BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Etis - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Etis
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
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251215T140000
DTEND;TZID=Europe/Paris:20251215T170000
DTSTAMP:20260421T125235
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
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251216T140000
DTEND;TZID=Europe/Paris:20251216T170000
DTSTAMP:20260421T125235
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:20251218T100000
DTEND;TZID=Europe/Paris:20251218T130000
DTSTAMP:20260421T125235
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
END:VCALENDAR