peu coûteux (en termes d'étiquetage) et éthique (en termes d'équité) est nécessaire en assurance et cette thèse aborde et résout certains de ces défis. Le premier défi est de réduire l'effort d'étiquetage (se concentrant ainsi sur la qualité des données) avec l'aide de l'apprentissage actif, une boucle de rétroaction entre l'inférence du modèle et un oracle : puisqu'en assurance les données non étiquetées sont généralement abondantes, l'apprentissage actif peut devenir un atout important pour réduire le coût de l'étiquetage. Un autre défi majeur est la question de l'équité dans les inférences de modèles ML. Puisque des inégalités et des discriminations peuvent être trouvées dans les données, les modèles d'apprentissage sont susceptibles de reproduire certaines injustices, ce qui les rend inutilisables en production. Cette thèse explore ces problèmes et propose des solutions, notamment pour les tâches de classification multi-classes. En particulier, nous proposons une méthode d'équité algorithmique qui garantit soit une équité exacte au détriment de la précision du modèle, soit un compromis entre équité et précision appelé epsilon-fairness. En outre, nous proposons une méthode d'apprentissage actif équitable qui requête les instances informatives tout en rendant le modèle équitable. Les méthodologies proposées ont l'avantage d'être agnostiques par rapport au modèle d'apprentissage statistique. Ces résultats sont étudiés et appliqués sur des jeux de données réels et synthétiques.", "source_url": "https:\/\/openalex.org\/W7151310309", "pdf_url": "https:\/\/theses.hal.science\/tel-03752063\/document", "doi": "10.70675\/f9cec72az9beaz4c9bz9436z152694ee9162", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151310309", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:50", "updated_at": "2026-11-15 16:52:50" }, { "id": 611, "title": "Quality and Diversity in Generative Models through the lens of f-divergences", "title_ar": "", "title_en": "", "author": "Alexandre Vérine", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "gan", "categories": "machine-learning; computer-vision; generative-ai; gan", "keywords": "", "abstract": "Explorer la qualité et la diversité des modèles génératifs Les modèles génératifs sont devenus un outil essentiel dans l'apprentissage automatique pour générer des échantillons réalistes à partir de distributions de données complexes. Malgré des avancées significatives dans les modèles tels que les Generative Adversarial Network, les Variational Autoencoders, les Normalizing Flows et les modèles de diffusion, des défis persistent pour régler le compromis entre la qualité et la diversité des échantillons. Cette thèse aborde le problème fondamental de la caractérisation, l'ajustement et de l'amélioration de la qualité et de la diversité dans les modèles génératifs. La précision et le rappel ont émergé comme des métriques cruciales pour évaluer la qualité et la diversité des modèles génératifs. La précision mesure combien d'échantillons générés sont réalistes avec la distribution de données réelle, reflétant la qualité des échantillons. Le rappel évalue combien d'échantillons de la distribution de données réelle peuvent être générés, indiquant la diversité des échantillons. La première contribution majeure de ce travail est l'unification des définitions de la précision et du rappel dans le cadre des f-divergences. En exprimant les métriques les plus populaires et leurs dérivés en tant qu'un famille de f-divergence, la PR-Divergence, nous établissons un système d'évaluation cohérent et complet pour les modèles génératifs. Cette formulation théorique permet une compréhension plus claire et une mesure plus précise des performances des modèles en termes de qualité et de diversité. En s'appuyant sur cette base théorique, la thèse introduit une méthode novatrice pour estimer la PR-divergence de manière différentiables, facilitant son utilisation comme fonction objective dans la formation des modèles génératifs. Cette approche permet d'optimiser n'importe quel compromis spécifique entre précision et rappel. Cette méthode se montre complémentaire aux méthodes existantes. De plus, la thèse propose une méthode optimale d'échantillonnage par rejet qui améliore à la fois la précision et le rappel. Cette méthode est démontrée comme étant optimale en termes de toute f-divergence, fournissant une technique robuste pour affiner les sorties des modèles génératifs pré entraînés. L'algorithme d'échantillonnage par rejet est conçu pour fonctionner sous des budgets computationnels limités, le rendant pratique pour des applications réelles .La validation expérimentale des méthodes proposées est réalisée sur une variété de jeux de données, incluant MNIST, CIFAR-10, Fashion MNIST, CelebA, FFHQ et ImageNet. En utilisant les Normalizing Flows, les Generative Adversarial Networks et les modèles de diffusion, nous démontrons l'efficacité de nos approches pour ajuster le compromis entre la qualité et la diversité des échantillons générés, puis pour améliorer la qualité. Les résultats soulignent la supériorité de nos méthodes par rapport aux métriques traditionnelles et aux techniques existantes.", "source_url": "https:\/\/openalex.org\/W7151888075", "pdf_url": "", "doi": "10.70675\/36e5bb7cz8351z4ba7z8fffzcc9523acc864", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151888075", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:51", "updated_at": "2026-11-15 16:52:51" }, { "id": 660, "title": "Lidar-based scene understanding for autonomous driving using deep learning", "title_ar": "", "title_en": "Lidar-based scene understanding for autonomous driving using deep learning", "author": "Víctor Vaquero Gómez", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "Universitat Politècnica de Catalunya", "university_source": "repository_host", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2020, "language": "en", "research_domain": "computer-vision", "research_subdomain": "image-segmentation", "categories": "machine-learning; deep-learning; computer-vision; robotics; ai-applications; predictive-analytics; image-segmentation; ai-smart-cities", "keywords": "", "abstract": "With over 1.35 million fatalities related to traffic accidents worldwide, autonomous driving was foreseen at the beginning of this century as a feasible solution to improve security in our roads. Nevertheless, it is meant to disrupt our transportation paradigm, allowing to reduce congestion, pollution, and costs, while increasing the accessibility, efficiency, and reliability of the transportation for both people and goods. Although some advances have gradually been transferred into commercial vehicles in the way of Advanced Driving Assistance Systems (ADAS) such as adaptive cruise control, blind spot detection or automatic parking, however, the technology is far from mature. A full understanding of the scene is actually needed so that allowing the vehicles to be aware of the surroundings, knowing the existing elements of the scene, as well as their motion, intentions and interactions. In this PhD dissertation, we explore new approaches for understanding driving scenes from 3D LiDAR point clouds by using Deep Learning methods. To this end, in Part I we analyze the scene from a static perspective using independent frames to detect the neighboring vehicles. Next, in Part II we develop new ways for understanding the dynamics of the scene. Finally, in Part III we apply all the developed methods to accomplish higher level challenges such as segmenting moving obstacles while obtaining their rigid motion vector over the ground. More specifically, in Chapter 2 we develop a 3D vehicle detection pipeline based on a multi-branch deep-learning architecture and propose a Front (FR-V) and a Bird’s Eye view (BE-V) as 2D representations of the 3D point cloud to serve as input for training our models. Later on, in Chapter 3 we apply and further test this method on two real uses-cases, for pre-filtering moving obstacles while creating maps to better localize ourselves on subsequent days, as well as for vehicle tracking. From the dynamic perspective, in Chapter 4 we learn from the 3D point cloud a novel dynamic feature that resembles optical flow from RGB images. For that, we develop a new approach to leverage RGB optical flow as pseudo ground truth for training purposes but allowing the use of only 3D LiDAR data at inference time. Additionally, in Chapter 5 we explore the benefits of combining classification and regression learning problems to face the optical flow estimation task in a joint coarse-and-fine manner. Lastly, in Chapter 6 we gather the previous methods and demonstrate that with these independent tasks we can guide the learning of higher challenging problems such as segmentation and motion estimation of moving vehicles from our own moving perspective. Con más de 1,35 millones de muertes por accidentes de tráfico en el mundo, a principios de siglo se predijo que la conducción autónoma sería una solución viable para mejorar la seguridad en nuestras carreteras. Además la conducción autónoma está destinada a cambiar nuestros paradigmas de transporte, permitiendo reducir la congestión del tráfico, la contaminación y el coste, a la vez que aumentando la accesibilidad, la eficiencia y confiabilidad del transporte tanto de personas como de mercancías. Aunque algunos avances, como el control de crucero adaptativo, la detección de puntos ciegos o el estacionamiento automático, se han transferido gradualmente a vehículos comerciales en la forma de los Sistemas Avanzados de Asistencia a la Conducción (ADAS), la tecnología aún no ha alcanzado el suficiente grado de madurez. Se necesita una comprensión completa de la escena para que los vehículos puedan entender el entorno, detectando los elementos presentes, así como su movimiento, intenciones e interacciones. En la presente tesis doctoral, exploramos nuevos enfoques para comprender escenarios de conducción utilizando nubes de puntos en 3D capturadas con sensores LiDAR, para lo cual empleamos métodos de aprendizaje profundo. Con este fin, en la Parte I analizamos la escena desde una perspectiva estática para detectar vehículos. A continuación, en la Parte II, desarrollamos nuevas formas de entender las dinámicas del entorno. Finalmente, en la Parte III aplicamos los métodos previamente desarrollados para lograr desafíos de nivel superior, como segmentar obstáculos dinámicos a la vez que estimamos su vector de movimiento sobre el suelo. Específicamente, en el Capítulo 2 detectamos vehículos en 3D creando una arquitectura de aprendizaje profundo de dos ramas y proponemos una vista frontal (FR-V) y una vista de pájaro (BE-V) como representaciones 2D de la nube de puntos 3D que sirven como entrada para entrenar nuestros modelos. Más adelante, en el Capítulo 3 aplicamos y probamos aún más este método en dos casos de uso reales, tanto para filtrar obstáculos en movimiento previamente a la creación de mapas sobre los que poder localizarnos mejor en los días posteriores, como para el seguimiento de vehículos.", "source_url": "https:\/\/openalex.org\/W3021063730", "pdf_url": "https:\/\/upcommons.upc.edu\/bitstreams\/b8c27eee-0c12-4e12-8f18-1b7e1af52108\/download", "doi": "10.5821\/dissertation-2117-341602", "handle": "", "repository_name": "UPCommons institutional repository (Universitat Politècnica de Catalunya)", "source_record_id": "W3021063730", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:51", "updated_at": "2026-11-15 16:52:51" }, { "id": 665, "title": "Deep learning for action recognition in videos", "title_ar": "", "title_en": "", "author": "Ahmed Mazari", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2020, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "video-analysis", "categories": "machine-learning; deep-learning; computer-vision; video-analysis", "keywords": "", "abstract": "Apprentissage profond pour la reconnaissance d’actions en vidéos De nos jours, les contenus vidéos sont omniprésents grâce à Internet et les smartphones, ainsi que les médias sociaux. De nombreuses applications de la vie quotidienne, telles que la vidéo surveillance et la description de contenus vidéos, ainsi que la compréhension de scènes visuelles, nécessitent des technologies sophistiquées pour traiter les données vidéos. Il devient nécessaire de développer des moyens automatiques pour analyser et interpréter la grande quantité de données vidéo disponibles. Dans cette thèse, nous nous intéressons à la reconnaissance d'actions dans les vidéos, c.a.d au problème de l'attribution de catégories d'actions aux séquences vidéos. Cela peut être considéré comme un ingrédient clé pour construire la prochaine génération de systèmes visuels. Nous l'abordons avec des méthodes d'intelligence artificielle, sous le paradigme de l'apprentissage automatique et de l'apprentissage profond, notamment les réseaux de neurones convolutifs. Les réseaux de neurones convolutifs actuels sont de plus en plus profonds, plus gourmands en données et leur succès est donc tributaire de l'abondance de données d'entraînement étiquetées. Les réseaux de neurones convolutifs s'appuient également sur le pooling qui réduit la dimensionnalité des couches de sortie (et donc atténue leur sensibilité à la disponibilité de données étiquetées).", "source_url": "https:\/\/openalex.org\/W7149524092", "pdf_url": "", "doi": "10.70675\/d7175e36z7156z47c3za09bz49b02a753fd7", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7149524092", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:51", "updated_at": "2026-11-15 16:52:51" }, { "id": 666, "title": "Human Action Recognition in Videos with Shallow and Deep Learning", "title_ar": "", "title_en": "", "author": "Thi hai hong Phan", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2019, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "video-analysis", "categories": "machine-learning; deep-learning; computer-vision; cnn; video-analysis", "keywords": "", "abstract": "Reconnaissance d'actions humaines dans des vidéos avec l'apprentissage automatique Ces dernières années, la reconnaissance d’action humaine (HAR) a attiré l’attention de la recherche grâce à ses diverses applications telles que les systèmes de surveillance intelligents, l’indexation vidéo, l’analyse des activités humaines, les interactions homme-machine, et ainsi de suite. Les problèmes typiques que les chercheurs envisagent sont la complexité des mouvements humains, les variations spatio-temporelles, l'encombrement, l'occlusion et le changement des conditions d'éclairage. Cette thèse porte sur la reconnaissance automatique des actions humaines en cours dans une vidéo. Nous abordons ce problème de recherche en utilisant à la fois des approches d'apprentissage traditionnel peu profond et d'apprentissage profond.Premièrement, nous avons commencé les travaux de recherche avec des méthodes d’apprentissage traditionnelles peu profondes, fondées sur des caractéristiques créées manuellement, en introduisant un nouveau fonctionnalité appelée descripteur MOMP (Motion of Oriented Magnitudes Patterns). Nous avons ensuite intégré ce descripteur discriminant aux techniques de représentation simples mais puissantes telles que le sac de mots visuels, le vecteur de descripteurs agrégés localement (VLAD) et le vecteur de Fisher pour mieux représenter les actions. En suite l'PCA (Principal Component Analysis) et la sélection des caractéristiques (la dépendance statistique, l'information mutuelle) sont appliquées pour rechercher le meilleur sous-ensemble des caractéristiques afin d'améliorer les performances et de réduire les coûts de calcul. La méthode proposée a permis d'obtenir les résultats d'état de l'art sur plusieurs bases de données communes.Les approches d'apprentissage profond récentes nécessitent des calculs intensifs et une utilisation importante de la mémoire. Ils sont donc difficiles à utiliser et à déployer sur des systèmes aux ressources limitées. Dans la deuxième partie de cette thèse, nous présentons un nouvel algorithme efficace pour compresser les modèles de réseau de neurones convolutionnels afin de réduire à la fois le coût de calcul et l’empreinte mémoire au moment de l’exécution. Nous mesurons la redondance des paramètres en fonction de leurs relations à l'aide des critères basés sur la théorie de l'information, puis nous éliminons les moins importants. La méthode proposée réduit considérablement la taille des modèles de différents réseaux tels qu'AlexNet, ResNet jusqu'à 70% sans perte de performance pour la tâche de classification des images à grande échelle.L'approche traditionnelle avec le descripteur proposé a permis d'obtenir d'excellentes performances pour la reconnaissance de l'action humaine mais seulement sur de petits bases de données. Afin d'améliorer les performances de la reconnaissance sur les bases de données de grande échelle, dans la dernière partie de cette thèse, nous exploitons des techniques d'apprentissage profond pour classifier les actions. Nous introduisons les concepts de l'image MOMP en tant que couche d'entrée de CNN et incorporons l'image MOMP dans des réseaux de neurones profonds. Nous appliquons ensuite notre algorithme de compression réseau pour accélérer et améliorer les performances du système. La méthode proposée réduit la taille du modèle, diminue le sur-apprentissage et augmente ainsi la performance globale de CNN sur les bases de données d'action à grande échelle.Tout au long de la thèse, nous avons montré que nos algorithmes obtenaient de bonnes performances sur bases de données d'action complexes (Weizmann, KTH, UCF Sports, UCF-101 et HMDB51) avec des ressources limitées.", "source_url": "https:\/\/openalex.org\/W7148690778", "pdf_url": "", "doi": "10.70675\/fa813329z9321z4fc2za918zd4282f6ec3ac", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7148690778", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:51", "updated_at": "2026-11-15 16:52:51" }, { "id": 703, "title": "Robust and Privacy-Preserving Federated Learning", "title_ar": "", "title_en": "", "author": "Fatima Elhattab", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "gan", "categories": "machine-learning; generative-ai; medical-ai; responsible-ai; ai-applications; gan; federated-learning; fairness; ai-cybersecurity; ai-industry", "keywords": "", "abstract": "Vers un Apprentissage fédéré robuste et préservant la confidentialité Dans le monde numérique en perpétuelle mutation d’aujourd’hui, l’apprentissage automatique est désormais une puissance essentielle et révolutionnaire, comme le démontrent de multiples recherches. Son impact profond s’étend à travers diverses industries, offrant des solutions et des innovations révolutionnaires qui ont remodelé la manière dont nous interagissons avec la technologie et prenons des décisions. Des systèmes de recommandation améliorant la diffusion de contenu sur les plateformes à la présence d’assistants personnels virtuels comme Siri et Alexa, capables de comprendre et de répondre à des commandes en langage naturel. Dans des domaines tels que la santé, il contribue au diagnostic des maladies, tandis que dans la finance, il renforce la détection de la fraude et l’évaluation des risques. Cette ubiquité de l’apprentissage automatique signifie non seulement une tendance technologique, mais aussi un changement fondamental dans les approches de résolution de problèmes et de prise de décisions. Cependant, cette vague d’innovation axée sur les données a soulevé une préoccupation primordiale : la protection de la vie privée des individus et de leurs données personnelles. Le Règlement général sur la protection des données (RGPD) illustre l’importance accrue de la protection des données à l’ère moderne. L’apprentissage fédéré représente un paradigme prometteur en apprentissage automatique, permettant la formation collaborative de modèles entre des appareils décentralisés. Cependant, il présente une vulnérabilité à diverses attaques. Cette recherche est divisée en deux axes principaux, chacun abordant des défis cruciaux en matière de sécurité et de confidentialité dans le contexte de l’apprentissage fédéré. Le premier axe se concentre sur la lutte contre les attaques d’empoisonnement pour un apprentissage fédéré robuste, où les adversaires cherchent à introduire des tâches nuisibles dans les modèles fédérés en plus de leurs tâches principales. Pour détecter ces attaques, on introduit ARMOR, un nouveau système de détection d’attaque basé sur GAN qui analyse les informations intégrées dans les mises à jour du modèle. Le deuxième axe concerne la lutte contre les attaques d’inférence pour l’apprentissage fédéré préservant la vie privée, en particulier les attaques d’inférence d’appartenance. Pour renforcer la confidentialité en apprentissage fédéré, deux approches novatrices sont introduites : PASTEL, qui améliore la résilience des systèmes d’apprentissage fédéré contre les MIAs en minimisant la différence de généralisation interne, et DINAR, une méthode d’apprentissage fédéré préservant la confidentialité à grain fin qui obscurcit les couches sensibles à la confidentialité et utilise une descente de gradient adaptative pour améliorer l’utilité du modèle. Ces objectifs de recherche visent collectivement à relever les défis en matière de sécurité et de confidentialité et à faire progresser le domaine de l'apprentissage fédéré.", "source_url": "https:\/\/openalex.org\/W7151959159", "pdf_url": "http:\/\/www.theses.fr\/2023ISAL0096\/document", "doi": "10.70675\/062161c5z9cdez4465z92bezb97b4a23cb36", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151959159", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:52", "updated_at": "2026-11-15 16:52:52" }, { "id": 739, "title": "Multimodal AI for 3D-language understanding", "title_ar": "", "title_en": "Multimodal AI for 3D-language understanding", "author": "Andrea Amaduzzi", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: AMS Dottorato Institutional Doctoral Theses Repository (University of Bologna)", "university": "University of Bologna", "university_source": "repository_host", "college": "", "department": "", "country": "Italy", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "nlp", "research_subdomain": "llm", "categories": "deep-learning; computer-vision; nlp; multimodal; llm", "keywords": "", "abstract": "Understanding the world through natural language is a fundamental challenge in computer vision, requiring models to bridge the gap between geometric representations and semantic understanding. While recent advances in deep learning have enabled impressive progress in multimodal tasks, effectively connecting 3D data with language remains difficult due to the computational complexity of 3D representations and the scarcity of high-quality paired 3D-language datasets. In this Thesis, we focus on developing novel deep learning techniques that can efficiently process and describe 3D data through natural language. First, we address the critical lack of high quality 3D-language datasets and reliable evaluation methods for text-to-3D generation by introducing a benchmark comprising GPT2Shape, a dataset of 3D models with high-quality language annotations, CrossCoherence, a novel quantitative metric for evaluating text-to-3D coherence, and HST, a human-validated test set. This benchmark demonstrates superior performance compared to existing 2D-based evaluation metrics. In the second part of this Thesis, we introduce NeRF-language models — a new paradigm of Multimodal Large Language Models that directly process the weights of Neural Radiance Fields (NeRFs) rather than explicit representations like images or point clouds materialized from them. We show that this approach enables holistic 3D understanding without computationally expensive rendering, achieving state-of-the-art performance on the first NeRF-language datasets. Finally, we propose a method for computing spatially-aware tokens directly from the weights of a NeRF, enabling fine-grained spatial understanding and detailed scene comprehension. Our resulting model demonstrates strong capabilities in spatial reasoning on multi-object scenes, with promising generalization to real-world scenarios.", "source_url": "https:\/\/openalex.org\/W7172489949", "pdf_url": "", "doi": "10.48676\/unibo\/amsdottorato\/12771", "handle": "", "repository_name": "AMS Dottorato Institutional Doctoral Theses Repository (University of Bologna)", "source_record_id": "W7172489949", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:52", "updated_at": "2026-11-15 16:52:52" }, { "id": 759, "title": "Explainable Machine Learning for Knowledge Discovery in Environmental Science. PhD thesis, Dublin City University.", "title_ar": "", "title_en": "Explainable Machine Learning for Knowledge Discovery in Environmental Science. PhD thesis, Dublin City University.", "author": "Adam Stapleton", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "Dublin City University", "university_source": "repository_host", "college": "", "department": "", "country": "Ireland", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "responsible-ai", "research_subdomain": "xai", "categories": "machine-learning; responsible-ai; ai-applications; data-mining; predictive-analytics; xai; ai-agriculture", "keywords": "", "abstract": "With climate change increasingly impacting communities and around the globe, understanding the Earth system has never been more vital. The many petabytes of data that are generated from remote sensing efforts such as satellite observations and ground-based measurement networks have made the fields of environmental science and Earth system science ripe for the application of machine learning. The fundamental question that drives the research presented in this thesis is how ML models can be meaningfully integrated into environmental science workflows to enhance our understanding and modelling of complex Earth system processes. This thesis demonstrates through three applications the utility of machine learning for the modelling of complex systems in environmental science. In addition these works demonstrate that explanations of the models enable the discovery new relationships within these systems purely from data with little or no prior knowledge. The first application is to the partitioning of evapotranspiration into its components, evaporation and transpiration by predicting the evaporation component from data where only the total evapotranspiration is measured. The data used are from four wetlands in California and served as a preliminary study that introduces the framework for the methodology that is used for the other studies. A key finding uncovered by simple model explanations is that methane flux, a feature whose relationship with evapotranspiration is not generally examined, may contribute to further biophysical process understanding. The second application is to the local-scale modeling of the atmospheric boundary layer height in central Amazonia. This study found gradient boosted ensemble models using all available features to perform best. A modified recursive feature elimination algorithm identified minimal sets of 5–7 surface measurements sufficient for accurate boundary layer height prediction, demonstrating potential for wider spatial monitoring using cost-effective sensors. The study revealed previously unrecognized variables that strongly contributed to boundary layer height predictions, such as deeper soil temperature measurements (40 cm). The final application is to the large-scale modelling of gross primary productivity in primary forest the Amazon basin utilising clustering methods to separate similar regions and understand the complex relationship between climatic variables with gross primary productivity in those regions. Shapely explanations enabled deeper understanding of the relationships discovered by the machine learning models, in particular identifying the vulnerable peripheral regions with increased variability in gross primary productivity under the influence of deforestation and degradation pressures.", "source_url": "https:\/\/openalex.org\/W7154798969", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Dublin City University Open Access Institutional Repository (Dublin City University)", "source_record_id": "W7154798969", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:52", "updated_at": "2026-11-15 16:52:52" }, { "id": 760, "title": "Bladder Cancer Epidemiology in Latvia and Machine Learning-Based Evaluation of Urinary Exosomal microRNAs as Diagnostic Biomarkers. Doctoral Thesis", "title_ar": "", "title_en": "Bladder Cancer Epidemiology in Latvia and Machine Learning-Based Evaluation of Urinary Exosomal microRNAs as Diagnostic Biomarkers. Doctoral Thesis", "author": "Ērika Bitiņa-Barlote", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Doctoral Thesis»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "medical-ai", "research_subdomain": "predictive-analytics", "categories": "machine-learning; medical-ai; responsible-ai; predictive-analytics", "keywords": "", "abstract": "Bladder cancer (BC) is the most prevalent malignancy of the urinary system and ranks as the tenth most common cancer worldwide. Recent data indicate a significant increase in incidence, with hundreds of thousands of new cases diagnosed annually. Based on GLOBOCAN data, bladder cancer ranked 7th among cancers in Latvia in 2022, with 521 new cases. BC was the seventh most prevalent cancer in the world. The global burden of bladder cancer is considerable, with millions of individuals living with the disease. The overall global five-year prevalence was estimated at 1 700 000 in 2020. There is a substantial number of deaths attributed to it each year, making it the 13th leading cause of cancer mortality. Due to the main risk factors – smoking and chemical exposures – associated with BC, it is considered a largely preventable and avoidable cancer. BC is a heterogeneous disease with highly variable clinical, anatomic, and molecular pathology features, along with a high mutation burden. In recent years, microRNAs (miRNAs) have emerged as crucial regulators of cellular activities, and their dysregulation has been associated with the onset and progression of cancer. Although there are many studies on BC around the world, there is still no comprehensive analysis of the epidemiological trends and long-term survival rates of bladder cancer in Latvia, nor has there been an examination of the potential of exosomal microRNAs (miRNAs) as biomarkers for the diagnosis of BC. The aim of my PhD thesis was to carry out a population-based study on the epidemiological trends of bladder cancer in Latvia from 1990 to 2017, and to evaluate the diagnostic potential of urinary exosomal miRNAs in combination with clinical and laboratory data using machine learning approaches. The study also aimed at improving the understanding of cell-to-cell communication between bladder cells in patients with low-grade (LG) and high-grade (HG) BC, and the possible impact of the urinary exosomal miRNAs on the oncotransformation of normal cells. The results of the study showed that bladder cancer incidence, prevalence, and mortality increased in Latvia between 1990 and 2017. Findings revealed that the age-standardised incidence rate of bladder cancer increased from 6.8 per 100 000 in 1990 to 10.8 per 100 000 in 2017, with a statistically significant rise (APC 2.6 %) from 1990 to 2014, followed by a minor and statistically insignificant decline through 2017 (APC −3.6 %). The prevalence rates increased from 25.2 in 1990 to 69.7 in 2017, with an AAPC of 3.8 % ( 95 % CI 3.1 to 4.6) during the whole period. A statistically significant reduction was observed only in the ≥ 80-year age group, with an APC of −7.6% from 2013 to 2017. Mortality rates also increased from 3.9 to 4.4 per 100,000 during the same period, although a notable decrease was observed in the 40-59 age group, with an annual percentage change of −1.1%. Additionally, relative survival rates improved from 55.0% during 1990-2000 to 59.0% in the years 2013–2017, suggesting advancements in treatment or early detection strategies. These epidemiological findings – particularly the rising incidence and the persistent burden in older age groups – underscored the need for more sensitive, non-invasive diagnostic tools, motivating the subsequent investigation of urinary exosomal miRNAs as candidate biomarkers. Striking differences in the miRNA cargo of exosomes from the BC group as compared to the control group were identified. Among the up-regulated exosomal miRNAs, 7 miRNAs in the LG group and 3 miRNAs in the HG group were identified as directly targeting TP53. Twenty-two and 17 PTEN-targeting miRNAs were observed among the up-regulated miRNAs of the LG and HG groups, respectively. The target genes of these exosomal miRNAs and their interaction network predicted that TP53 is the strongest hub gene in both BC exosomal miRNA networks. Further, the possible role of exosomal miRNAs in synchronous BC development was discussed. Building on these differentially expressed candidates, 11 miRNAs were selected based on statistical significance and fold regulation to test whether combining these miRNAs with routine clinical and laboratory data improves diagnostic accuracy compared with using either data type alone. Machine learning was performed using the 11 specially selected miRNAs in 152 samples (89 bladder cancer patients and 63 controls), selected from an initial 210-participant cohort by applying the criterion of complete clinical data availability. Statistical analysis identified notable miRNAs, such as mir-455-3p, mir-30b-3p, and mir-429, as potential biomarkers. This study highlighted the potential of combining miRNA expression levels with laboratory tests and clinical data for improved BC diagnostics.", "source_url": "https:\/\/openalex.org\/W7225651265", "pdf_url": "", "doi": "10.25143\/prom-rsu_2026-30_dt", "handle": "", "repository_name": "", "source_record_id": "W7225651265", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:52", "updated_at": "2026-11-15 16:52:52" }, { "id": 761, "title": "Bladder Cancer Epidemiology in Latvia and Machine Learning-Based Evaluation of Urinary Exosomal microRNAs as Diagnostic Biomarkers. Summary of the Doctoral Thesis", "title_ar": "", "title_en": "Bladder Cancer Epidemiology in Latvia and Machine Learning-Based Evaluation of Urinary Exosomal microRNAs as Diagnostic Biomarkers. Summary of the Doctoral Thesis", "author": "Ērika Bitiņa-Barlote", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Doctoral Thesis»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2026, "language": "en", "research_domain": "medical-ai", "research_subdomain": "predictive-analytics", "categories": "machine-learning; medical-ai; responsible-ai; predictive-analytics", "keywords": "", "abstract": "Bladder cancer (BC) is the most prevalent malignancy of the urinary system and ranks as the tenth most common cancer worldwide. Recent data indicate a significant increase in incidence, with hundreds of thousands of new cases diagnosed annually. Based on GLOBOCAN data, bladder cancer ranked 7th among cancers in Latvia in 2022, with 521 new cases. BC was the seventh most prevalent cancer in the world. The global burden of bladder cancer is considerable, with millions of individuals living with the disease. The overall global five-year prevalence was estimated at 1 700 000 in 2020. There is a substantial number of deaths attributed to it each year, making it the 13th leading cause of cancer mortality. Due to the main risk factors – smoking and chemical exposures – associated with BC, it is considered a largely preventable and avoidable cancer. BC is a heterogeneous disease with highly variable clinical, anatomic, and molecular pathology features, along with a high mutation burden. In recent years, microRNAs (miRNAs) have emerged as crucial regulators of cellular activities, and their dysregulation has been associated with the onset and progression of cancer. Although there are many studies on BC around the world, there is still no comprehensive analysis of the epidemiological trends and long-term survival rates of bladder cancer in Latvia, nor has there been an examination of the potential of exosomal microRNAs (miRNAs) as biomarkers for the diagnosis of BC. The aim of my PhD thesis was to carry out a population-based study on the epidemiological trends of bladder cancer in Latvia from 1990 to 2017, and to evaluate the diagnostic potential of urinary exosomal miRNAs in combination with clinical and laboratory data using machine learning approaches. The study also aimed at improving the understanding of cell-to-cell communication between bladder cells in patients with low-grade (LG) and high-grade (HG) BC, and the possible impact of the urinary exosomal miRNAs on the oncotransformation of normal cells. The results of the study showed that bladder cancer incidence, prevalence, and mortality increased in Latvia between 1990 and 2017. Findings revealed that the age-standardised incidence rate of bladder cancer increased from 6.8 per 100 000 in 1990 to 10.8 per 100 000 in 2017, with a statistically significant rise (APC 2.6 %) from 1990 to 2014, followed by a minor and statistically insignificant decline through 2017 (APC −3.6 %). The prevalence rates increased from 25.2 in 1990 to 69.7 in 2017, with an AAPC of 3.8 % ( 95 % CI 3.1 to 4.6) during the whole period. A statistically significant reduction was observed only in the ≥ 80-year age group, with an APC of −7.6% from 2013 to 2017. Mortality rates also increased from 3.9 to 4.4 per 100,000 during the same period, although a notable decrease was observed in the 40-59 age group, with an annual percentage change of −1.1%. Additionally, relative survival rates improved from 55.0% during 1990-2000 to 59.0% in the years 2013–2017, suggesting advancements in treatment or early detection strategies. These epidemiological findings – particularly the rising incidence and the persistent burden in older age groups – underscored the need for more sensitive, non-invasive diagnostic tools, motivating the subsequent investigation of urinary exosomal miRNAs as candidate biomarkers. Striking differences in the miRNA cargo of exosomes from the BC group as compared to the control group were identified. Among the up-regulated exosomal miRNAs, 7 miRNAs in the LG group and 3 miRNAs in the HG group were identified as directly targeting TP53. Twenty-two and 17 PTEN-targeting miRNAs were observed among the up-regulated miRNAs of the LG and HG groups, respectively. The target genes of these exosomal miRNAs and their interaction network predicted that TP53 is the strongest hub gene in both BC exosomal miRNA networks. Further, the possible role of exosomal miRNAs in synchronous BC development was discussed. Building on these differentially expressed candidates, 11 miRNAs were selected based on statistical significance and fold regulation to test whether combining these miRNAs with routine clinical and laboratory data improves diagnostic accuracy compared with using either data type alone. Machine learning was performed using the 11 specially selected miRNAs in 152 samples (89 bladder cancer patients and 63 controls), selected from an initial 210-participant cohort by applying the criterion of complete clinical data availability. Statistical analysis identified notable miRNAs, such as mir-455-3p, mir-30b-3p, and mir-429, as potential biomarkers. This study highlighted the potential of combining miRNA expression levels with laboratory tests and clinical data for improved BC diagnostics.", "source_url": "https:\/\/openalex.org\/W7225633027", "pdf_url": "", "doi": "10.25143\/prom-rsu_2026-30_dts", "handle": "", "repository_name": "", "source_record_id": "W7225633027", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:52", "updated_at": "2026-11-15 16:52:52" }, { "id": 773, "title": "weka_cereinae_diver_sp.for_figshare.xlsx Supplementary data for PhD thesis - Chapter 3 - diversification analysis using machine learning", "title_ar": "", "title_en": "weka_cereinae_diver_sp.for_figshare.xlsx Supplementary data for PhD thesis - Chapter 3 - diversification analysis using machine learning", "author": "MONIQUE BRITO", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "", "university_source": "", "college": "", "department": "", "country": "", "governorate": "", "publication_year": 2023, "language": "en", "research_domain": "machine-learning", "research_subdomain": "predictive-analytics", "categories": "machine-learning; predictive-analytics", "keywords": "", "abstract": "The present dataset relates to machine learning analysis aiming to predict diversification rates and abiotic and biotic traits of South American cactus group (subtribe Cereinae).", "source_url": "https:\/\/openalex.org\/W4394283703", "pdf_url": "", "doi": "10.6084\/m9.figshare.22722349", "handle": "", "repository_name": "Figshare", "source_record_id": "W4394283703", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:52", "updated_at": "2026-11-15 16:52:53" }, { "id": 789, "title": "Secure and Privacy-preserving Federated Learning with Explainable Artificial Intelligence for Smart Healthcare System", "title_ar": "", "title_en": "Secure and Privacy-preserving Federated Learning with Explainable Artificial Intelligence for Smart Healthcare System", "author": "Ali Raza", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "en", "research_domain": "medical-ai", "research_subdomain": "federated-learning", "categories": "machine-learning; deep-learning; medical-ai; responsible-ai; ai-applications; xai; federated-learning; fairness; ai-cybersecurity", "keywords": "", "abstract": "The growing population around the globe has a significant impact on various sectors including the labor force, healthcare, and the global economy. The healthcare sector is among the most affected sectors by the growing population due to the increasing demand for resources including doctors, nurses, equipment, and healthcare facilities. Intelligent systems have been incorporated to enhance decision-making, management, prognosis, and diagnosis in order to tackle such issues and offer improved healthcare to patients. Among such systems, those based on deep learning (DL), a subclass of machine learning (ML) have outperformed many traditional statistical and ML systems owing to their capability of automatically discovering and learning related features for a given task and robustness. Therefore, the use of DL has seen a steady increase in many applications. Nevertheless, usually, the training of DL models relies on a single centralized server, which brings many challenges: (1) except for some big enterprises most of the small enterprises have limited quality data, which is insufficient to support the training of data-hungry DL models, (2) access to data, which is vital for these systems, often raises privacy concerns. The collection and analysis of sensitive patient information must be done in a secure and ethical manner to ensure the protection of individual privacy rights, (3) high communication cost and computation resources required, (4) a large number of trainable parameters make the outcome of DL hard to explain, which is required in some applications, such as healthcare. Compared to centralized ML, federated learning (FL) improves both privacy and communication costs, where clients collaboratively train a joint model without sharing the raw data directly. FL minimizes privacy breaches and safeguards sensitive data by keeping it distributed locally. This enables collaborative model training while reducing the risk of unauthorized access and data breaches. Additionally, it promotes data diversity and scalability by involving multiple sources in joint model training and decreases communication costs by sharing only model updates instead of the entire dataset. However, FL brings its own challenges. For example, heterogeneous local data among the clients makes it challenging to train a high-performing and robust global model. Sharing updates (hundreds of thousands of parameters) still has high communication costs. Additionally, the distributed nature and access control of local data in FL make it more vulnerable to malicious attacks. Moreover, the challenge of explaining the results of DL still remains challenging, and methods are needed to be developed to bring trust accountability, and transparency in sensitive applications, such as healthcare. Therefore, the aim of this thesis is to create robust frameworks that are secure, high-performing, and privacy-friendly within federated settings. These frameworks will be specifically designed for end-to-end (we train our frameworks using raw data without any manual feature extraction) healthcare applications, considering the presence of non-identically distributed data among clients in FL to bring robustness. By addressing these challenges, the objective is to enhance the overall system's resilience and effectiveness. We also propose a methodology for detecting anomalies within federated settings, particularly in applications with limited available data for the abnormal class. Furthermore, clients in FL are usually resource-constrained with limited computation and communication resources available. Therefore, to support efficient computation and communication in a federated setting we propose a lightweight framework (in terms of the trainable number of parameters). Additionally, to provide explanations of the DL models' outcomes, which are usually hard to explain because of the large number of parameters, we propose model-agnostic explainable AI modules to help explain the results of DL models. Moreover, in order to protect the proposed frameworks against cyber attacks, such as poisoning attacks, we propose a framework in federated settings, which makes the proposed healthcare frameworks more secure and trustworthy. Finally, with experimental analysis using baseline datasets for one of the most common health conditions i.e., cardiovascular diseases (arrhythmia detection, ECG anomaly detection) and human activity recognition (used for supplementing cardiovascular diseases detection), we show the superiority of the proposed frameworks over state-of-the-art work.", "source_url": "https:\/\/openalex.org\/W4399027046", "pdf_url": "http:\/\/www.theses.fr\/2023ULILB019\/document", "doi": "10.22024\/unikent\/01.02.102717", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W4399027046", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 792, "title": "Exploring Verifiable and Privacy-Preserving Federated Learning through Differential Privacy and Cryptographic Protocols", "title_ar": "", "title_en": "", "author": "Rezak Aziz", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2025, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "federated-learning", "categories": "machine-learning; responsible-ai; federated-learning; fairness", "keywords": "", "abstract": "Exploration de l'apprentissage fédéré vérifiable et respectueux de la vie privée grâce à la confidentialité différentielle et aux protocoles cryptographiques L’apprentissage fédéré est apparu comme un paradigme distribué permettant à plusieurs participants d’entraîner conjointement un modèle d’apprentissage automatique sans échanger leurs données brutes. En conservant les données localement, cette approche réduit considérablement les risques liés à la divulgation d’informations sensibles, risques souvent présents dans les architectures d’apprentissage centralisées. Toutefois, malgré cette promesse de confidentialité, plusieurs travaux récents ont démontré que les gradients échangés lors du processus d’apprentissage peuvent encore révéler des informations sur les jeux de données locaux. Par ailleurs, la majorité des approches actuelles reposent sur des hypothèses de confiance fortes envers le serveur central, sans offrir de mécanismes permettant de vérifier la bonne application des mesures de protection de la vie privée. Ces limites mettent en évidence un écart important entre les garanties théoriques de confidentialité et leur concrétisation dans les déploiements réels. Dans cette thèse, nous proposons de réduire cet écart en combinant la confidentialité différentielle avec des outils cryptographiques et des protocoles de vérifiabilité. L’objectif est d’assurer un apprentissage fédéré à la fois vérifiable et moins dépendant de la confiance envers les entités centrales. Dans un premier temps, nous explorons l’utilisation du chiffrement homomorphe additif afin de protéger les mises à jour locales tout en limitant la dépendance à un agrégateur de confiance. Dans un second temps, nous introduisons un protocole de vérifiabilité non interactif fondé sur les zk-SNARKs et les fonctions de hachage cryptographiques. Ce protocole permet de prouver et de vérifier la correcte application de la confidentialité différentielle sans révéler d’informations sensibles. Enfin, nous présentons ProoFed, un cadre distribué reposant sur le partage de secret pour décentraliser la génération du bruit et intégrer des preuves d’agrégation vérifiables en connaissance nulle, supprimant ainsi les points uniques de confiance.", "source_url": "https:\/\/openalex.org\/W7162251686", "pdf_url": "", "doi": "10.70675\/fd526e45z439bz439bz86c4z2c941668ff3c", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7162251686", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 796, "title": "Federated learning of Bayesian networks preserving privacy for personalised medical applications", "title_ar": "", "title_en": "", "author": "Sarah Benikhlef", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2025, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "federated-learning", "categories": "machine-learning; medical-ai; responsible-ai; federated-learning; fairness", "keywords": "", "abstract": "Apprentissage fédéré de réseaux bayésiens préservant la confidentialité dans le cadre d’applications médicales personnalisées L’apprentissage fédéré permet d’entraîner des modèles d’apprentissage automatique sur plusieurs ensembles de données décentralisés sans partager les données brutes, répondant ainsi aux préoccupations critiques en matière de confidentialité dans le domaine de la santé. Les réseaux bayésiens (RB) sont des modèles probabilistes qui ont prouvé leur valeur dans la modélisation de dépendances complexes. Ils ont la particularité d’être grandement interprétables, ce qui est crucial lors du traitement de données médicales, car cela permet aux experts médicaux de comprendre facilement les modèles construits. Cette thèse étudie l’intégration des réseaux bayésiens dans un cadre d’apprentissage fédéré, en mettant l’accent sur la préservation de la confidentialité. Une première proposition combine les réseaux bayésiens avec des préoccupations statistiques en apprentissage fédéré telles que l’apprentissage multitâches et l’apprentissage par transfert. Elle consiste en une extension d’un algorithme efficace de découverte de structure RB, MMHC, à un contexte multi-tâches (MT). Pour évaluer cette approche, nous proposons une procédure pour générer des benchmarks MT à partir de n’importe quel modèle de référence. Enfin, nous considérons les contraintes de confidentialité différentielle pour rendre l’algorithme d’apprentissage des RBs respectueux de la vie privée.", "source_url": "https:\/\/openalex.org\/W7152535725", "pdf_url": "https:\/\/theses.hal.science\/tel-05031263\/document", "doi": "10.70675\/851ea73az7fedz485fza157z6aa9de5418fc", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152535725", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 800, "title": "Towards decentralization, asynchrony, privacy and personalization in federated learning", "title_ar": "", "title_en": "", "author": "Mathieu Even", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "responsible-ai", "research_subdomain": "federated-learning", "categories": "machine-learning; responsible-ai; federated-learning; fairness", "keywords": "", "abstract": "Asynchronie, décentralisation, vie privée et personnalisation en apprentissage fédéré Les modèles d'apprentissage automatique modernes exigent d'énormes quantités de données et de puissance de calcul pour effectuer des prédictions précises. Par conséquent, ces modèles sont entrainés de manière distribuée : un grand nombre d'unités de calcul sont nécessaires, et les données utilisées pour l'entraînement, étant trop vastes pour être centralisées sur une seule machine, sont stockées de manière décentralisée par les utilisateurs. Cette thèse explore différentes problématiques liées à l'entraînement distribué de modèles. En raison de l'échelle grandissante des ordres de grandeurs des besoins en calcul et en données nécessaires, nous examinons d'abord les méthodes d'entraînement asynchrones et le cadre décentralisé. Ensuite, nous abordons les questions liées à la protection des données, naturellement amplifiées dans le cadre décentralisé, et la personnalisation des modèles, un scénario plus complexe dans lequel les utilisateurs ne partagent pas nécessairement le même objectif, mais doivent néanmoins collaborer.", "source_url": "https:\/\/openalex.org\/W7151754404", "pdf_url": "", "doi": "10.70675\/4f5ec75dz5aaaz4e21z8a07z5f155adcdfe1", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151754404", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 808, "title": "Multi-objective optimization of composite sandwich structures by using artificial neural network and genetic algorithm", "title_ar": "", "title_en": "Multi-objective optimization of composite sandwich structures by using artificial neural network and genetic algorithm", "author": "Al-Hamzawi, Mortda Mohammed Sahib", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: REAL-PhD (Hungarian Academy of Sciences)", "university": "", "university_source": "", "college": "", "department": "", "country": "Hungary", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "deep-learning", "research_subdomain": "optimization", "categories": "machine-learning; deep-learning; optimization", "keywords": "", "abstract": "", "source_url": "https:\/\/openalex.org\/W7106694290", "pdf_url": "https:\/\/real-phd.mtak.hu\/2441\/1\/Mortda_Mohammed_Sahib_Al-Hamzawi_ert_doi.pdf", "doi": "10.14750\/me.2025.049", "handle": "", "repository_name": "REAL-PhD (Hungarian Academy of Sciences)", "source_record_id": "W7106694290", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 811, "title": "Many-objective optimization with particle swarm optimization algorithm", "title_ar": "", "title_en": "", "author": "Freire, Hélio Alves", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «tese de doutoramento»", "university": "Universidad De Tras-os Montes e Alto Douro", "university_source": "repository_host", "college": "", "department": "", "country": "Portugal", "governorate": "", "publication_year": 2017, "language": "pt", "research_domain": "machine-learning", "research_subdomain": "optimization", "categories": "machine-learning; optimization", "keywords": "", "abstract": "Muitos dos problemas de optimização envolvem diversos objectivos sujeitos a algumas restrições e que devem ser considerados simultaneamente. Ao contrário dos problemas uni-objectivo em que se procura a solução óptima global, a resolução dos problemas com múltiplos objectivos dão origem a um conjunto de soluções, chamado frente de Pareto. Nas últimas duas décadas os algoritmos evolutivos conjuntamente com o princípio da dominância de Pareto têm demonstrado uma grande capacidade para obter um conjunto de soluções próximas da frente óptima de Pareto. Esta situação tem-se verificado principalmente para problemas com dois ou três objectivos. Nos últimos anos tem-se levado os algoritmos evolutivos a resolver problemas com mais de três objectivos, denominados many-objective. Os algoritmos evolutivos e métodos baseados no princípio da dominância de Pareto desenvolvidos para resolver problemas com dois ou três objectivos, têm-se mostrado desadequados para problemas many-objective. Uma das questões centrais com os problemas de optimização many-objective usando a dominância de Pareto é que praticamente toda a população se torna não-dominada numa etapa em que a população ainda se encontra muito longe da frente óptima de Pareto. A selecção das “boas\" soluções para recombinação com a restante população torna-se praticamente aleatória, tornando difícil a convergência da população para a frente óptima de Pareto. O princípio básico desenvolvido nesta tese de doutoramento é colocar algumas soluções próximas da frente óptima de Pareto na população, denominadas corner solutions, dos algoritmos evolutivos multi-objectivo. Para encontrar as corner solutions foi desenvolvido o algoritmo Corner MOPSO que aproveita os bons resultados demonstrados pelos algoritmos evolutivos e pelo princípio da dominância de Pareto para problemas com dois objectivos. Neste algoritmo faz-se uma transformação de um problema many-objective em diversos problemas bi-objective. Foram usados três algoritmos evolutivos, de paradigmas diferentes, um algoritmo genético, o NSGA-II, um particle swarm, o SMPSO e um algoritmo differential evolution, o GDE3, onde são introduzidos as corner solutions. O algoritmo é testado para a família de problemas benchmark DTLZ, mais propriamente os problemas DTLZ1, DTLZ2, DTLZ3, DTLZ4 e DTLZ5, com o número de objectivos, para cada um dos problemas, variando entre 4 e 10. Os métodos desenvolvidos são aplicados para projectar estruturas de controlo com controlador PID, considerando uma perspectiva many-objective. O objectivo é ajustar os parâmetros do controlador PID para diferentes sistemas.", "source_url": "https:\/\/openalex.org\/W2619656652", "pdf_url": "", "doi": "", "handle": "", "repository_name": "Repository of UTAD (Universidad De Tras-os Montes e Alto Douro)", "source_record_id": "W2619656652", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 813, "title": "Hardware\/software co-design for Neural Network trained by improved Particle Swarm Optimization", "title_ar": "", "title_en": "Hardware\/software co-design for Neural Network trained by improved Particle Swarm Optimization", "author": "Tuan Linh Dang", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Ph.D»", "university": "", "university_source": "", "college": "", "department": "", "country": "Japan", "governorate": "", "publication_year": 2017, "language": "en", "research_domain": "deep-learning", "research_subdomain": "optimization", "categories": "machine-learning; deep-learning; optimization", "keywords": "", "abstract": "Nowadays, using the particle swarm optimization (PSO) algorithms to train neural networks (NN) has become an attractive research.A famous method used to train the NNs is the back-propagation (BP) algorithm.Recently, previous studies have shown that the NN trained by PSO algorithms (NN-PSO) obtained higher recognition rates and lower learning errors when compared to the NN trained by the conventional BP algorithm.However, the standard PSO (SPSO) algorithm may stick to a local minimum in the training process.In this situation, the SPSO algorithm is stopped, leading to a high learning error rate or a low recognition rate of the trained NN.So far few studies have tried to overcome this problem by adding improving the standard PSO algorithms.Normally in previous studies, the improved versions of the PSO required to add more compute-intensive tasks that often increase computational burden the SPSO algorithm.Typically, previous researchers have implemented the NN trained by PSO algorithms only in hardware or only in software.Normally, the hardware implementation of the NN-PSO in these studies has been tested in a simulation using ModelSim program with the SPSO algorithm but it has not been tested in the real classification tasks.The FPGA-based NN was commonly investigated with a function-approximation, and the researchers just focused on reducing learning errors in the training phase.To deal with the issues described above, this research has three objectives.The first First of all, I would like to thank Professor Yukinobu Hoshino for his willingness to coach me, his promptness, the eye-opening discussions we had and his valuable comments on the progress of my research.In the same light, I thank my co-Supervisors, Professor Masayoshi Tachibana and Professor Yukio Mitsuyama for their excellent observations, ideas, and creativity that inspired my dissertation.I would like to thank all the professors at the Kochi University of Technology who were responsible for the Ph.D. courses that I have attended during these years.I have acquired considerable knowledge through their presentations and interactive scientific discussions.I would like to present all my gratitude to Dr. Cao Thang at the University of Tokyo for his constructive advice and interesting ideas", "source_url": "https:\/\/openalex.org\/W2775346207", "pdf_url": "https:\/\/kutarr.kochi-tech.ac.jp\/record\/615\/files\/118800131566.pdf", "doi": "", "handle": "", "repository_name": "Institutional Repositories DataBase (IRDB)", "source_record_id": "W2775346207", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 842, "title": "Robust liver vessel segmentation in medical images using 3-D deep learning approaches", "title_ar": "", "title_en": "", "author": "Abir Affane", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; image-segmentation; medical-imaging", "keywords": "", "abstract": "Une approche Deep Learning pour la segmentation robuste des vaisseaux hépatiques sur des images médicales 3-D L’évolution de l’informatique dans la recherche sur les réseaux vasculaires a permis d’améliorer la reconstruction et l’interprétation de ces structures complexes.L’extraction robuste de ces structures sur des images biomédicales nécessite une bonne acquisition lors d’un examen d’imagerie.La segmentation des vaisseaux peut être utilisée pour de nombreuses applications telles que la division du foie en sous-régions. Cette définition des segments de Couinaud a été une bonne initialisation pour les chercheurs pour résoudre plu-sieurs problèmes liés aux maladies du foie, faciliter l’interprétation des images parles radiologues et même pour des planifications chirurgicales. L’exploration des vaisseaux hépatiques repose sur la bonne acquisition lors d’un examen. Le deep learning apporte de nouvelles solutions aux problèmes de segmentation des images médicales et devient une méthodologie de pointe pour de futures applications cliniques. L’étude des structures vasculaires est une tâche difficile en raison de la taille extrêmement petite de la structure du vaisseau, du faible SNR (Signal to Noise Ratio) et du contraste variable des données d’imagerie médicale. L’étude des structures curvilignes est une tâche difficile, en particulier compte tenu des applications d’imagerie médicale telles que la reconstruction des vaisseaux. Depuis l’arrivée des méthodes d’apprentissage profond, plusieurs approches basées sur l’intensité des pixels ont été proposées pour réduire les erreurs de segmentation, mais ces informations ne sont toujours pas suffisantes pour préserver la connectivité au sein des branches et peuvent donner de mauvais résultats de segmentation dans les bifurcations. Ceci est principalement dû à la complexité de ces structures et au contraste inhomogène dans tout le réseau vasculaire des images médicales.Cette thèse est consacrée au développement d’une nouvelle méthode d’apprentissage en profondeur 3-D basée sur des informations topologiques pour la segmentation des vaisseaux hépatiques à partir des images médicales, qui peut aider à améliorer les décisions de segmentation à partir des modèles vasculaires. Ces approches intègrent à la fois l’intensité du pixel et la structure topologique des vaisseaux en développant des modèles 3-D avec une fonction de perte topologique spécifique, qui calcule la similarité entre la carte de vraisemblance prédite par un modèle 3-D de segmentation et les vaisseaux de vérité de terrain. Notre modèle d’apprentissage topologique profond 3-D est une technique prometteuse avec une meilleure qualité de segmentation sur les bifurcations notamment.Dans une première partie, des modèles de segmentation U-Net 3-D sont revisités et comparés. Plus précisément, 3-D U-Net, Dense U-Net et MultiRes U-Net sont opposés les uns aux autres dans la tâche de segmentation des vaisseaux sur le jeu de données scanner public de l’IRCAD. Pour chaque modèle, trois configurations alternatives permettant d’adapter les architectures du réseau neuronal convolutif adaptées aux données volumétriques sont testées. À savoir, les configurations 3-Dcomplètes, basées sur des groupes de coupes (slabs) et sur des patches 3-D sont prises en compte. Ces méthodes permettent de mieux détecter les bifurcations.Cette comparaison des modèles 3-D permet de choisir la meilleure approche basée sur les intensités de l’image.Dans une seconde partie, une méthode basée sur la combinaison des modèles d’apprentissage profond avec des filtres de rehaussement est introduite pour segmenter les vaisseaux hépatiques sur des images 3-D. Cette approche améliore les résultats de segmentation. Plusieurs filtres de rehaussement ont été utilisés et comparés. Enfin la troisième partie de la thèse est consacrée à introduire les signatures topo-logiques. Ces informations peuvent aider à améliorer la décision de segmentation.L’étude hiérarchique du squelette (sous forme de graphe) permet de donner une description graphique du réseau vasculaire hépatique. (...)", "source_url": "https:\/\/openalex.org\/W7151558747", "pdf_url": "", "doi": "10.70675\/e29c06baza80dz47ebza090z3fe9d7c42991", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151558747", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 843, "title": "Deep learning for semantic segmentation in multimodal medical images : application on brain tumor segmentation from multimodal magnetic resonance imaging", "title_ar": "", "title_en": "", "author": "Tongxue Zhou", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; multimodal; image-segmentation; medical-imaging", "keywords": "", "abstract": "Apprentissage profond pour la segmentation sémantique d'images médicales multimodales : applications à la segmentation des tumeurs cérébrales à partir d'images IRM multimodales Dans cette thèse, nous développons quatre méthodes de segmentation des tumeurs cérébrales à partir d'images IRM multimodales, basées sur l'apprentissage profond. Les deux premières méthodes se concentrent sur la segmentation tumorale avec des modalités complètes. Tandis que les deux dernières méthodes réalisent la segmentation lorsque certaines modalités sont manquantes. Nous présentons d'abord le premier réseau de neurones profond pour la segmentation d'images multimodales de tumeurs cérébrales. Celui-ci est basé à la fois sur un mécanisme d'attention afin de fusionner les images multimodales et sur une contrainte liée au contexte afin de limiter la région de la segmentation. Compte tenu qu'il existe une corrélation entre les modalités, nous proposons une seconde méthode exploitant cette corrélation multimodale dans l'espace des caractéristiques latentes, à l'aide d'un modèle non linéaire et de la divergence de KL, dans le but de fusionner les images de manière efficace. Cette méthode innovante utilise un bloc de fusion à « triple attention », qui comprend un module d'attention basé sur les modalités, un autre basé sur l'espace spatial, et un troisième basé sur la corrélation multimodale. Il est fréquent que certaines modalités soient manquantes en pratique clinique. Nous proposons donc deux méthodes permettant la segmentation de tumeurs cérébrales avec des modalités manquantes. Nous exploitons à nouveau la corrélation entre les modalités afin de conserver les informations des images manquantes. Dans notre première méthode, le réseau est entraîné avec la totalité des modalités à l'aide de la corrélation multimodale. Il est ensuite testé dans les cas où certaines modalités sont manquantes, et celles-ci sont remplacés par les modalités les plus proches. Afin de retrouver plus précisément les informations manquantes, nous proposons une seconde méthode permettant de générer les caractéristiques de la modalité manquante, grâce à une corrélation multimodale. De plus, nous appliquons une divergence KL, pour garantir la similarité entre les caractéristiques générées et celles de la modalité originale. Nous avons démontré l'efficacité et la bonne performance des méthodes proposées en utilisant une base d'images multimodales publique.", "source_url": "https:\/\/openalex.org\/W7150750481", "pdf_url": "", "doi": "10.70675\/c1d97248z146ez42eez9570z2f9373115998", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7150750481", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 844, "title": "A scalable and component-based deep learning parallelism platform : an application to convolutional neural networks for medical imaging segmentation.", "title_ar": "", "title_en": "", "author": "Soulaimane Guedria", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2020, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "deep-learning; computer-vision; medical-ai; cnn; image-segmentation; medical-imaging", "keywords": "", "abstract": "Une plateforme d'apprentissage profond à base de composants qui passe à l'échelle : une application aux réseaux de neurones convolutionnels pour la segmentation en imagerie médicale Les réseaux neuronaux profonds (DNNs), et plus particulièrement les réseaux neuronaux convolutifs (CNN) entraînés sur des grandes quantités de données, rencontrent un vif succès dans une multitude d'applications capitales, et particulièrement en imageries médicales. Cependant, l'entraînement de réseaux de neurones convolutifs (CNN) (1) est une tâche chronophage. De plus, (2) distribuer l'entraînement des CNNs est un défi ardu en pratique car il s'agit d'un processus fastidieux, répétitif et sujet aux erreurs. En outre, (3) il n'y a actuellement aucune étude approfondie sur la généralisation et la reproductibilité des techniques de parallélisation des CNNs particulièrement sur des applications concrètes de segmentation en imagerie médicale.Dans ce contexte, cette thèse vise à relever les défis susmentionnés. Pour cela, nous avons conçu, implémenté et validé une plateforme d'apprentissage profond à base de composants qui passe à l'échelle pour la segmentation en imagerie médicale. Au début, on introduit R2D2, une boîte à outils d'apprentissage profond de bout en bout qui passe à l'échelle. En effet, R2D2 introduit également un ensemble de nouvelles versions distribuées d'architectures d'apprentissage profond populaires afin d'accélérer l'entraînement effectif des modèles CNNs innovants dans des délais raisonnables et réduire l'écart entre les chercheurs et l'apprentissage en profondeur exigeant des compétences accrues. En outre, cette thèse introduit également Auto-CNNp, un nouveau framework basé sur les composants logiciels pour automatiser la parallélisation des CNNs en encapsulant et en cachant les tâches de routine de parallélisation au sein d'une structure de base tout en gardant la solution logicielle suffisamment flexible et extensible pour une personnalisation spécifique à l'utilisateur. Les résultats de l'évaluation de notre approche automatisée basée sur les composants sont prometteurs. Ils montrent qu'une accélération significative de la tâche de parallélisation CNN a été réalisée au détriment d'un temps d'exécution du framework négligeable, par rapport au temps nécessaire à la stratégie de parallélisation manuelle.Le couple de solutions logicielles précédemment introduites (R2D2 et Auto-CNNp) nous ont donné les outils appropriés pour effectuer une analyse expérimentale approfondie afin d'étudier la généralisation des techniques de parallélisation des CNNs vers la tâche de segmentation. Simultanément, nous avons mené une revue de littérature visant à étudier les sources de la reproductibilité dans l'entraînement des modèles d'apprentissage profond pour une configuration d'entraînement particulière de segmentation en imagerie médicale. Nous proposons également quelques recommandations de bonnes pratiques afin d'atténuer ces problèmes précités de reproductibilité d'entraînement des DNNs pour la segmentation en imagerie médicale. Enfin, nous faisons un certain nombre d'observations en nous basant sur une analyse approfondies des résultats de l'étude expérimentale déjà menée sur le parallélisation des CNNs, qui nous ont permis de proposer des directives et des recommandations pour distribuer l'entraînement des CNNs pour une segmentation sans perte de précision.", "source_url": "https:\/\/openalex.org\/W3120525886", "pdf_url": "https:\/\/theses.hal.science\/tel-03011791v1\/document", "doi": "10.70675\/502fe756z044dz4c71z995fz08791ef9e248", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W3120525886", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 861, "title": "The Role of Accumulated Dust Chemical Composition on Photovoltaic Thermal Performance: Advanced Modeling and Experimental Analysis", "title_ar": "", "title_en": "The Role of Accumulated Dust Chemical Composition on Photovoltaic Thermal Performance: Advanced Modeling and Experimental Analysis", "author": "Hussam M. Almukhtar", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "Auckland University of Technology", "university_source": "repository_host", "college": "", "department": "", "country": "New Zealand", "governorate": "", "publication_year": 2024, "language": "en", "research_domain": "deep-learning", "research_subdomain": "predictive-analytics", "categories": "machine-learning; deep-learning; ai-applications; predictive-analytics; ai-smart-cities", "keywords": "", "abstract": "One of the significant challenges affecting photovoltaic (PV) performance is the influence of environmental conditions. Cloud cover, rain, and high temperatures can reduce PV efficiency. Among these, dust impacts PV performance and leads to secondary effects, such as increased PV temperature. This PhD thesis delves deeply into the impact of dust accumulation on photovoltaic (PV) modules, focusing on their thermal and optical performances. Firstly, the study identifies gaps in existing research and highlights the lack of consideration of how dust accumulation can impact PV temperature and the mathematical and specific correlation between dust accumulated weight and type on PV temperature. Additionally, the literature review reveals that a generalized module calculation is required to determine dust optical properties, which can help researchers and scholars identify the impact of dust on PV optical properties. This study introduces a comprehensive approach that integrates a wide range of dust characteristics into the thermal and optical analysis of PV modules. This research unfolds through several phases, each delving into distinct yet interconnected aspects of how dust affects PV efficiency. Regarding thermal effects, the investigation exposes the limitations of existing methodologies inadequately accounting for dust parameters. This revelation propels the research forward, employing advanced experimental setups and innovative mathematical models. These models, distinguished by their inclusion of absorption, emittance, and meteorological data, surpass traditional approaches in forecasting PV temperatures across varied dust conditions. The meticulous empirical validation against real-world scenarios underscores these novel formulations' heightened accuracy and practicality. Tested under real weather conditions, these models demonstrate a notable improvement in predicting PV module temperatures, achieving the lowest mean absolute error (MAE) of 1.4 compared to traditional methods, marking a significant advancement in the field. In the subsequent phase, the research underscored the optical considerations that consider essential parameters to determine the PV temperature. The study has employed intelligent methodologies such as Artificial Neural Networks (ANN) and Multiple Linear Regression (MLR) to develop a novel model. Those models incorporate dust weight and the principal elements in the chemical composition of dust particles. This segment of the study, drawing from over 300 experimental observations and leveraging more than 600 global datasets, has yielded notable predictive precision which can predict the dusty PV surface the most important dust optical properties, which are emissivity, absorption, and transmittance where those parameters can play a crucial role to predict the PV performance and temperature. Additionally, the predictive novel has been compared with other modules that have been developed using different techniques to produce the transmittance of dusty PV using The Mean Squared Errors (MSEs). This developed module achieved the lowest MSE, where 1.8 is achieved for the ANN models and 8.44 for the MLR models, setting new benchmarks for predictive accuracy within dust's influence on PV modules. The culmination of experimental insights and enhanced predictive accuracy constitutes the foundation of this thesis, providing a comprehensive perspective on the impact of dust on PV modules. This study addresses several critical research gaps, including the lack of specific models that integrate both the thermal and optical effects of dust accumulation, the absence of clear correlations between dust properties and PV temperature, and the need for generalized methods to quantify dust's optical properties (such as transmittance, absorption, and emissivity). These contributions, supported by empirical validation and advanced predictive modelling, significantly advance understanding and mitigating dust's effects on PV systems. The research's original contributions are validated through comparative analysis with existing literature, showcasing its superior predictive capabilities. This thesis significantly contributes to the field of PV technology by addressing crucial knowledge gaps and introducing improved methodological frameworks. It underscores the significance of a thorough comprehension of dust's profound influence on PV modules, advocating for a multidisciplinary approach to bolster the position of solar energy in the global energy market, particularly in regions grappling with dust-related challenges.", "source_url": "https:\/\/openalex.org\/W7131736620", "pdf_url": "https:\/\/openrepository.aut.ac.nz\/bitstreams\/96943e65-ee94-479f-8e57-0648f1a0dd47\/download", "doi": "", "handle": "", "repository_name": "Tuwhera (Auckland University of Technology)", "source_record_id": "W7131736620", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:53", "updated_at": "2026-11-15 16:52:53" }, { "id": 922, "title": "Investigating New Zealanders' Attitudes, Behaviours and Intentions toward Cybersecurity, Privacy, Authentication and Artificial Intelligence (AI)", "title_ar": "", "title_en": "Investigating New Zealanders' Attitudes, Behaviours and Intentions toward Cybersecurity, Privacy, Authentication and Artificial Intelligence (AI)", "author": "Lisa Patterson", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "", "university_source": "", "college": "", "department": "", "country": "New Zealand", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "medical-ai", "research_subdomain": "fairness", "categories": "machine-learning; medical-ai; responsible-ai; ai-applications; predictive-analytics; fairness; ai-cybersecurity", "keywords": "", "abstract": "This PhD thesis presents a comprehensive investigation into the attitudes, behaviours, and security intentions of general population New Zealanders toward a variety of cybersecurity risks. It culminates in the development of a novel empirically derived model for understanding cybersecurity behaviour in the NZ context. Through systematic research progressing from qualitative exploration to quantitative validation, this thesis addresses critical gaps in understanding how New Zealanders conceptualise and respond to risks relating to cybersecurity, privacy, authentication and Artificial Intelligence (AI). The research began with a pilot study examining Internet of Things (IoT) cybersecurity behaviours, marking the first academic application of Protection Motivation Theory (PMT) to general population New Zealanders in this context. This initial phase revealed important patterns in how people evaluate security risks, particularly highlighting the roles of awareness, trust, and influence. A subsequent confirmatory study substantially validated these findings while expanding understanding through examination of remote working contexts during the COVID-19 pandemic, demonstrating both the applicability and limitations of existing theoretical frameworks in the NZ environment. Building on these qualitative insights, a nationally representative online survey was designed, focusing on four areas of vital importance in a contemporary Aotearoa New Zealand (NZ) context: Privacy, Authentication, AI and General Cybersecurity. Results from this survey directly informed construction of the PSCYBR Model, which attempted to extend PMT by incorporating Social Influence Theory (SIT) constructs. While this theory driven approach showed promise when restructured, empirical testing revealed the need for a more fundamental re-evaluation of how New Zealanders approach cybersecurity-related risks. During the development process, additional theoretical frameworks were examined but ultimately discounted as less suitable for explaining NZ cybersecurity behaviours compared to the empirically-derived approach. Through rigorous exploratory analysis, the DPER (Data, Password, Effort and Risk) Model was developed. The DPER Model, emerging directly from analysis of a nationally representative sample of 1,006 New Zealanders, identifies three distinct factors that shape cybersecurity behaviour: Protection of Data, Importance of Password Management, and Effort and Risk. These empirically derived factors reflect actual behavioural patterns rather than theoretical constructs, providing valuable insights for developing targeted interventions and support strategies. The model validation employed regression analysis, with findings showing that the Protection of Data factor significantly predicts variance in trust outcomes, while Importance of Password Management, and Effort and Risk, factors demonstrate weaker but meaningful associations. The model’s validation through robust statistical testing demonstrates its reliability and utility for understanding attitudes, behaviours, and intentions toward risks relating to cybersecurity in a modern Aotearoa NZ context. The research reveals unique characteristics in how New Zealanders evaluate and respond to cybersecurity-related risks, influenced by cultural values, social structures, and practical considerations specific to the NZ environment. The findings highlight the importance of developing culturally appropriate security initiatives that resonate with diverse communities, including Māori and Pasifika populations. The thesis makes substantial contributions to both theoretical understanding and practical application. Organisations working to improve cybersecurity in NZ will have access to a model that reflects how general population New Zealanders actually think about and respond to cybersecurity-related risks. The research provides evidence based guidance for developing effective security awareness programs and support strategies tailored to the NZ context. Future research directions emerging from this work include longitudinal studies to track behavioural changes over time, detailed investigation of cultural adaptations, and examination of the model’s applicability to emerging technologies such as artificial intelligence. The thesis concludes by discussing practical implications for improving cybersecurity posture across NZ society, emphasising the importance of considering both individual and community factors in cybersecurity initiatives. This research represents a significant advancement in understanding cybersecurity behaviour among general population New Zealanders, helping to enhance New Zealand’s cybersecurity posture. The empirically-derived DPER Model offers a robust framework for developing targeted interventions that align with how New Zealanders actually think about and respond to cybersecurity challenges.", "source_url": "https:\/\/openalex.org\/W4411463037", "pdf_url": "https:\/\/openaccess.wgtn.ac.nz\/articles\/thesis\/Investigating_New_Zealanders_Attitudes_Behaviours_and_Intentions_toward_Cybersecurity_Privacy_Authentication_and_Artificial_Intelligence_AI_\/29363615\/1\/files\/55491929.pdf", "doi": "10.26686\/wgtn.29363615", "handle": "", "repository_name": "Open Access Victoria University of Wellington | Te Herenga Waka (Figshare)", "source_record_id": "W4411463037", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:54", "updated_at": "2026-11-15 16:52:54" }, { "id": 981, "title": "On the capabilities and risks of large language models", "title_ar": "", "title_en": "On the capabilities and risks of large language models", "author": "Jie Huang", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Ph.D»", "university": "University of Illinois at Urbana-Champaign", "university_source": "repository_host", "college": "", "department": "", "country": "United States", "governorate": "", "publication_year": 2024, "language": "en", "research_domain": "nlp", "research_subdomain": "llm", "categories": "nlp; generative-ai; responsible-ai; llm; fairness", "keywords": "", "abstract": "The advent of Large Language Models (LLMs) has significantly influenced the field of artificial intelligence, offering remarkable text generation capabilities through their vast number of parameters.These advancements have established new benchmarks across various domains.However, despite the impressive capabilities of LLMs, there exist critical limitations and ethical challenges.This dissertation critically examines the capabilities of LLMs, including their reasoning abilities, and explores potential risks, such as privacy leakage.Through this analysis, we underscore the crucial need to improve the capabilities of LLMs while mitigating the associated risks.Based on this understanding, we propose methodologies to augment and safeguard LLMs.To enhance their functionality, we develop techniques to integrate LLMs with external knowledge and design an innovative data structure for knowledge representation.Additionally, we advocate for incorporating citation mechanisms within LLMs to promote transparency, accountability, and respect for intellectual property.Through rigorous research and the introduction of cutting-edge techniques, this dissertation aims to advance the capabilities of LLMs while ensuring their responsible and ethical use, ultimately contributing to the development of powerful and trustworthy artificial intelligence systems.I am deeply grateful for the support and guidance I have received throughout my Ph.D. journey.First, I would like to express my sincere gratitude to my advisor, Kevin Chen-Chuan Chang.Together, we initiated and led the NLP research in our group.Kevin's support and guidance have been crucial in shaping", "source_url": "https:\/\/openalex.org\/W7220806755", "pdf_url": "https:\/\/www.ideals.illinois.edu\/items\/132635\/bitstreams\/439958\/data.pdf", "doi": "", "handle": "", "repository_name": "Illinois Digital Environment for Access to Learning and Scholarship (University of Illinois at Urbana-Champaign)", "source_record_id": "W7220806755", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:56", "updated_at": "2026-11-15 16:52:56" }, { "id": 1029, "title": "Vehicle identity recognition using deep learning", "title_ar": "", "title_en": "", "author": "Mohamed Dhia Elhak Besbes", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "", "categories": "deep-learning", "keywords": "", "abstract": "Reconnaissance de l’identité de véhicules par apprentissage profond Le but de cette thèse est de développer un système de reconnaissance de l'identité des véhicules en se basant à la fois sur la reconnaissance du numéro de la plaque d’immatriculation et de la marque (constructeur, modèle) du véhicule. L'objectif principal est de proposer des solutions pour améliorer la mobilité et la sécurité du trafic routier comme le control des excès de vitesse par les radars automatiques, la surveillance des passages aux frontières et la recherche des véhicules suspects.", "source_url": "https:\/\/openalex.org\/W7150936785", "pdf_url": "https:\/\/theses.hal.science\/tel-03381928v1\/file\/106326_BESBES_2021_archivage.pdf", "doi": "10.70675\/e81c8100z5fd6z4491zb6d6z010e872c68e0", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7150936785", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:57", "updated_at": "2026-11-15 16:52:57" }, { "id": 1039, "title": "Enhanced facial behavior recognition and rehabilitation using 3D biomechanical features and deep learning approaches", "title_ar": "", "title_en": "", "author": "Duc-Phong Nguyen", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2022, "language": "fr", "research_domain": "medical-ai", "research_subdomain": "face-recognition", "categories": "deep-learning; computer-vision; medical-ai; face-recognition", "keywords": "", "abstract": "Reconnaissance des comportements et rééducation fonctionnelle du visage à partir des descripteurs biomécaniques 3D et l'apprentissage profond Les patients atteints de paralysie faciale ou les patients sous transplantation faciale présentent des dysfonctionnements faciaux et des mouvements faciaux anormaux. Cela est dû à l'altération du nerf facial et des systèmes musculaires faciaux. La rééducation faciale traditionnelle actuelle est principalement basée sur une approche miroir pour surveiller le retour visuel qualitatif de l'exercice de rééducation. Des systèmes assistés par ordinateur basés sur des modèles basés sur la physique ont également été développés pour fournir des informations objectives et quantitatives. Cependant, l'utilisation de ces systèmes dans la pratique clinique de routine reste encore difficile en raison de plusieurs limitations : 1) le manque de d'informations 3D à partir d'images ou la dépendance des caméras sélectionnés ; 2) le manque d'analyse du visage en termes de reconnaissance d'expression et d'analyse de symétrie et 3) la limitation de la capacité prédictive des modèles de mouvement du visage avec des propriétés biomécaniques émergentes. Les objectifs de la thèse ont été de développer des solutions d'ingénierie innovantes pour un système d'aide à la décision assistée par ordinateur de nouvelle génération pour l'analyse faciale et la rééducation fonctionnelle. La thèse a fourni quatre contributions principales : 1) la reconstruction rapide de la forme du visage en 3D à partir d'une seule image 2D en utilisant des approches d'apprentissage en profondeur ; 2) l'amélioration de la reconnaissance des expressions faciales à l'aide d'un ensemble de points 3D et d'un apprentissage profond géométrique ; 3) l'analyse de la symétrie du visage basée sur de nouveaux descripteurs et la différence entre deux populations différentes (caucasienne et asiatique) et 4) la proposition d'un nouveau cadre de modélisation pour l'apprentissage du mouvement facial en couplant l'apprentissage par renforcement et la modélisation par éléments finis pour l'apprentissage et la prédiction du mouvement facial. En conclusion, la thèse a proposé un cadre pour le développement et le déploiement un système d'aide à la décision assistée par ordinateur de bout en bout pour guider et optimiser le programme de rééducation fonctionnelle.", "source_url": "https:\/\/openalex.org\/W7151240088", "pdf_url": "https:\/\/theses.hal.science\/tel-03813649v1\/document", "doi": "10.70675\/716db43fzfaf8z4480za272z71992a6e873c", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151240088", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:57", "updated_at": "2026-11-15 16:52:57" }, { "id": 1069, "title": "Training Methods for Deep Neural Network-Based Acoustic Models in Speech Recognition", "title_ar": "", "title_en": "Training Methods for Deep Neural Network-Based Acoustic Models in Speech Recognition", "author": "Tamás Grósz", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: SZTE Repository of Dissertations (University of Szeged)", "university": "University of Szeged", "university_source": "repository_host", "college": "", "department": "", "country": "Hungary", "governorate": "", "publication_year": 2018, "language": "en", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; deep-learning; nlp; speech-recognition", "keywords": "", "abstract": "Nowadays, speech recognition technology is built on Deep Neural Networks. These networks represents the latest direction of machine learning. They are based on the theory of artificial neural networks, which have been used for decades. However, unlike traditional Neural Networks, all deep networks contain many processing layers, which allow the hierarchical processing of the input data. While the concept of deep networks is not totally new, their efficient training required several new achievements. These new networks managed to completely replace the Gaussian Mixture Models in the state-of-the-art speech recognition systems. In this study, we decided to focus on Deep Neural Network-based recognition systems. First, we compared the performance of several new training algorithms with each other, in order to determine the best one for later use. Then, we turned my attention to the algorithms that the new speech recognition systems have inherited from the previous Gaussian Mixture Model-based approaches, as the algorithms might not be optimal for Deep Neural Networks. we proposed new algorithms for obtaining the initial alignment of the frame-level state labels and the creation of context-dependent states, and found that they are better suited for the new acoustic models. Lastly, we also experimented with a data re-sampling method to improve the accuracy of the models.", "source_url": "https:\/\/openalex.org\/W2900836049", "pdf_url": "http:\/\/doktori.bibl.u-szeged.hu\/4225\/1\/GT_dissertation_final.pdf", "doi": "10.14232\/phd.4225", "handle": "", "repository_name": "SZTE Repository of Dissertations (University of Szeged)", "source_record_id": "W2900836049", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1072, "title": "Speech Recognition in noisy environment using Deep Learning Neural Network", "title_ar": "", "title_en": "Speech Recognition in noisy environment using Deep Learning Neural Network", "author": "A. A. Nasef", "supervisor": "", "degree_type": "phd", "degree_evidence": "اسم المستودع يخص أطاريح الدكتوراه: National Repository of Dissertations in Serbia", "university": "", "university_source": "", "college": "", "department": "", "country": "Serbia", "governorate": "", "publication_year": 2017, "language": "en", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; deep-learning; nlp; speech-recognition", "keywords": "", "abstract": "Recent researches in the field of automatic speaker recognition have shown that methods based on deep learning neural networks provide better performance than other statistical classifiers. On the other hand, these methods usually require adjustment of a significant number of parameters. The goal of this thesis is to show that selecting appropriate value of parameters can significantly improve speaker recognition performance of methods based on deep learning neural networks. The reported study introduces an approach to automatic speaker recognition based on deep neural networks and the stochastic gradient descent algorithm. It particularly focuses on three parameters of the stochastic gradient descent algorithm: the learning rate, and the hidden and input layer dropout rates. Additional attention was devoted to the research question of speaker recognition under noisy conditions. Thus, two experiments were conducted in the scope of this thesis. The first experiment was intended to demonstrate that the optimization of the observed parameters of the stochastic gradient descent algorithm can improve speaker recognition performance under no presence of noise. This experiment was conducted in two phases. In the first phase, the recognition rate is observed when the hidden layer dropout rate and the learning rate are varied, while the input layer dropout rate was constant. In the second phase of this experiment, the recognition rate is observed when the input layers dropout rate and learning rate are varied, while the hidden layer dropout rate was constant. The second experiment was intended to show that the optimization of the observed parameters of the stochastic gradient descent algorithm can improve speaker recognition performance even under noisy conditions. Thus, different noise levels were artificially applied on the original speech signal.", "source_url": "https:\/\/openalex.org\/W3083659827", "pdf_url": "", "doi": "", "handle": "", "repository_name": "National Repository of Dissertations in Serbia", "source_record_id": "W3083659827", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1076, "title": "Deep neural networks for source separation and noise-robust speech recognition", "title_ar": "", "title_en": "", "author": "Aditya Arie Nugraha", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2017, "language": "fr", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "deep-learning; nlp; speech-recognition", "keywords": "", "abstract": "Réseaux de neurones profonds pour la séparation des sources et la reconnaissance robuste de la parole Dans cette thèse, nous traitons le problème de la séparation de sources audio multicanale par réseaux de neurones profonds (deep neural networks, DNNs). Notre approche se base sur le cadre classique de séparation par algorithme espérance-maximisation (EM) basé sur un modèle gaussien multicanal, dans lequel les sources sont caractérisées par leurs spectres de puissance à court terme et leurs matrices de covariance spatiales. Nous explorons et optimisons l'usage des DNNs pour estimer ces paramètres spectraux et spatiaux. À partir des paramètres estimés, nous calculons un filtre de Wiener multicanal variant dans le temps pour séparer chaque source. Nous étudions en détail l'impact de plusieurs choix de conception pour les DNNs spectraux et spatiaux. Nous considérons plusieurs fonctions de coût, représentations temps-fréquence, architectures, et tailles d'ensembles d'apprentissage. Ces fonctions de coût incluent en particulier une nouvelle fonction liée à la tâche pour les DNNs spectraux: le rapport signal-à-distorsion. Nous présentons aussi une formule d'estimation pondérée des paramètres spatiaux, qui généralise la formulation EM exacte. Sur une tâche de séparation de voix chantée, nos systèmes sont remarquablement proches de la méthode de l'état de l'art actuel et améliorent le rapport source-interférence de 2 dB. Sur une tâche de rehaussement de la parole, nos systèmes surpassent la formation de voies GEV-BAN de l'état de l'art de 14%, 7% et 1% relatifs en terme d'amélioration du taux d'erreur sur les mots sur des données à 6, 4 et 2 canaux respectivement", "source_url": "https:\/\/openalex.org\/W7148461162", "pdf_url": "http:\/\/www.theses.fr\/2017LORR0212\/document", "doi": "10.70675\/3491cabazda49z4945zbaf4z883f0ecfe928", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7148461162", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1081, "title": "Automatic speech recognition and machine translation with deep neural networks for open educational resources, parliamentary contents and broadcast media", "title_ar": "", "title_en": "", "author": "Gonzalo Vicente Garcés Díaz-Munío", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «tesis doctoral»", "university": "Universitat Politècnica de València", "university_source": "repository_host", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2024, "language": "es", "research_domain": "nlp", "research_subdomain": "machine-translation", "categories": "deep-learning; computer-vision; nlp; ai-applications; machine-translation; speech-recognition; ai-education", "keywords": "", "abstract": "[ES] En la última década, el reconocimiento automático del habla (RAH) y la traducción automática (TA) han mejorado enormemente mediante el uso de modelos de redes neuronales profundas (RNP) en constante evolución. Si a principios de los 2010 los sistemas de RAH y TA previos a las RNP llegaron a afrontar con éxito algunas aplicaciones reales como la transcripción y traducción de vídeos docentes pregrabados, ahora en los 2020 son abordables aplicaciones que suponen un reto mucho mayor, como la subtitulación de retransmisiones audiovisuales en directo. En este mismo período, se están invirtiendo cada vez mayores esfuerzos en la accesibilidad a los medios audiovisuales para todos, incluidas las personas sordas. El RAH y la TA, en su estado actual, son grandes herramientas para aumentar la disponibilidad de medidas de accesibilidad como subtítulos, transcripciones y traducciones, y también para proporcionar acceso multilingüe a todo tipo de contenidos. En esta tesis doctoral presentamos resultados de investigación sobre RAH y TA basadas en RNP en tres campos muy activos: los recursos educativos abiertos, los contenidos parlamentarios y los medios audiovisuales. En el área de los recursos educativos abiertos (REA), presentamos primeramente trabajos sobre la evaluación y postedición de RAH y TA con métodos de interacción inteligente, en el marco del proyecto de investigación europeo \"transLectures: Transcripción y Traducción de Vídeos Docentes\". Los resultados obtenidos confirman que la interacción inteligente puede reducir aún más el esfuerzo de postedición de transcripciones y traducciones automáticas. Seguidamente, en el contexto del posterior proyecto europeo X5gon, presentamos una investigación sobre el desarrollo de sistemas de TA neuronal basados en RNP, y sobre sacar el máximo partido de corpus de TA masivos mediante filtrado automático de datos. Este trabajo dio como resultado sistemas de TA neuronal clasificados entre los mejores en una competición internacional de TA, y mostramos cómo estos nuevos sistemas mejoraron la calidad de los subtítulos multilingües en casos reales de REA. En el ámbito también en crecimiento de las tecnologías del lenguaje para contenidos parlamentarios, describimos una investigación sobre técnicas de filtrado de datos de habla para el RAH en tiempo real en el contexto de debates del Parlamento Europeo. Esta investigación permitió la publicación de Europarl-ASR, un nuevo y amplio corpus de habla para entrenamiento y evaluación de sistemas de RAH en continuo, así como para la evaluación comparativa de técnicas de filtrado de datos de habla. Finalmente, presentamos un trabajo en un ámbito en la vanguardia tecnológica del RAH y de la TA: la subtitulación de retransmisiones audiovisuales en directo, en el marco del Convenio de colaboración I+D+i 2020-2023 entre la radiotelevisión pública valenciana À Punt y la Universitat Politècnica de València para la subtitulación asistida por ordenador de contenidos audiovisuales en tiempo real. Esta investigación ha resultado en la implantación de sistemas de RAH en tiempo real, de alta precisión y baja latencia, para una lengua no mayoritaria en el mundo (el catalán) y una de las lenguas más habladas del mundo (el castellano) en un medio audiovisual real.", "source_url": "https:\/\/openalex.org\/W4404863865", "pdf_url": "", "doi": "10.4995\/thesis\/10251\/212454", "handle": "", "repository_name": "RiuNet (Universitat Politècnica de València)", "source_record_id": "W4404863865", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1084, "title": "Speaker adaptation of deep neural network acoustic models using Gaussian mixture model framework in automatic speech recognition systems", "title_ar": "", "title_en": "", "author": "Natalia Tomashenko", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2017, "language": "fr", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "deep-learning; nlp; speech-recognition", "keywords": "", "abstract": "Utilisation de modèles gaussiens pour l'adaptation au locuteur de réseaux de neurones profonds dans un contexte de modélisation acoustique pour la reconnaissance de la parole Les différences entre conditions d'apprentissage et conditions de test peuvent considérablement dégrader la qualité des transcriptions produites par un système de reconnaissance automatique de la parole (RAP). L'adaptation est un moyen efficace pour réduire l'inadéquation entre les modèles du système et les données liées à un locuteur ou un canal acoustique particulier. Il existe deux types dominants de modèles acoustiques utilisés en RAP : les modèles de mélanges gaussiens (GMM) et les réseaux de neurones profonds (DNN). L'approche par modèles de Markov cachés (HMM) combinés à des GMM (GMM-HMM) a été l'une des techniques les plus utilisées dans les systèmes de RAP pendant de nombreuses décennies. Plusieurs techniques d'adaptation ont été développées pour ce type de modèles. Les modèles acoustiques combinant HMM et DNN (DNN-HMM) ont récemment permis de grandes avancées et surpassé les modèles GMM-HMM pour diverses tâches de RAP, mais l'adaptation au locuteur reste très difficile pour les modèles DNN-HMM. L'objectif principal de cette thèse est de développer une méthode de transfert efficace des algorithmes d'adaptation des modèles GMM aux modèles DNN. Une nouvelle approche pour l'adaptation au locuteur des modèles acoustiques de type DNN est proposée et étudiée : elle s'appuie sur l'utilisation de fonctions dérivées de GMM comme entrée d'un DNN. La technique proposée fournit un cadre général pour le transfert des algorithmes d'adaptation développés pour les GMM à l'adaptation des DNN. Elle est étudiée pour différents systèmes de RAP à l'état de l'art et s'avère efficace par rapport à d'autres techniques d'adaptation au locuteur, ainsi que complémentaire.", "source_url": "https:\/\/openalex.org\/W7148474520", "pdf_url": "", "doi": "10.70675\/9321e219z572az4822z8fffz3a7e47751802", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7148474520", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1103, "title": "Towards Few-Annotation Learning in Computer Vision : Application to Image Classification and Object Detection tasks", "title_ar": "", "title_en": "", "author": "Quentin Bouniot", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "transformers", "categories": "machine-learning; deep-learning; computer-vision; transformers; image-classification; object-detection", "keywords": "", "abstract": "Vers un apprentissage avec peu d’annotations en vision par ordinateur : Application à la classification et à la détection d’objets dans les images Nous développons dans cette thèse des contributions théoriques, algorithmiques et expérimentales pour l’apprentissage automatique avec peu d'annotations, et plus spécifiquement pour les tâches de classification d’images et de détection d’objets en vision par ordinateur. Dans une première contribution, nous nous intéressons à combler le fossé entre la théorie et la pratique concernant les algorithmes de méta-apprentissage les plus répandus, utilisés pour de la classification avec peu d’exemples. Nous établissons des liens avec l’apprentissage de représentation multi-tâches, qui bénéficie de bases théoriques solides, afin de vérifier les meilleures conditions amenant à un méta-apprentissage plus efficace. Ensuite, afin d’exploiter les données non étiquetées pour entraîner des détecteurs d’objets basés sur l’architecture Transformer, nous proposons à la fois un pré-entraînement non supervisé et une méthode d’apprentissage semi-supervisée dans deux autres contributions distinctes. Pour le pré-entraînement, nous améliorons l’apprentissage contrastif des détecteurs d’objets en introduisant les informations de localisation. Enfin, notre méthode semi-supervisée est la première adaptée aux détecteurs d’objets utilisant des modèles type Transformers.", "source_url": "https:\/\/openalex.org\/W7151562911", "pdf_url": "", "doi": "10.70675\/6796455fzbdb0z4853z9023z932dbb24367b", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151562911", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1107, "title": "Study of an integrated pre-processing architecture for smart-imaging-systems, in the context of lowpower computer vision and embedded object detection", "title_ar": "", "title_en": "", "author": "Luis Cubero", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "object-detection", "categories": "computer-vision; object-detection", "keywords": "", "abstract": "Etude d’une architecture intégrée de prétraitement du signal pour les imageurs intelligents, dans le contexte de la vision embarquée pour la détection des objets. Avec la croissance de l’utilisation d’objets connectés, les systèmes de vision embarqués, comme d’autres sujets de l’intelligence artificielle, font face à l’augmentation des contraintes en puissance et en complexité matérielle. Par exemple, la détection des objets définit le problème de localisation et de classification des différents objets présents dans une scène. Cependant, cette détection\/classification devient très complexe lorsque ces objets sont de plusieurs types différents et présents à différentes échelles. Actuellement, cette détection des objets est faite en général à l’aide d’ordinateurs assez puissants. Néanmoins, plusieurs applications récentes, comme la conduite autonome, la réalité augmentée, et la surveillance par vidéo, nécessitent des systèmes fortement embarqués, donc compacts et à basse consommation tout en étant suffisamment rapides et performants en terme de détection.Ainsi, l’état de l’art donne des exemples d’optimisation de systèmes embarqués et intégrés pour la détection des objets. Par exemple, des travaux sur le sujet ont cherché à diminuer la précision des calculs, et ainsi la consommation, vers une valeur aussi minimale que possible. D’autres ont diminué la résolution d’image (et\/ou la taille) par une codification par pixel en moins de bits. De plus, cette stratégie a bénéficié d’étapes du prétraitement pour augmenter la robustesse lors de la compression et minimiser la perte d’information. Parmi les types de prétraitement, nous pouvons trouver ceux qui n’ont pas besoin d’être programmables, qui ont aussi l’avantage potentiel d’être plus simples que, par exemple, des algorithmes qui ont besoin d’accès aux « poids » d’un réseau de neurones à convolution. Une autre stratégie a été de réduire la quantité de données transitant entre différents circuits, grâce à une intégration plus poussée d’algorithmes spécifiques de traitement d’image dans une même puce.Dans ce contexte de calcul proche capteur, cette thèse a comme objectif l’étude d’un type de prétraitement d’image et d’une architecture dédiée pour minimiser la consommation d’énergie pour des performances de localisation et de classification similaires à l’état de l’art. Nos objectifs principaux sont :1. Etudier l’intégration d’un algorithme d’extraction des gradients orientés pour la génération de régions proposées (inspiré par l’algorithme « EdgeBoxes ») qui ne dépend pas du type d’objet à détecter.2. Concevoir, au niveau système, une architecture de circuit mixte pour l’extraction des gradients orientés compressés. Cette architecture sera dédiée à la minimisation de la consommation, avec une complexité acceptable, tout en étant optimisée pour les étapes suivantes de génération des régions proposées.3. Finalement, étudier la viabilité d’application de systèmes d’imagerie non classiques (dit neuro-morphiques) pour augmenter l’efficacité de génération des régions proposés à basse puissance.La méthodologie proposée se base sur des simulations comportementales avec un environnement développé en Python et C++. Un modèle hiérarchique permettant de simuler différents systèmes de vision (classiques ou non) a été développé, avec ou sans prétraitement intégré proche capteur. Nous utilisons cet environnement pour obtenir des métriques liées à l’architecture de prétraitement, ou au performance des étapes de détection suivantes, tels que le temps d’exécution, l’utilisation de la mémoire, la complexité matérielle, la quantité des données générées, la performance de localisation et la performance de classification. Finalement, les résultats en performance ainsi que des comparaisons entre l’état de l’art et différentes versions de notre architecture sont présentés et discutés.", "source_url": "https:\/\/openalex.org\/W7150984946", "pdf_url": "https:\/\/theses.hal.science\/tel-03612476v1\/file\/CUBERO_MONTEALEGRE_2021_archivage.pdf", "doi": "10.70675\/1c375cd1za0edz46a1zab37z6b905be55f74", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7150984946", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1115, "title": "Factored neural machine translation", "title_ar": "", "title_en": "", "author": "Mercedes García Martínez", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2018, "language": "fr", "research_domain": "nlp", "research_subdomain": "machine-translation", "categories": "nlp; machine-translation", "keywords": "", "abstract": "Traduction automatique neuronale factorisée La diversité des langues complexifie la tâche de communication entre les humains à travers les différentes cultures. La traduction automatique est un moyen rapide et peu coûteux pour simplifier la communication interculturelle. Récemment, laTraduction Automatique Neuronale (NMT) a atteint des résultats impressionnants. Cette thèse s'intéresse à la Traduction Automatique Neuronale Factorisé (FNMT) qui repose sur l'idée d'utiliser la morphologie et la décomposition grammaticale des mots (lemmes et facteurs linguistiques) dans la langue cible. Cette architecture aborde deux défis bien connus auxquelles les systèmes NMT font face. Premièrement, la limitation de la taille du vocabulaire cible, conséquence de la fonction softmax, qui nécessite un calcul coûteux à la couche de sortie du réseau neuronale, conduisant à un taux élevé de mots inconnus. Deuxièmement, le manque de données adéquates lorsque nous sommes confrontés à un domaine spécifique ou une langue morphologiquement riche. Avec l'architecture FNMT, toutes les inflexions des mots sont prises en compte et un vocabulaire plus grand est modélisé tout en gardant un coût de calcul similaire. De plus, de nouveaux mots non rencontrés dans les données d'entraînement peuvent être générés. Dans ce travail, j'ai développé différentes architectures FNMT en utilisant diverses dépendances entre les lemmes et les facteurs. En outre, j'ai amélioré la représentation de la langue source avec des facteurs. Le modèle FNMT est évalué sur différentes langues dont les plus riches morphologiquement. Les modèles à l'état de l'art, dont certains utilisant le Byte Pair Encoding (BPE) sont comparés avec le modèle FNMT en utilisant des données d'entraînement de petite et de grande taille. Nous avons constaté que les modèles utilisant les facteurs sont plus robustes aux conditions d'entraînement avec des faibles ressources. Le FNMT a été combiné avec des unités BPE permettant une amélioration par rapport au modèle FNMT entrainer avec des données volumineuses. Nous avons expérimenté avec dfférents domaines et nous avons montré des améliorations en utilisant les modèles FNMT. De plus, la justesse de la morphologie est mesurée à l'aide d'un ensemble de tests spéciaux montrant l'avantage de modéliser explicitement la morphologie de la cible. Notre travail montre les bienfaits de l'applicationde facteurs linguistiques dans le NMT.", "source_url": "https:\/\/openalex.org\/W7148632149", "pdf_url": "", "doi": "10.70675\/6b041d7cz8d47z4eb0zaefbz4170f95dfd99", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7148632149", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1118, "title": "Multi-domain Neural Machine Translation", "title_ar": "", "title_en": "", "author": "Minh-Quang Pham", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2021, "language": "fr", "research_domain": "nlp", "research_subdomain": "machine-translation", "categories": "nlp; ai-applications; machine-translation; ai-industry", "keywords": "", "abstract": "Traduction automatique neuronale multidomaine Aujourd'hui, les systèmes de traduction automatique neuronale (NMT) constituent des systèmes de pointe en traduction automatique (TA). Cependant, ces modèles de traduction nécessitent des données d'entraînement relativement volumineuses et ont de la difficulté à traduire des textes de domaine spécifique. Un domaine peut être constitué de textes d'un sujet particulier ou de textes écrits dans un but particulier. Bien que les systèmes NMT puissent être adaptés pour une meilleure qualité de traduction dans un domaine cible étant donné un corpus de train représentatif, cette technique a des effets secondaires négatifs, notamment une fragilité contre des exemples hors domaine et un « oubli catastrophique » des domaines précédents représentés dans les données d'entraînement. De plus, un système de traduction doit faire face à de nombreux domaines possibles dans des applications réelles, ce qui rend impraticable le « un domaine un modèle ». Une solution prometteuse consiste à construire des systèmes NMT multi-domaines formés à partir des données de nombreux domaines et adaptés à plusieurs domaines cibles. Il y a deux motivations. Premièrement, les grands corpus de trains améliorent la généralisation du système NMT. Deuxièmement, les textes d'un domaine peuvent être utiles pour adapter un modèle NMT à un domaine similaire. La pénurie des données et l'effet de transfert positif hypothétique sont également deux raisons principales pour le développement des systèmes NMT multilingues. Maintenir plusieurs systèmes de traduction automatique bilingues nécessite de nombreuses ressources matérielles, car le nombre de paires de langues augmente de façon quadratique avec l'augmentation du nombre de langues. Les systèmes NMT multi-domaines et multilingues sont essentiels pour économiser des ressources pour l'industrie TA et améliorer la qualité du service TA. Cette thèse unifie d'abord l'adaptation de domaine et l'adaptation multi-domaine dans un cadre mathématique. De plus, nous passons en revue la littérature sur l'adaptation aux (multi-)domaines à travers une approche structurelle en montrant quatre cas principaux et en associant les méthodes proposées à chaque cas d'application. Deuxièmement, nous proposons une nouvelle évaluation multicritères des approches multi-domaines. Nous soulignons les exigences d'un système multi-domaines et réalisions une comparaison exhaustive d'un large ensemble de méthodes. Nous proposons également de nouvelles méthodes pour l'adaptation aux multi-domaines, y compris les plongements de mot parcimonieux, les couches parcimonieux et les adaptateurs résiduels, qui sont relativement légers et capables d'adapter un NMT modèle aux nombreux domaines. Pour équilibrer l'hétérogénéité des données d'entraînement, nous explorons et étudions les techniques à l'échantillonnage dynamique des données, qui adaptent de manière itérative la distribution de l'entraînement à une distribution de test prédéterminée. Enfin, nous nous intéressons aux approches de traduction avec des contextes augmentés, qui réutilisent des mémoires de traduction similaires pour améliorer la prédiction d'une phrase. Nous analysons et comparons plusieurs méthodes de cette ligne et démontrons qu'elles conviennent pour adapter notre système NMT à un domaine inconnu au détriment de coûts de calcul supplémentaires.", "source_url": "https:\/\/openalex.org\/W7150726110", "pdf_url": "https:\/\/theses.hal.science\/tel-03546910v1\/file\/105007_PHAM_2021_archivage.pdf", "doi": "10.70675\/17e2ca68z8662z4bb9zb875zac511563f5c6", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7150726110", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1133, "title": "Indonesian-English Neural Machine Translation", "title_ar": "", "title_en": "Indonesian-English Neural Machine Translation", "author": "Meisyarah Dwiastuti", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «Ph.D»", "university": "", "university_source": "", "college": "", "department": "", "country": "Czech Republic", "governorate": "", "publication_year": 2019, "language": "en", "research_domain": "nlp", "research_subdomain": "machine-translation", "categories": "machine-learning; nlp; transfer-learning; machine-translation", "keywords": "", "abstract": "Title: Indonesian-English Neural Machine Translation Author: Meisyarah Dwiastuti Department: Institute of Formal and Applied Linguistics Supervisor: Mgr. Martin Popel, Ph.D., Institute of Formal and Applied Linguis- tics Abstract: In this thesis, we conduct a study on neural machine translation (NMT) for an under-studied language, Indonesian, specifically for English-Indonesian (EN-ID) and Indonesian-English (ID-EN) in a low-resource domain, TED talks. Our goal is to implement domain adaptation methods to improve the low-resource EN-ID and ID-EN NMT systems. First, we implement model fine-tuning method for EN-ID and ID-EN NMT systems by leveraging a large parallel corpus contain- ing movie subtitles. Our analysis shows the benefit of this method for the improve- ment of both systems. Second, we improve our ID-EN NMT system by leveraging English monolingual corpora through back-translation. Our back-translation ex- periments focus on how to incorporate the back-translated monolingual corpora to the training set, in which we investigate various existing training regimes and introduce a novel 4-way-concat training regime. We also analyze the effect of fine- tuning our back-translation models with different scenarios. Experimental results show that our method of implementing back-translation followed by model...", "source_url": "https:\/\/openalex.org\/W3007057041", "pdf_url": "", "doi": "10.13140\/rg.2.2.17954.45768", "handle": "", "repository_name": "Digital Repository (National Repository of Grey Literature)", "source_record_id": "W3007057041", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:58", "updated_at": "2026-11-15 16:52:58" }, { "id": 1166, "title": "Application of explainable artificial intelligence to precision oncology", "title_ar": "", "title_en": "Application of explainable artificial intelligence to precision oncology", "author": "Sada-del-Real, K. (Katyna)", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «doctoral dissertation»", "university": "University of Navarra", "university_source": "repository_host", "college": "", "department": "", "country": "Spain", "governorate": "", "publication_year": 2025, "language": "en", "research_domain": "medical-ai", "research_subdomain": "medical-imaging", "categories": "machine-learning; deep-learning; medical-ai; responsible-ai; predictive-analytics; medical-imaging; xai", "keywords": "", "abstract": "This doctoral dissertation, entitled \"Application of Explainable Artificial Intelligence to Precision Oncology,\" explores the development and evaluation of interpretable machine learning models for drug response prediction in personalized cancer therapy. It highlights the critical importance of model interpretability in facilitating the clinical translation of AI-driven solutions in oncology. First, it introduces Optimal Decision Trees (ODT), a novel tree-based model that enhances transparency in treatment guidance through intuitive graphical decision trees. The creation of the ODT R CRAN package ensures its accessibility for researchers and clinicians alike. The model was evaluated against established methods such as Random Forest and XGBoost, enhanced by the SEATS (Systematic Efficacy Assignment with Treatment Seats) method, specifically designed to optimize drug assignment solutions. Through a state-of-the-art review, the dissertation establishes a framework for developing Drug Response Prediction (DRP) models, emphasizing high-quality data, precise normalization, and rigorous validation methods, such as cell-blind and drug-blind cross-validations. These methodologies ensure that DRP models remain accurate, clinically relevant, and adaptable across various datasets. Central to this research is the introduction of SparseGO, a Visible Neural Network (VNN) that leverages the Gene Ontology (GO) hierarchy to enhance computational efficiency and facilitate the discovery of drug mechanisms of action (MoA). The Explainable AI (XAI) method, DeepMoA, employs DeepLIFT and Support Vector Machines (SVMs) to predict drug MoAs, supported by strong computational validation. The research extends to Patient-Derived Cell-lines (PDCs), a crucial step in aligning DRP modeling more closely with patient-specific tumor characteristics. SparseGO and ODT models were trained on this data. This work presents a comprehensive exploration of explainable AI in precision oncology, emphasizing the critical role of interpretability in advancing personalized cancer treatment. Future research will focus on validating these models across diverse datasets, verifying predictions experimentally, and exploring advanced techniques to improve model eneralization and interpretability. This work not only introduces novel methodologies and accessible tools but also paves the way for AI-driven insights to seamlessly integrate into personalized cancer care.", "source_url": "https:\/\/openalex.org\/W4415350853", "pdf_url": "", "doi": "10.15581\/10171\/117527", "handle": "", "repository_name": "Deposito Adademico Digital Universidad De Navarra (University of Navarra)", "source_record_id": "W4415350853", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:59", "updated_at": "2026-11-15 16:52:59" }, { "id": 1168, "title": "Reliability Assessment Methods for Explainable Artificial Intelligence", "title_ar": "", "title_en": "", "author": "Sara Narteni", "supervisor": "", "degree_type": "phd", "degree_evidence": "نص السجل: «PhD»", "university": "", "university_source": "", "college": "", "department": "", "country": "Portugal", "governorate": "", "publication_year": 2025, "language": "it", "research_domain": "computer-vision", "research_subdomain": "xai", "categories": "computer-vision; responsible-ai; expert-systems; ai-applications; xai; ai-education; ai-cybersecurity", "keywords": "", "abstract": "Nel ripensare alla me stessa di ormai quasi 5 anni fa, appena laureata ed un po' \"smarrita\" rispetto alle diverse strade che potessi avere di fronte, mi piace sempre ricordare di come, quasi per caso, mi fossi affacciata al mondo della ricerca, intraprendendo questo percorso di dottorato.Compiere questa scelta ha significato per me non solo affrontare tematiche scientifiche quasi completamente nuove, imparando nuovi argomenti e soprattutto imparando ad apprenderli, ma mettermi alla prova con quanto di più avessi sempre ritenuto essere troppo al di là della mia zona di comfort: dal presentare le mie ricerche in pubblico, al partecipare ad eventi per \"semplice\" networking.Ed è così che questi 3 anni mi hanno permesso di crescere sotto il punto di vista professionale, trovando una direzione che la me neolaureata non sentiva di avere, ma anche dal punto di vista personale.Grazie al dottorato, posso dire -sono sincera, non senza una buona dose di orgoglio -di avere fatto un importante passo in avanti nel migliorare quelli che sono sempre stati un po' i miei limiti personali: avere parlato in pubblico ormai non so quante volte; avere partecipato a conferenze dove ho essenzialmente parlato con sconosciuti o di fronte ai guru degli argomenti che stavo studiando; di avere trascorso alcuni mesi all'estero, da sola, lontana da casa.E, perchè no, ci tengo anche a ricordare di tutte le belle opportunità che ho avuto di vedere nuovi posti nel mondo: dalla mia adorata Siviglia, a Lisbona, alla Bassa Sassonia, a Cipro e Malta e, non da ultimo, alla California.Chi mai avrebbe pensato di andare anche in America?! Penso e spero che queste righe abbiano dato un quadro, seppur non esaustivo, di ciò che per me sono stati questi 3 anni.Ma niente di tutto quello che ho citato sarebbe stato possibile senza tutte le persone che mi hanno accompagnato in questo bel percorso (e che, almeno per ora, non si libereranno di me), spronandomi sempre in tutte le attività.Ci tengo quindi a ringraziare tutto il mio gruppo di ricerca.Grazie ai miei supervisor, Maurizio Mongelli e Fabrizio Dabbene, per la loro importante guida scientifica, che mi hanno dato sempre le giuste motivazioni e permesso di avere tante belle opportunità.Grazie ai miei compagni di avventura nonchè preziosi collaboratori: grazie ad Alberto, che mi ha aiutata a fare un pochino più mia la matematica e mi ha sempre supportato quando più ne avevo bisogno; grazie a Marta, con cui ho condiviso tante vi belle esperienze, soprattutto nella nostra \"terra d'origine\" dell'ingegneria biomedica.Grazie anche ai collaboratori \"passati\", Giacomo, Ivan e Vanessa, che hanno contribuito con me ad alcuni lavori che oggi presento in questa tesi.E grazie infine a tutti gli altri colleghi di Genova, \"quelli dei pranzi belli': Alessandra, Barbara, Enrico (a cui va la menzione speciale per avermi avviato al python e no, non rinnego il passato cyber), Martina, Sabrina, Sandro, Paola, con cui le risate non mancano mai.Non posso poi non ringraziare la mia famiglia: i miei genitori, che mi hanno aiutato tanto in questi anni, permettendomi di essere giunta a questo importante traguardo; mia sorella Elena, che -seppur a suo modo -sa sempre come rincuorarmi e che, finalmente, adesso non mi sentirà più dire \"I'm Sara Narteni, a PhD student,...\" mentre provo le presentazioni.Grazie ai miei nonni, Anna, Armando e Mariuccia, che per me ci sono sempre, anche se per loro il funzionamento di un dottorato rimarrà un mistero maggiore di quelli che si nascondono dietro all'Intelligenza Artificiale ;-).Non so bene cosa mi riserverà il futuro, ma... Ad Maiora!Sara vii \"La vita non è facile per nessuno di noi.Ma cosa importa?Bisogna perseverare e, soprattutto, avere fiducia in sé stessi.Bisogna credere di essere dotati per qualcosa e che questa cosa deve essere raggiunta.\"M. Curie Alla mia famiglia.A.2 Examples from REXASI-PRO safety analysis.Each spider chart shows how different combinations of values for the ODD variables (reported in bold) determine a different ASIL level of risk for the individuated malfunctioning behaviors and hazards (QM: quality management; ASIL-A: low risk; ASIL-B: moderate risk; ASIL-C: high risk).ASIL is in turn assigned from exposure, severity and controllability scores.Risk levels other than QM require the introduction of safety goals to mitigate them. . . . . . . . . . . . . . . . . . . . .124 A.3 Schematic summary of the rule-based OoD detection approach. . . .126 A.4 Visual intuition behind the need for deep probabilistic scaling approach.The goal is to understand which samples are \"not conformal\" with respect to a target class. . . . . . . . . . . . . . . . . . . . . .128 A.5 Distribution of uncertainty of MNIST17 and PneumoniaMNIST.Shown in blue and yellow, respectively, are the uncertain classifications for class '1' and class '7' for MNIST1-7 and for class \"normal\" and class \"pneumonia\" for PneumoniaMNIST. . . . . . . . . . . . . . . . .", "source_url": "https:\/\/openalex.org\/W7130587133", "pdf_url": "https:\/\/iris.polito.it\/bitstream\/11583\/2999512\/2\/conv_phd_thesis_final_20250218.pdf", "doi": "10.13121\/polito\/porto\/2999512", "handle": "", "repository_name": "PORTO@Iris", "source_record_id": "W7130587133", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:59", "updated_at": "2026-11-15 16:52:59" }, { "id": 1183, "title": "Symbolic approaches for explainable artificial intelligence", "title_ar": "", "title_en": "", "author": "Matthieu Bellucci", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "xai", "categories": "machine-learning; computer-vision; responsible-ai; xai", "keywords": "", "abstract": "Approches symboliques pour une intelligence artificielle explicable L'adoption généralisée de l'IA est due aux progrès considérables réalisés par les modèles d’apprentissage automatique en termes de performances. Ces algorithmes sont appliqués pour aider les décideurs dans des domaines sensibles tels que la santé ou la justice. Ces modèles sont communément appelés boîtes noires car il est impossible de comprendre leur processus de décision et l’influence de chaque caractéristique sur le résultat. Cette opacité peut cacher des décisions discriminatoires qui peuvent avoir un impact sur la vie d’une personne. C’est pourquoi la communauté scientifique a commencé à étudier la conception d’une IA explicable (XAI). Une direction prometteuse pour le développement d’une IA puissante et explicable est la combinaison d’approches symboliques de l’IA avec des modèles d’apprentissage automatique, résultant en des méthodes neurosymboliques. Alors que les modèles d’apprentissage automatique sont préférés pour leurs performances, les méthodes d’IA symbolique sont connues pour être explicables car elles exploitent les connaissances et la logique humaines pour prendre une décision. En outre, les ontologies ont été identifiées comme des candidates idéales pour la conception d’algorithmes d’IA explicables. Pourtant, les travaux actuels sur les techniques neurosymboliques se concentrent sur l’amélioration des performances plutôt que sur la conception de systèmes d’IA explicables, malgré leur potentiel à fournir des explications. Par conséquent, cette thèse est consacrée à l’exploration des applications des méthodes symboliques d’IA pour créer un système d’IA explicable. Au préalable, une étude de la terminologie de la XAI est menée, car des notions importantes ne sont pas clairement définies dans la littérature. Une terminologie est introduite qui identifie et définit les termes récurrents de la XAI qui sont ambiguës dans la littérature. La principale conclusion est qu’une explication est un processus interactif qui détermine un ensemble de causes ayant conduit au résultat d’un système d’IA. Ensuite, nous présentons un classificateur d’images basé sur une ontologie (OBIC) capable de détecter les erreurs dans ses prédictions. Ce système exploite une ontologie qui décrit le domaine d’application pour former des modèles d’apprentissage automatique capables de détecter la classe de l’image et un ensemble de propriétés définies dans l’ontologie, comme la texture ou la couleur d’un objet. Une incohérence dans les prédictions est détectée par l’ontologie et signifie qu’il y a eu une erreur dans la classification, ce qui aide l’utilisateur à décider s’il doit faire confiance à la prédiction finale. En outre, les prédictions des modèles d’apprentissage automatique sont fondées sur la connaissance du domaine, ce qui facilite la compréhension et l’explication de la prédiction. Nous avons construit une interface d’explication qui extrait des informations utiles de ce système et formule des explications adéquates. Afin d’expliquer l’étape de détection des erreurs du système intelligent explicable, nous devons concevoir une méthode d’explication pour les ontologies adaptée à la plupart des utilisateurs. Parmi les techniques d’explication les plus populaires, les explications contrefactuelles semblent présenter de nombreux avantages et font l’objet d’études approfondies pour expliquer les modèles d’apprentissage automatique. Nous proposons une méthode de génération d’explications contrefactuelles pour les ontologies. Elle est adaptée pour expliquer le fonctionnement de l’ontologie aux non-initiés, ce qui rend cette solution idéale pour expliquer l’étape de détection des erreurs. Enfin, nous évaluons nos contributions sur une tâche de classification d'images. La qualité et la validité de la phase de détection des erreurs sont testées et analysées. Une étude utilisateur à petite échelle est menée avec des experts du domaine pour évaluer la pertinence et la qualité des explications contrefactuelles générées.", "source_url": "https:\/\/openalex.org\/W7151894469", "pdf_url": "https:\/\/theses.hal.science\/tel-04469103\/document", "doi": "10.70675\/862d4140z032fz4a15zb1ffz1d6d85c7783e", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151894469", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:59", "updated_at": "2026-11-15 16:52:59" }, { "id": 1185, "title": "Machine Learning for Predictive Maintenance in Aviation", "title_ar": "", "title_en": "", "author": "Panagiotis Korvesis", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2017, "language": "fr", "research_domain": "nlp", "research_subdomain": "speech-recognition", "categories": "machine-learning; deep-learning; computer-vision; nlp; ai-applications; predictive-analytics; speech-recognition; ai-industry", "keywords": "", "abstract": "Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation L'augmentation des données disponibles dans presque tous les domaines soulève la nécessité d'utiliser des algorithmes pour l'analyse automatisée des données. Cette nécessité est mise en évidence dans la maintenance prédictive, où l'objectif est de prédire les pannes des systèmes en observant continuellement leur état, afin de planifier les actions de maintenance à l'avance. Ces observations sont générées par des systèmes de surveillance habituellement sous la forme de séries temporelles et de journaux d'événements et couvrent la durée de vie des composants correspondants. Le principal défi de la maintenance prédictive est l'analyse de l'historique d'observation afin de développer des modèles prédictifs.Dans ce sens, l'apprentissage automatique est devenu omniprésent puisqu'il fournit les moyens d'extraire les connaissances d'une grande variété de sources de données avec une intervention humaine minimale. L'objectif de cette thèse est d'étudier et de résoudre les problèmes dans l'aviation liés à la prévision des pannes de composants à bord. La quantité de données liées à l'exploitation des avions est énorme et, par conséquent, l'évolutivité est une condition essentielle dans chaque approche proposée.Cette thèse est divisée en trois parties qui correspondent aux différentes sources de données que nous avons rencontrées au cours de notre travail. Dans la première partie, nous avons ciblé le problème de la prédiction des pannes des systèmes, compte tenu de l'historique des Post Flight Reports. Nous avons proposé une approche statistique basée sur la régression précédée d'une formulation méticuleuse et d'un prétraitement \/ transformation de données. Notre méthode estime le risque d'échec avec une solution évolutive, déployée dans un environnement de cluster en apprentissage et en déploiement. À notre connaissance, il n'y a pas de méthode disponible pour résoudre ce problème jusqu'au moment où cette thèse a été écrite.La deuxième partie consiste à analyser les données du livre de bord, qui consistent en un texte décrivant les problèmes d'avions et les actions de maintenance correspondantes. Le livre de bord contient des informations qui ne sont pas présentes dans les Post Flight Reports bien qu'elles soient essentielles dans plusieurs applications, comme la prédiction de l'échec. Cependant, le journal de bord contient du texte écrit par des humains, il contient beaucoup de bruit qui doit être supprimé afin d'extraire les informations utiles. Nous avons abordé ce problème en proposant une approche basée sur des représentations vectorielles de mots. Notre approche exploite des similitudes sémantiques, apprises par des neural networks qui ont généré les représentations vectorielles, afin d'identifier et de corriger les fautes d'orthographe et les abréviations. Enfin, des mots-clés importants sont extraits à l'aide du Part of Speech Tagging.Dans la troisième partie, nous avons abordé le problème de l'évaluation de l'état des composants à bord en utilisant les mesures des capteurs. Dans les cas considérés, l'état du composant est évalué par l'ampleur de la fluctuation du capteur et une tendance à l'augmentation monotone. Dans notre approche, nous avons formulé un problème de décomposition des séries temporelles afin de séparer les fluctuations de la tendance en résolvant un problème convexe. Pour quantifier l'état du composant, nous calculons à l'aide de Gaussian Mixture Models une fonction de risque qui mesure l'écart du capteur par rapport à son comportement normal.", "source_url": "https:\/\/openalex.org\/W7148425078", "pdf_url": "https:\/\/pastel.hal.science\/tel-02003508v1\/file\/65181_KORVESIS_2017_archivage.pdf", "doi": "10.70675\/5c156250zffd4z4dc8z8067zd9361665aa02", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7148425078", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:59", "updated_at": "2026-11-15 16:52:59" }, { "id": 1191, "title": "Online machine learning-based predictive maintenance for the railway industry", "title_ar": "", "title_en": "", "author": "Minh Huong Le Nguyen", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2023, "language": "fr", "research_domain": "deep-learning", "research_subdomain": "transformers", "categories": "machine-learning; deep-learning; computer-vision; ai-applications; data-mining; predictive-analytics; transformers; ai-industry", "keywords": "", "abstract": "Maintenance prévisionnelle basée sur l'apprentissage automatique en ligne dans le secteur ferroviaire En tant que moyen de transport en commun efficace sur de longues distances, le chemin de fer continuera de prospérer pour son empreinte carbone limitée dans l'environnement. Assurer la fiabilité des équipements et la sécurité des passagers fait ressortir la nécessité d'une maintenance efficace. Outre la maintenance corrective et périodique courante, la maintenance prédictive a pris de l'importance ces derniers temps. Les progrès récents de l'apprentissage automatique et l'abondance de données poussent les praticiens à la maintenance prédictive basée sur les données. La pratique courante consiste à collecter des données pour former un modèle d'apprentissage automatique, puis à déployer le modèle pour la production et à le conserver inchangé par la suite. Nous soutenons qu'une telle pratique est sous-optimale sur un flux de données. Le caractère illimité du flux rend le modèle sujet à un apprentissage incomplet. Les changements dynamiques sur le flux introduisent de nouveaux concepts invisibles pour le modèle et diminuent sa précision. La vitesse du flux rend l'étiquetage manuel impossible et désactive les algorithmes d'apprentissage supervisé. Par conséquent, il est nécessaire de passer d'un paradigme d'apprentissage statique et hors ligne à un paradigme adaptatif en ligne, en particulier lorsque de nouvelles générations de trains connectés générant en continu des données de capteurs sont déjà une réalité. Nous étudions l'applicabilité de l'apprentissage automatique en ligne pour la maintenance prédictive sur des systèmes complexes typiques du secteur ferroviaire. Tout d'abord, nous développons InterCE en tant que framework basé sur l'apprentissage actif pour extraire des cycles d'un flux non étiqueté en interagissant avec un expert humain. Ensuite, nous implémentons un auto-encodeur à mémoire longue et courte durée pour transformer les cycles extraits en vecteurs de caractéristiques plus compacts tout en restant représentatifs. Enfin, nous concevons CheMoc comme un framework pour surveiller en permanence l'état des systèmes en utilisant le clustering adaptatif en ligne. Nos méthodes sont évaluées sur les systèmes d'accès voyageurs sur deux flottes de trains gérés par la société nationale des chemins de fer SNCF de la France.", "source_url": "https:\/\/openalex.org\/W7151281587", "pdf_url": "", "doi": "10.70675\/173d7e4fz2dcdz49d1z846cz5fe2ba50424a", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7151281587", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:52:59", "updated_at": "2026-11-15 16:52:59" }, { "id": 1235, "title": "Explaining reinforcement learning", "title_ar": "", "title_en": "", "author": "Léo Saulières", "supervisor": "", "degree_type": "phd", "degree_evidence": "theses.fr: الفهرس الوطني الفرنسي لأطاريح الدكتوراه", "university": "", "university_source": "", "college": "", "department": "", "country": "France", "governorate": "", "publication_year": 2024, "language": "fr", "research_domain": "computer-vision", "research_subdomain": "xai", "categories": "computer-vision; reinforcement-learning; robotics; responsible-ai; ai-applications; xai; ai-agriculture", "keywords": "", "abstract": "Explication de l'apprentissage par renforcement S dernières années, les modèles issus de l'Intelligence Artificielle (IA) ont connu une progression impressionnante tant sur la précision de leurs résultats que sur l'amplitude de leurs applications. Cette progression s'explique en partie par l'utilisation de réseaux de neurones permettant de résoudre efficacement diverses tâches en se basant sur un ensemble de données. Les différentes avancées en IA prédictive (par opposition à l'IA analytique qui s'intéresse à la représentation des connaissances et à la formalisation du raisonnement) ont été mises au service de domaines variés comme l'agriculture, la médecine ou encore l'éducation. On remarque également que l'IA prédictive est de plus en plus présente dans notre vie de tous les jours, que cela soit pour de la recommandation de musique avec Spotify, de la génération d'image avec Midjourney ou encore de l'aide à la synthèse de réunion avec Leexi. Cette omniprésence entraîne un questionnement vis-à-vis de la régulation de ces modèles. Avec, entre autres, l'utilisation des réseaux de neurones, les modèles performants s'apparentent à des boîtes noires. L'emploi de ces modèles opaques pour des domaines à risque, tels que la médecine ou les véhicules autonomes, requiert un contrôle spécifique avant la mise à disposition aux utilisateurs. Ainsi, des institutions proposent de réglementer l'IA (par exemple, la Commission Européenne avec l'AI Act). Ces réglementations mettent en avant l'obligation de vérifier, expliquer et analyser les modèles opaques, particulièrement pour les applications à haut risque. De plus, l'utilisateur doit avoir le droit de demander des explications sur la prise de décision d'un modèle, comme le rejet d'attribution d'un prêt par une banque. Ce besoin de transparence a entraîné le développement de l'IA explicable (XAI), à savoir le domaine proposant des méthodes pour rendre les modèles d'IA moins opaque, voire transparent. Nous nous focalisons dans cette thèse sur l'explication d'un type d'IA appelé Apprentissage par Renforcement (RL), qui consiste à apprendre un comportement adéquat dans un environnement au travers d'essais-erreurs. L'agent (ou modèle d'IA) apprend à effectuer, depuis chaque état de l'environnement, une action optimale pour la réalisation d'une tâche spécifique. Cette thèse s'inscrit dans le domaine de l'Apprentissage par Renforcement explicable (XRL), un domaine en pleine expansion qui regroupe les méthodes d'explication du RL. Nos deux contributions majeures concernent la proposition d'une taxonomie originale de l'état de l'art du XRL et la création et l'analyse de 4 méthodes pour le XRL. Notre taxonomie catégorise les différentes méthodes du XRL par rapport à la cible de l'explication et à la manière de l'expliquer. Un nouvel environnement multi-agent de RL, intitulé 'Drone Coverage', a été implémenté pour tester nos méthodes. Celles-ci relèvent de deux catégories différentes selon notre taxonomie. Avec 'Scenario eXplanation' (SXp) et 'Expected States eXplanation' (ESX), nous expliquons l'action d'un agent effectuée depuis un état donné en fournissant des conséquences attendues. SXp résume le futur en 3 séquences d'état-action appelées scénarios. ESX compacte les états que l'agent peut atteindre à un certain horizon en un sous-objectif concis et représentatif. Avec 'History eXplanation based on Predicates' (HXP) et 'Backward-HXP' (B-HXP), nous expliquons une séquence d'état-action de l'agent en fournissant un ensemble d'éléments importants de cette séquence. HXP extrait d'une séquence d'état-action courte, les actions les plus importantes pour la réalisation d'un prédicat défini. A partir d'une séquence d'état-action longue, B-HXP fournit un ensemble de prédicats et actions importantes associées en procédant récursivement depuis la fin de la séquence.", "source_url": "https:\/\/openalex.org\/W7152368558", "pdf_url": "https:\/\/theses.hal.science\/tel-05080042\/document", "doi": "10.70675\/ef57c459z3e5bz437czbc31zec8bfff34d87", "handle": "", "repository_name": "theses.fr (ABES)", "source_record_id": "W7152368558", "other_sources": "", "verification_status": "verified", "created_at": "2026-11-15 16:53:00", "updated_at": "2026-11-15 16:53:00" } ] }