Les sujets rayés ne sont plus disponibles.
Remarque: au vu du faible nombre de sujets pour le moment, ne pas hésiter à contacter quand même les encandrant⋅e⋅s de projets qui pourraient vous intéresser.
L’objectif de ce projet est de développer des versions de l’algorithme Soft Actor-Critic à actions discrètes en BBRL et d’en étudier les propriétés.
L’objectif de ce projet est de développer une version de l’algorithme AFU en BBRL puis d’étudier certaines de ses propriétés.
La recherche de tables associées vise à identifier des tables de données pertinentes par rapport à une table de référence. Ce projet analyse et améliore les méthodes de recherche de tables associées en tenant compte de la robustesse, du coût, de la performance, de la scalabilité et de la qualité des résultats. Les objectifs incluent l’analyse des méthodes existantes et l’extension de ces méthodes pour permettre une recherche plus précise.
This project explores enhancing entity type prediction in Knowledge Graphs (KGs) using Large Language Models (LLMs). It focuses on the SSET framework, particularly optimizing semantic input representation and advanced fine-tuning techniques like Low-Rank Adaptation (LoRA). The goal is to improve model performance by crafting better input sentences from KG triples and testing improvements on benchmark datasets like FB15kET and YAGO43kET for prediction accuracy and efficiency.
This project explores enhancing entity type prediction in Knowledge Graphs (KGs) using Large Language Models (LLMs). It focuses on the SSET framework, particularly optimizing semantic input representation and advanced fine-tuning techniques like Low-Rank Adaptation (LoRA). The goal is to improve model performance by crafting better input sentences from KG triples and testing improvements on benchmark datasets like FB15kET and YAGO43kET for prediction accuracy and efficiency.
Ce projet vise à optimiser les prompts utilisés pour la classification d’image par des VLM, en s’inspirant de méthodes récentes en prompt learning. Il se concentrera sur CLIP avec un encodeur visuel de type ResNet, en utilisant le dataset d’image CIFAR-10 ou CIFAR-100, sans adapter le modèle.
L’objectif du projet est d’étudier des systèmes de recommandation pour les jeux de société en portant une attention particulière à l’explicabilité. Ce projet se concentre sur l’utilisation de revues utilisateurs pour expliquer les recommandations d’un système, en utilisant une base de données de 150 000 avis et 200 000 notes sur plus de 15 000 jeux.
L’objectif du projet est d’étudier la généralité des algorithmes de Reinforcement Learning pour les jeux vidéo de différentes catégories telles que de plateau, d’action et de gestion. Le projet inclut le développement de bots utilisant différentes classes d’algorithmes et l’étude de leurs performances sur un échantillon de jeux via la plateforme Codingame.
Ce projet étudie la modélisation de jeux de rôle secrets, comme Undercover ou Among Us, à l’aide de graphes d’argumentation abstraite. L’objectif principal est de comparer empiriquement deux familles de sémantiques graduelles pour déterminer l’acceptabilité des arguments dans des systèmes d’argumentation bipolaires pondérés. Cela inclut l’implémentation de différentes sémantiques et la génération de graphes d’argumentation pour évaluer les résultats obtenus.
La campagne d’évaluation TREC 1 propose des tâches en recherche d’information et traitement automatique du langage naturel. Ce projet de recherche s’intéresse au RAG (Retrieval-Augmented Generation) pour répondre à des questions en langage naturel grâce à un moteur de recherche et un modèle de langue. Les objectifs incluent la réalisation d’un état de l’art sur le RAG, l’implémentation de modèles existants, l’évaluation des performances de différents modèles et l’analyse des résultats.
La campagne d’évaluation TREC 1 propose des tâches en recherche d’information et traitement automatique du langage naturel. Ce projet de recherche s’intéresse au RAG (Retrieval-Augmented Generation) pour répondre à des questions en langage naturel grâce à un moteur de recherche et un modèle de langue. Les objectifs incluent la réalisation d’un état de l’art sur le RAG, l’implémentation de modèles existants, l’évaluation des performances de différents modèles et l’analyse des résultats.
L’objectif de ce projet est d’étudier des méthodes de classifications automatiques pour des vues aériennes d’images, en respectant les contraintes et les objectifs donnés par les écologues. Il s’agira en autre d’être capable de segmenter finement les populations d’arbres et de caractériser leur état de croissance.
Ce projet vise à explorer et développer des solutions pour traiter des documents présentant des écritures manuscrites peu lisibles, souvent accompagnées de formulaires structurés, tout en tirant parti de connaissances a priori pour guider l’extraction.
Ce projet s’intéresse à des grandes bases de données issues du séquençage de protéines. L’objectif est de développer des méthodes pour exploiter des ensembles séquences protéiques, en abordant les défis liés à la très grande volumétrie des données, notamment la détection de sous graphes denses appelés communautés.
Ce projet s’intéresse à la construction de modèles compacts mais performants pour l’analyse de scènes audio, en particulier pour les systèmes embarqués. Il vise à étudier des méthodes de distillation et d’élagage pour maintenir la performance des modèles tout en réduisant leur taille, et à établir un protocole expérimental qui évalue les modèles selon leur mémoire et temps de calcul.
Ce projet s’intéresse à la construction de modèles compacts mais performants pour l’analyse de scènes audio, en particulier pour les systèmes embarqués. Il vise à étudier des méthodes de distillation et d’élagage pour maintenir la performance des modèles tout en réduisant leur taille, et à établir un protocole expérimental qui évalue les modèles selon leur mémoire et temps de calcul.
Ce projet vise à repérer les alternances codiques au sein de phrases en attribuant à chaque mot la langue correspondante, tout en améliorant MaskLID, un détecteur d’alternance codique.
Le but de ce PLDAC est d’implémenter une plate-forme d’étude d’approches d’apprentissage en ligne des paramètres de modèles de régression. Le projet se concentre sur un modèle basé sur l’utilisation d’une intégrale de Choquet pour réaliser une agrégation pondérée des valeurs. Le travail comporte des aspects bibliographiques, de programmation et d’évaluation des performances sur des jeux de données artificielles et réels.
This project explores the latent space used by generative models of protein sequences, aiming for functional interpretation based on experimental annotations. It investigates Restricted Boltzmann machines, autoencoders, and protein sequence embeddings from pretrained language models, with the expectation that dimensional reduction enhances interpretability, facilitating functional-specific protein design.