BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Etis - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.etis-lab.fr
X-WR-CALDESC:Events for Etis
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20270328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20271031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260227T090000
DTEND;TZID=Europe/Paris:20260227T113000
DTSTAMP:20260421T154557
CREATED:20260213T133948Z
LAST-MODIFIED:20260213T134050Z
UID:9888-1772182800-1772191800@www.etis-lab.fr
SUMMARY:PhD Defense: Xiaodan Chen
DESCRIPTION:Xiaodan Chen defends her PhD entitled: “Multi-Scale Computational Modeling of Speech: From Acoustic Foundations to Phonological Structures and Phonemic Applications” on Friday\, February 27\, 2026 at La Turbine Cergy-Pontoise. \nThesis committee\n\nNicolas Rougier\, DR\, INRIA Bordeaux\, Rapporteur\nBahia Guellaï\, PR\, Université Toulouse 2\, Rapporteure\nRong Tong\, MCF\, Singapore Institute of Technology\, Examinatrice\nDan Vodislav\, PR\, CY Cergy-Paris Université\, Examinateur\nMathias Quoy\, PR\, CY Cergy-Paris Université\, Directeur de thèse\nAlexandre Pitti\, PR\, ENSEA\, Co-directeur de thèse\nNancy F. Chen\, PI\, Institute for Infocomm Research\, A*Star\, Co-directrice de thèse\n\nThe presentation will be given in English. For those who wish to attend remotely\, a link will be provided. \nAbstract (EN)\nUnderstanding the computational and neural principles underlying speech acquisition\, representation\, and production is a fundamental challenge in cognitive science and artificial intelligence. \nThis thesis presents a unified investigation into this problem through three interconnected projects that model the hierarchy of speech processing\, from early infancy to late infancy\, and from early speech sound acquisition\, to structural (proto-syntactic) sequence representation\, and finally to neuromuscular speech production. \nThis journey begins with a model of infant sensorimotor development. We develop a compact and interpretable neural network to simulate early vocal learning. The model demonstrates how exposure to a native language shapes low-level auditory perception\, and reveals how predictive coding\, as a mechanism of continual learning during a “critical period”\, facilitates attunement to native-language acoustic patterns (L1)\, while preserving a foundational capacity to acquire non-native (L2) distinctions. This establishes how a developmental critical period can emerge from fundamental principles of online learning\, and posits the sensorimotor primitive as a core\, self-organized unit of linguistic computation. \nNext\, we investigate how the brain organizes sequences of these sensorimotor states into structured motor sequences. A rank-order coding network\, inspired by Broca’s circuit\, serves as a model for this process. It exhibits proto-syntactic generalization\, proving robust to superficial changes but highly sensitive to abstract rule violations\, mirroring the P3b neurophysiological response to structural novelty. This work forges a crucial developmental link between early sensorimotor speech learning and the emergence of phonological structure in speech. \nThe final project applies this cognitive perspective to a pressing engineering problem: the scarcity of data for Voiced Electromyography-to-Speech (V-ETS) systems. We introduce a Confidence-based Multi-Speaker Self-training (CoM2S) framework. Its key innovation is a phoneme-error-based filter\, which uses the categorical linguistic unit to select high-quality synthetic data\, thereby overcoming the data bottleneck and enhancing speech generation. \nTogether\, these projects form a multi-scale investigation of speech\, spanning from the acquisition of sensorimotor primitives\, to their organization into structured sequences\, and finally to the application of the phoneme as a supervisory signal for articulatory decoding. We therefore argue that a cognitively-inspired\, multi-scale approach bridging early sensorimotor learning\, proto-syntactic sequencing\, and applied decoding\, offers a principled framework for advancing both our understanding of speech processing and our capacity to engineer robust speech technologies. \nRésumé (FR)\nComment le cerveau apprend-il\, représente-t-il et produit-il la parole ? Déchiffrer ces principes computationnels constitue un enjeu central tant pour les sciences cognitives que pour l’intelligence artificielle. \nCette thèse présente une étude unifiée de cette problématique à travers trois projets interconnectés qui modélisent la hiérarchie du traitement de la parole\, partant de l’acquisition des sons de parole jusqu’à la représentation séquentielle structurelle\, pour aboutir finalement à la production neuromusculaire de la parole. \nLe premier projet modélise le développement sensorimoteur précoce. Nous développons un réseau neuronal compact et interprétable simulant l’apprentissage de la parole chez le nourrisson. Le modèle montre comment l’exposition à la langue maternelle façonne la perception auditive de base. Il révèle également le rôle du codage prédictif comme mécanisme d’apprentissage continu pendant la « période critique »\, permettant l’ajustement aux régularités acoustiques de la langue maternelle tout en préservant la capacité fondamentale à en acquérir d’autres. Ce projet établit les fondements d’une primitive sensorimotrice audio-articulatoire pour les traitements de niveau supérieur. \nLe deuxième projet examine l’organisation de ces primitives en séquences. Nous proposons un modèle de codage par ordre de rang\, inspiré du circuit de Broca\, qui démontre une capacité de généralisation proto-syntaxique : robuste aux variations de surface\, il reste sensible aux violations de règles abstraites\, à l’instar de la réponse neurophysiologique P3b observée face à des nouveautés structurelles. Ce travail met en lumière un lien développemental crucial entre l’apprentissage sensorimoteur et l’émergence de la structure phonologique. \nLe troisième projet applique ce cadre cognitif à un défi d’ingénierie : la pénurie de données pour les modèles de conversion de l’électromyographie vocale en parole (Voiced Electromyography-to-Speech\, V-ETS). Nous y introduisons une méthode d’auto-apprentissage multi-locuteurs basée sur la confiance phonémique (Confidence-based Multi-Speaker Self-training\, CoM2S). Son innovation principale est un filtre de sélection exploitant les unités distinctives de la langue (les phonèmes) pour identifier des données synthétiques de haute qualité\, améliorant ainsi significativement les performances des systèmes V-ETS. \nCollectivement\, ces projets forment une étude hiérarchique de la parole : de l’acquisition des primitives sensorimotrices\, à leur organisation en séquences structurées\, jusqu’à l’application du phonème comme signal de supervision pour le décodage articulatoire. Ce travail démontre que des représentations ancrées dans la cognition ouvrent la voie à des technologies de la parole plus robustes et économes en données\, établissant ainsi une boucle féconde entre les mécanismes cérébraux du langage et la conception de systèmes artificiels.
URL:https://www.etis-lab.fr/event/phd-defense-xiaodan-chen/
LOCATION:La Turbine Cergy-Pontoise\, 32\, boulevard du Port\, Cergy\, 95000\, France
CATEGORIES:PhD Defense
ATTACH;FMTTYPE=image/png:https://www.etis-lab.fr/wp-content/uploads/2024/12/xiandan_chen.png
ORGANIZER;CN="Xiaodan Chen":MAILTO:xiaodan.chen@etis-lab.fr
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260209T100000
DTEND;TZID=Europe/Paris:20260209T123000
DTSTAMP:20260421T154557
CREATED:20260202T165815Z
LAST-MODIFIED:20260202T165931Z
UID:9853-1770631200-1770640200@www.etis-lab.fr
SUMMARY:Soutenance de thèse : Jean-Christophe Ricklin
DESCRIPTION:Jean-Christophe Ricklin soutient sa thèse “Modèles de prédiction et d’optimisation dynamiques des stratégies tarifaires” le 9 février 2026 à l’ENSEA Cergy. \nRésumé\nCette thèse porte sur la prévision des ventes et l’optimisation des stratégies tarifaires dans le secteur de la grande distribution. Elle cherche à répondre à la question centrale : Comment concevoir des modèles de prévision capables d’anticiper les ventes tout en intégrant les relations causales entre produits\, afin de guider les décisions commerciales (prix\, promotions) dans un contexte d’interdépendances complexes ? \nPour répondre à cette problématique\, la thèse s’articule autour de trois axes méthodologiques progressifs : les modèles univariés locaux\, les modèles univariés globaux fondés sur des regroupements causaux\, et les modèles multivariés intégrant explicitement les interactions inter-produits. La solution proposée explore l’intersection entre la découverte causale en données observationnelles et l’apprentissage automatique sur graphes. \nLes principales contributions de ce travail comprennent : (i) une méthodologie de gestion des modèles en production combinant optimisation des hyperparamètres et tests statistiques de validation\, (ii) un cadre de clustering causal regroupant les produits selon leurs leviers communs plutôt que selon leurs similarités de ventes\, et (iii) un modèle multivarié exploitant un graphe issue d’une étape de découverte causal inter-produits via des Graph Neural Networks sensibles aux communautés. Enfin\, une validation expérimentale sur données réelles démontre la pertinence de l’approche et ouvre des perspectives d’extension à d’autres nomenclatures et études de promotions. \nAbstract\nThis thesis focuses on sales forecasting and pricing strategy optimization in the retail sector. It seeks to address the central question: How can we design forecasting models capable of anticipating sales while integrating causal relationships between products\, in order to guide commercial decisions (pricing\, promotions) in a context of complex interdependencies? \nTo answer this question\, the research is structured around three progressive methodological axes: local univariate models\, global univariate models based on causal clustering\, and multivariate models explicitly integrating inter-product interactions. The proposed solution explores the intersection of causal discovery from observational data and graph-based machine learning. \nThe main contributions of this work include: (i) a methodology for model management in production combining hyperparameter optimization and statistical validation tests\, (ii) a causal clustering framework grouping products according to their common drivers rather than sales similarities\, and (iii) a multivariate model exploiting an inter-product graph learned by causal discovery through community-aware Graph Neural Networks. Finally\, experimental validation on real-world data demonstrates the relevance of the approach and opens perspectives for extension to other product categories and promotional studies. \nComposition du jury\n\nRichard CHBEIR\, Université de Pau et des Pays de l’Adour\, Rapporteur\nFaicel CHAMBOUKHI\, Université de Caen Normandie\, Rapporteur\nMourad KHAYATI\, Université de Fribourg\, Examinateur\nBernd AMANN\, Sorbonne Université\, Examinateur\nRaid MANSI\, BOOPER\, Invité\nHajer BAAZAOUI\, CY Cergy Paris Université\, Directrice\nVassilis CHRISTOPHIDES\, ENSEA\, Co-Directeur\n\nLieu et date\n\nENSEA Cergy\, Curium (6 avenue du Ponceau 95014 Cergy Cedex)\n9 février 2026 à 10h00\n\nLa participation par visio est possible via le lien teams : https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZTQ3NDQ0NzAtYjVjMy00MWNiLWFmZTMtZjM0ZjNlZjdlYzk5%40thread.v2/0?context=%7b%22Tid%22%3a%22880ce9c2-08e7-4138-93cf-b49659115304%22%2c%22Oid%22%3a%22b882676b-d059-4657-93e7-39ec09dac6e0%22%7d\nModèles de prédiction et d’optimisation dynamiques des stratégies tarifaires | Réunion-Joindre | Microsoft Teams
URL:https://www.etis-lab.fr/event/soutenance-de-these-jean-christophe-ricklin/
LOCATION:ENSEA\, Curium\, avenue du Ponceau\, Cergy\, 95014\, France
CATEGORIES:PhD Defense
ORGANIZER;CN="Jean-Christophe Ricklin":MAILTO:jean-christophe.ricklin@ensea.fr
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260205T093000
DTEND;TZID=Europe/Paris:20260205T120000
DTSTAMP:20260421T154557
CREATED:20260130T093713Z
LAST-MODIFIED:20260130T093713Z
UID:9850-1770283800-1770292800@www.etis-lab.fr
SUMMARY:Soutenance de thèse : Mouncef Naji
DESCRIPTION:Mouncef Naji soutient sa thèse “Semantic Personalization of Informed Consent based on Knowledge Graph Reasoning and Large Language Models” le 5 février 2026 à CY Cergy Paris Université. \nRésumé\nCette thèse porte sur la personnalisation du consentement éclairé dans le domaine de la santé. Elle cherche à répondre à la question centrale : Comment concevoir un système capable de produire un consentement médical qui soit à la fois conforme à la loi\, compréhensible et adapté au profil du patient\, et assistant le personnel soignant à la proposition des soins ? Pour répondre à cette problématique\, la thèse s’articule autour de trois pilliers principaux : la conformité légale\, la personnalisation du consentement\, et la recommandation de soins. La solution proposée explore l’intersection entre les technologies sémantiques et l’intelligence artificielle générative\, à travers le système SPIRIT (Semantic Personalized and Compliant System for Informed consent and care Recommendation). \nLes principales contributions de ce travail comprennent : (i) une approche basée sur l’ontologie pour garantir la conformité légale\, (ii) un cadre de raisonnement sémantique pour la génération de consentements personnalisés\, et (iii) un système de recommandation infirmière fondé sur des graphes de connaissances. Enfin\, une preuve de concept fonctionnelle valide la faisabilité de l’approche et ouvre des perspectives d’expérimentation en conditions réelles\, notamment vers des extensions multilingues et multimodales. \nAbstract\nThis thesis focuses on the personalization of informed consent in healthcare. It seeks to address the central question: How can we design a system capable of producing a medical consent that is simultaneously legally compliant\, comprehensible\, and adapted to the patient’s profile\, while supporting healthcare professionals in proposing appropriate care plans?\nTo answer this question\, the research is structured around three key pillars: legal compliance\, consent personalization\, and care recommendation. The proposed solution explores the intersection of semantic technologies and generative AI\, by proposing SPIRIT (Semantic Personalized and Compliant System for Informed consent and care Recommendation).\nThe main contributions of this work include: (i) an ontology-driven approach for ensuring legal compliance\, (ii) a semantic reasoning framework for personalized consent generation\, and (iii) a knowledge-graph-based system for nursing recommendations. Finally\, a functional proof of concept validates the feasibility of the approach and opens perspectives for real-world deployment\, including multilingual and multimodal extensions. \nComposition du jury\n\nHajer BAAZAOUI\, CY Cergy Paris Université\, Directrice\nMaroua MASMOUDI\, Université de Rennes\, Co-Directrice\nZoltan MIKLOS\, Université de Rennes\, Rapporteur\nMourad ABED\, Université Polytechnique Hauts-de-France\, Rapporteur\nMarie-Hélène ABEL\, Université de Compiègne\, Examinatrice\nGayo DIALLO\, Université de Bordeaux\, Examinateur\nJean-Marie JANUEL\, Fondation Léonie-Chaptal\, Invité\n\nLieu et date\n\nCY Cergy Paris Université (site Saint-Martin)\, amphithéâtre E3 (2 Av. Adolphe Chauvin\, 95300 Pontoise)\n5 février 2026 à 09h30\n\n 
URL:https://www.etis-lab.fr/event/soutenance-de-these-mouncef-naji/
LOCATION:CY Cergy Paris Uniersité – site de Saint-Martin\, amphi E3\, 2 avenue Adolphe-Chauvin\, Pontoise\, 95300\, France
CATEGORIES:PhD Defense
ATTACH;FMTTYPE=image/jpeg:https://www.etis-lab.fr/wp-content/uploads/2024/12/mouncef_naji.jpg
ORGANIZER;CN="Mouncef Naji":MAILTO:mouncef.naji@ensea.fr
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260112T140000
DTEND;TZID=Europe/Paris:20260112T163000
DTSTAMP:20260421T154557
CREATED:20260106T111020Z
LAST-MODIFIED:20260106T111020Z
UID:9667-1768226400-1768235400@www.etis-lab.fr
SUMMARY:Soutenance de thèse - Claire Béranger
DESCRIPTION:Claire Béranger\, doctorante dans l’équipe CELL\, soutient sa thèse intitulée “Reconnaissance de la marche et prédiction de chute par apprentissage profond sur des signatures micro-Doppler” le 12 janvier 2026 dans l’auditorium de la Maison de la Recherche Annie-Ernaux (CY Cergy Paris Université). \nRésumé\nReconnaissance de la marche et prédiction de chute par apprentissage profond sur des signatures micro-Doppler \nLes chutes chez les personnes âgées constituent un enjeu majeur de santé publique\, entraînant chaque année en France un nombre significatif de décès et d’hospitalisations.\nBien que des systèmes de téléassistance aient été déployés pour réduire ces risques\, leur efficacité reste limitée en raison d’un taux élevé de fausses alertes. \nCette thèse propose des méthodes de reconnaissance d’activités à partir de données radar non conventionnelles\, permettant un suivi précis des mouvements des personnes âgées tout en préservant leur intimité.\nLes travaux portent sur l’extraction de caractéristiques pertinentes à partir de spectrogrammes radar et sur le développement de modèles de classification performants pour l’identification de l’activité quotidienne. \nUn jeu de données multimodal expérimental a été constitué afin de soutenir l’analyse et l’évaluation des modèles. L’optimisation des approches et la fusion des résultats des modèles ont permis d’atteindre un taux de reconnaissance des activités proche de 95%\,\ndémontrant la robustesse et l’efficacité des méthodes développées. Ces résultats ouvrent des perspectives concrètes pour l’amélioration des systèmes de téléassistance et la prévention des chutes. \nAu-delà de ces applications\, ce travail illustre le potentiel des technologies radar pour l’étude des activités humaines et ouvre de nouvelles pistes pour la recherche en suivi comportemental et analyse biomécanique. \nAbstract\nGait Recognition and Fall Prediction with Deep-Learning on Micro-Doppler Signatures \nFalls among elderly people represent a major public health challenge\, resulting each year in France in a substantial number of deaths and hospitalisations.\nAlthough teleassistance systems have been deployed to mitigate these risks\, their effectiveness remains limited due to a high rate of false alarms. \nThis thesis presents methods for activity recognition using unconventional radar data\, enabling precise monitoring of elderly people’s movements while preserving their privacy.\nThe work focuses on the extraction of relevant features from radar spectrograms and the development of robust classification models for identifying daily activities. \nAn experimental multimodal dataset was created to support the analysis and evaluation of the models.\nOptimisation of the approaches and fusion of model outputs achieved an activity recognition rate of approximately 95%\, demonstrating the robustness and effectiveness of the proposed methods.\nThese results provide concrete prospects for improving teleassistance systems and preventing falls. \nBeyond these applications\, this work highlights the potential of radar technologies for the study of human activities and opens new avenues for research in behavioural monitoring and biomechanical analysis. \nComposition du jury\nRapporteurs : \n\nMme Iness AHRIZ Maîtresse de conférences\, HDR\, Conservatoire National des Arts et Métiers Paris\, CEDRIC\nMme Catherine DEZAN Maîtresse de conférences\, HDR\, Université de Bretagne Occidentale\, Lab-STICC\n\nExaminateurs : \n\nMr Hedi TABIA Professeur\, Université Paris-Saclay\, IBISC\nMr Rémi DUBOIS Professeur\, Université de Bordeaux\, IHU LIRYC\nMr Thanh Phuong NGUYEN Professeur\, Université of Côte d’Azur\, I3S\n\nEncadrant : \n\nMr Petr DOBIÁŠ Maître de conférences\, CY Cergy Paris Université\, ETIS\n\nCo-directeur : \n\nMr Ngoc-Son VU Maître de conférences\, HDR\, ENSEA\, ETIS\n\nDirecteur : \n\nMr Olivier ROMAIN Professeur\, CY Cergy Paris Université\, ETIS\n\nInvités : \n\nMr David GUYARD CEO\, BlueLinea\nMr Julien LE KERNEC Maître de conférences\, HDR\, University of Glasgow\, ETIS\n\nDate et lieu de soutenance\n\n12 janvier 2026\, 14h\nCY Cergy Paris Université\, Auditorium de la Maison de la Recherche Annie-Ernaux
URL:https://www.etis-lab.fr/event/soutenance-de-these-claire-beranger/
LOCATION:Auditorium – Maison de la Rercherche Annie-Ernaux\, CYU Cergy Paris Université\, 33 Boulevard du Port\, Cergy\, 95011\, France
CATEGORIES:PhD Defense
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251218T100000
DTEND;TZID=Europe/Paris:20251218T130000
DTSTAMP:20260421T154557
CREATED:20251211T140655Z
LAST-MODIFIED:20251211T140655Z
UID:9651-1766052000-1766062800@www.etis-lab.fr
SUMMARY:Soutenance de thèse - Solomon Yese
DESCRIPTION:Solomon Yese soutiendra sa thèse “Optimisation de la gestion des ressources dans les réseaux sans fil de nouvelle génération : du découpage du réseau aux communications véhiculaires” le 15 décembre 2025 à CY Cergy Paris Université – Site De Saint-Martin. \nRésumé :\nL’évolution vers les réseaux 5G et au-delà a introduit des défis sans précédent en matière de gestion des ressources\, d’optimisation des réseaux et d’approvisionnement en termes de qualité de service (QoS) dans des architectures réseau hétérogènes. Cette thèse aborde les problèmes d’optimisation ouverts dans les réseaux sans fil de nouvelle génération en se concentrant sur trois domaines clés : i) le contrôle d’admission au découpage du réseau ii) la gestion des ressources du réseau d’accès radio ouvert (O-RAN) et iii) la sélection intelligente de la technologie d’accès radio (RAT) pour les communications véhiculaires. \nLes nouvelles solutions de contrôle d’admission que nous proposons pour le découpage du réseau intègrent des mécanismes de surréservation et des processus de rachat de ressources dynamiques\, maximisant les revenus des fournisseurs d’infrastructure (InP) tout en respectant les accords de niveau de service (SLA). Nos solutions utilisent des mécanismes d’adaptation dynamique des priorités\, de mise en commun progressive des ressources et de partage des capacités pour gérer efficacement les demandes de tranches de réseau dans des scénarios hors ligne et en ligne où les informations sur les demandes futures sont limitées et où les demandes peuvent être annulées après expiration du délai d’attente. L’évaluation des performances montre que les solutions de contrôle d’admission proposées génèrent des profits plus élevés\, une meilleure utilisation des ressources\, ainsi que des taux d’acceptation des tranches légèrement plus élevés comparé aux solutions de l’état de l’art. \nPour les architectures O-RAN\, nous développons des algorithmes d’association d’utilisateurs écoénergétiques qui optimisent conjointement l’association des équipements utilisateurs (UE) avec les unités radio (RU)\, les unités distribuées (DU) et les unités centrales (CU) tout en garantissant les délais. Nos approches minimisent la consommation d’énergie grâce à une association dynamique des unités et à des mécanismes de contrôle de puissance qui permettent aux composants inactifs du réseau de passer en mode veille\, tout en respectant les exigences strictes en matière de qualité de service. \nDans le domaine des communications véhiculaires\, nous présentons un environnement multi-objectif d’apprentissage par renforcement profond pour la sélection des RAT dans les scénarios véhicule-à-infrastructure/réseau (V2I/V2N). Notre solution permet une prise de décision en temps réel dans des conditions d’incertitude en optimisant simultanément la latence\, la fiabilité et la fréquence des transferts dans des environnements véhiculaires en évolution rapide. \nLes solutions proposées apportent collectivement une progression à l’état de l’optimisation des réseaux dans les systèmes sans fil de nouvelle génération tout en répondant aux défis pratiques du déploiement dans les infrastructures réseau modernes. \nAbstract:\nThe evolution toward 5G and beyond networks has introduced unprecedented challenges in resource management\, network optimization\, and quality of service (QoS) provisioning across heterogeneous network architectures. This thesis addresses some open optimization problems in next-generation wireless networks\, focusing on three key domains: i) network slicing admission control ii) open radio access network (O-RAN) resource management and iii) intelligent radio access technology (RAT) selection for vehicular communications. \nThe novel admission control schemes we propose for network slicing incorporate overbooking mechanisms and dynamic buyback processes\, maximizing infrastructure provider (InP) revenue while upholding service level agreements (SLAs). Our solutions employ dynamic priority adaptation\, step-wise pooling\, and capacity sharing mechanisms to efficiently manage slice requests in both offline and online scenarios where future request knowledge is limited and requests can renege after waiting time expiration. The evaluation of the proposed slice admission control solutions against state-of-the-art (SoA) solutions show that they yield higher profit and better resource utilization as well as marginally higher slice acceptance rates. \nAs far as our contribution in the domain of O-RAN is concerned\, we develop energy-efficient user association algorithms that jointly optimize user equipment (UE) association with radio units (RUs)\, distributed units (DUs) and central units (CUs) while ensuring delay guarantees. Our approaches minimize energy consumption through dynamic unit association and power control mechanisms that enable idle network components to enter into sleep mode\, while maintaining stringent QoS requirements. We also evaluate our proposed solutions against SoA solutions and our solutions yield significant reductions in energy consumption at very minimal delay cost but without violating the delay requirements of the UEs. \nIn the vehicular communication domain\, we present a multi-objective deep reinforcement learning framework for RAT selection in vehicle to-infrastructure/network (V2I/V2N) scenarios. Our solution enables real-time decision making under uncertainty\, simultaneously optimizing latency\, reliability\, and handover frequency in rapidly changing vehicular environments.\nComprehensive performance evaluations of our proposed solution via simulations demonstrate significant improvements over SoA solutions\, yielding significant reduction in the number of handovers with improved reliability and delay. \nThe proposed solutions collectively advance the state of network optimization in next-generation wireless systems while addressing practical deployment challenges in modern network infrastructures. \nComposition du jury :\n\nProf. Arsenia Chorti\, ETIS\, CY Cergy Paris University\, ENSEA\, CNRS\, Directrice de thèse\nDr. Sara Berri ETIS\, CY Cergy Paris University\, ENSEA\, CNRS\, Encadrante de thèse\nProf. Nadjib Ait Saadi\, UVSQ Paris-Saclay\, Rapporteur\nProf. Periklis Chatzimisios\, International Hellenic University\, Greece\, Rapporteur\nProf. Véronique Vèque\, Université Paris-Saclay/Centrale Supélec\, Examinatrice\nDr. Sahar Hoteit\, Université Paris Saclay/Centrale Supélec\, Examinatrice\nDr. Abdul Karim Gizzini\, Université Paris-Est Créteil\, Examinateur\n\nLieu et date :\n18 décembre 2025 à 10h00. \nAmphithéâtre E1 de l’Université CY Cergy Paris\, site de Saint-Martin\, 2 avenue Adolphe Chauvin\, 95300 Pontoise
URL:https://www.etis-lab.fr/event/soutenance-de-these-solomon-yese/
LOCATION:CY Cergy Paris Université – St-Martin -amphi E1\, 2 avenue Adolphe-Chauvin\, Pontoise\, 95300\, France
CATEGORIES:PhD Defense
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251216T140000
DTEND;TZID=Europe/Paris:20251216T170000
DTSTAMP:20260421T154557
CREATED:20251203T140444Z
LAST-MODIFIED:20251211T140814Z
UID:9639-1765893600-1765904400@www.etis-lab.fr
SUMMARY:Soutenance de thèse - Zakaria Lemhaouri
DESCRIPTION:Zakaria Lemhaouri soutiendra sa thèse “Computational modelling of language learning in robots: the development of meaning potentials in social and emotional contexts” le 16 décembre 2025 à CY Cergy Paris Université – Site De Saint-Martin (amphi E3). \nAbstract\nRecent advances in natural language processing—especially large-scale transformer models—have dramatically improved language generation and understanding. These systems\, however\, are not designed to explain how infants acquire language: they learn from massive static datasets\, do not exhibit infant-like developmental trajectories\, and overlook the cognitive\, social\, and psychological precursors that shape language learning. \nWe propose a cognitive model for a robot’s early language acquisition\, inspired by how human babies learn language. The robot’s learning process relies on sensorimotor development\, social interactions with a caregiver\, and real time learning\, making it an active learner. This modular architecture includes three components: a motivational module\, a perception module\, and a communication/action module. The robot employs two associative learning methods to form meaningful symbols and acquire words with functional meaning: first\, through trial and error to learn the correct word for each situation\, and second\, by using a neural network to ground each word in the goal it achieves\, as well as in proprioceptive and exteroceptive signals. This yields a dual word–referent association. \nWe implemented this architecture in a humanoid robot to study the development of its communicative skills. We aimed to follow major milestones in language learning\, such as babbling\, lexical development (learning nouns and verbs)\, syntax and early grammar development. The results indicate that the robot successfully acquired motivation-grounded language. \nDevelopmentally plausible models\, such as the one we present here\, can be valuable tools for investigating questions related to cognitive and psychological development in humans. We conducted several experiments to study how extralinguistic factors like motivation\, sensory-motor development\, caregiver responsiveness and social interaction influence the emergence and shaping of language. The results show that these factors\, which are often overlooked by most language models\, promote more efficient and faster language learning\, a richer vocabulary\, better retention of acquired words\, and improved categorization learning. \nComposition du jury\n\nProf. Lola Cañamero (CY Cergy Paris Université) – Directrice de thèse\nProf. Ann Nowé (VUB Vrije Universiteit Brussel) – Directrice de thèse\nDr. Laura Cohen (CY Cergy Paris Université) – Co-encadrante de thèse\nProf. Angelo Cangelosi (University of Manchester) – Examinateur\nDr. Alessandra Sciutti (Istituto Italiano di Tecnologia) – Rapportrice\nDr. John Lones (University of Hertfordshire) – Rapporteur\nDr. Sofiane Boucenna (CY Cergy Paris Université) – Examinateur\nDr. Paul Van Eecke (VUB Vrije Universiteit Brussel) – Examinateur\n\nDate et lieu\n16 décembre 2025 à 14h00\nAmphi E3\, CY Cergy Paris Université – Site De Saint-Martin\, 2 Av. Adolphe Chauvin\, 95300 Pontoise \nPour celles et ceux qui souhaitent assister à la soutenance sur Teams\, vous trouverez le lien ci-dessous :\nhttps://teams.microsoft.com/l/meetup-join/19%3ameeting_MWI5ZWE1MzktNDEyZS00YzM5LWEzMmYtMWM3NTlhNWRlNDA1%40thread.v2/0?context=%7b%22Tid%22%3a%22aa8bdaa4-8feb-46c0-b5e6-31c96337579b%22%2c%22Oid%22%3a%22f8624078-88c7-43eb-9cc8-3ad426f733a4%22%7d \nLa soutenance sera suivie d’un pot auquel vous êtes chaleureusement invité·e·s.
URL:https://www.etis-lab.fr/event/soutenance-de-these-zakaria-lemhaouri/
LOCATION:CY Cergy Paris Uniersité – site de Saint-Martin\, amphi E3\, 2 avenue Adolphe-Chauvin\, Pontoise\, 95300\, France
CATEGORIES:PhD Defense
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251215T140000
DTEND;TZID=Europe/Paris:20251215T170000
DTSTAMP:20260421T154557
CREATED:20251211T135840Z
LAST-MODIFIED:20251211T135840Z
UID:9649-1765807200-1765818000@www.etis-lab.fr
SUMMARY:Soutenance de thèse - Antoine Montmaur
DESCRIPTION:Antoine Montmaur soutiendra sa thèse “De l’impact des dynamiques internes des caractéristiques sur les réseaux de neurones de représentation pour l’apprentissage incrémental” le 15 décembre 2025 à l’ENSEA (Curium). \nRésumé :\nL’intelligence humaine\, avec sa capacité d’apprentissage continu et adaptatif et son ntégration dynamique des connaissances tout au long de la vie\, sert de référence essentielle pour les systèmes d’intelligence artificielle (IA) avancés. En revanche\, les réseaux neuronaux profonds (DNN) n’atteignent des performances de pointe que dans des conditions statiques et restrictives. L’entraînement conventionnel suppose que toutes les données sont disponibles simultanément et nécessite un réentraînement complet pour toute nouvelle information\, une limitation inhérente qui entrave sérieusement leur déploiement dans des environnements réels et non stationnaires. \nPour y remédier\, l’Apprentissage Continu (CL) fournit le cadre nécessaire à la création d’une IA adaptative en présentant séquentiellement les données et les tâches au modèle. Cependant\, cette approche incrémentale rend les DNN très sensibles à l’Oubli Catastrophique (OC) — la perte rapide et sévère des connaissances acquises antérieurement. L’objectif central du CL est donc de résoudre le dilemme stabilité–plasticité : maintenir l’intégrité des connaissances antérieures (stabilité) tout en intégrant efficacement les nouvelles informations (plasticité). Ce défi est le plus marqué dans l’apprentissage incrémental par classes\, où un unique classifieur doit reconnaître de manière robuste toutes les classes rencontrées au fil du temps\, nécessitant une adaptation continue et fiable à chaque étape. \nLe présent projet s’inscrit dans ce cadre ambitieux\, visant à rapprocher les capacités d’adaptation et de continuité de l’apprentissage humain de celles des systèmes artificiels\, en intégrant des mécanismes efficaces de mitigation de l’oubli catastrophique dans un contexte d’apprentissage incrémental en classe. Dans cette thèse\, nous avons mené une exploration approfondie de plusieurs stratégies d’apprentissage continu mentionnées précédemment\, avec pour objectif d’améliorer leur robustesse et leur adaptabilité dans un contexte incrémental en classe. Tout au long de cette investigation\, nous avons constaté qu’une compréhension des mécanismes internes de l’entraînement des réseaux est cruciale. Plus spécifiquement\, notre travail se concentre sur l’exploitation de cette compréhension approfondie de la construction des représentations afin de concevoir explicitement une contrainte qui impose une construction des caractéristiques qui soit continuellement compatible (ou constamment compatible). \nNous avons tout d’abord étudié les approches basées sur la répétition (replay)\, en exploitant les capacités hiérarchiques de représentation de l’apprentissage hyperbolique afin d’améliorer la structure et le pouvoir discriminant des caractéristiques présentes dans une mémoire semi-distribuée. Cette démarche nous a permis de mieux préserver les connaissances acquises tout en intégrant de nouvelles classes. Toutefois\, notre analyse de l’espace de représentation obtenu a révélé un certain enchevêtrement des classes\, limitant la stabilité à long terme. Pour remédier à ce problème\, nous avons développé une approche combinant optimisation et conception architecturale\, fondée sur une structure géométrique simplex avec prototypes de classes fixes\, garantissant des frontières de décision plus stables au fil des étapes d’apprentissage incrémental. Bien que cette méthode ait significativement réduit l’oubli\, une analyse plus poussée a mis en évidence des limites d’adaptabilité face à des variations inter-classes subtiles. En conséquence\, nous avons conçu un cadre de régularisation guidant l’apprentissage par des explications de la pertinence des caractéristiques\, incitant le modèle à maintenir des représentations interprétables et sémantiquement cohérentes dans le temps. Ensemble\, ces contributions constituent une progression cohérente — de l’amélioration de la mémoire replay\, à la mise en place de structures géométriques stables\, jusqu’à l’introduction d’une régularisation basée sur l’explication — chaque étape étant motivée par les forces et faiblesses identifiées à la précédente. \nAbstract:\nHuman intelligence\, with its capacity for continuous\, adaptive learning and dynamic knowledge integration across a lifetime\, serves as an essential reference for advanced artificial intelligence (AI) systems. In sharp contrast\, Deep Neural Networks (DNNs) achieve state-of-the-art performance only under restrictive\, static conditions. Conventional training assumes all data are available simultaneously and necessitates complete retraining for new information\, an inherent limitation that severely hinders their deployment in real-world\, non-stationary environments. \nTo address this\, Continual Learning (CL) provides the framework for creating continuously adaptive AI by presenting data and tasks sequentially to the model. However\, this incremental approach renders DNNs highly susceptible to Catastrophic Forgetting (CF)—the rapid and severe loss of previously acquired knowledge. The central objective in CL is thus to solve the stability–plasticity dilemma: maintaining the integrity of prior knowledge (stability) while effectively integrating new information (plasticity). This challenge is most pronounced in class-incremental learning\, where a single classifier must robustly recognize all encountered classes over time\, necessitating continuous and reliable adaptation at every step. \nThis thesis is situated within this challenging setting\, aiming to bridge the gap between human adaptive and continuous learning abilities and artificial systems\, by integrating effective forgetting detection mechanisms and strategies to mitigate catastrophic forgetting in a class-incremental learning context. In this thesis\, we conducted a thorough exploration of several continual learning strategies outlined above\, with the objective of improving their robustness and adaptability in the class-incremental setting. Throughout this investigation\, we have found that understanding the internal mechanics of network training is crucial. Specifically\, our work focuses on leveraging this deep understanding of representation construction to explicitly devise a constraint that enforces a continually compatible construction of features. \nWe first investigated replay-based approaches\, leveraging the hierarchical representational capabilities of hyperbolic learning to enhance the structure and discriminative power of semi-distributed memory features. This allowed us to better preserve previously acquired knowledge while integrating new classes. However\, our analysis of the resulting feature space revealed a degree of class entanglement that limited long-term stability. To address this issue\, we developed an optimization- and architecture-driven approach grounded in a simplex geometric structure with fixed class prototypes\, ensuring more stable decision boundaries across incremental learning stages. While this method significantly reduced forgetting\, further analysis highlighted limitations in adaptability when confronted with subtle inter-class variations. Consequently\, we designed a regularization framework that guides learning through explanations of feature relevance\, encouraging the model to maintain interpretable and semantically consistent representations over time. Together\, these contributions form a coherent progression—from enhancing replay memory\, to enforcing stable geometric structures\, to introducing explanation-based regularization—each step informed by the strengths and weaknesses identified in the preceding stage. \nComposition du jury\n\nProf. Stefan Duffner\, Université de Lyon\, Rapporteur\nProf. Hedi Tabia\, Université Paris Saclay\, Rapporteur\nProf. Ingemar Cox\, University College London Examinateur\nProf. Christel Vrain\, University of Orléans Examinatrice\nMCF Eva Feillet\, Université Paris Saclay\, Examinatrice\nMCF Ngoc-Son Vu\, Cergy-Paris Université\, Directeur de Thèse\n\nDate et lieu\n15 décembre 2025\, à 1400. \nENSEA\, Curium. \n\n\n\n\n\n\n\nLa soutenance se déroulera en anglais.\nPour les personnes souhaitant y assister à distance\, un lien sera transmis.\nLa soutenance sera suivie d’un pot\, qui se tiendra au 3ème étage du bâtiment D à l’ENSEA.
URL:https://www.etis-lab.fr/event/soutenance-de-these-antoine-montmaur/
LOCATION:ENSEA\, Curium\, avenue du Ponceau\, Cergy\, 95014\, France
CATEGORIES:PhD Defense
END:VEVENT
END:VCALENDAR