L'augmentation du parallélisme, sur des puces dont la densité d'intégration est en constante croissance, soulève un certain nombre de défis tels que le routage de l'information qui se confronte au problème de "goulot d'étranglement de données", ou la simple difficulté à exploiter un parallélisme massif et grandissant avec les paradigmes de calcul modernes issus pour la plupart, d'un historique séquentiel.Nous nous inscrivons dans une démarche bio-inspirée pour définir un nouveau type d'architecture, basée sur le concept d'auto-adaptation, afin de décharger le concepteur au maximum de cette complexité. Mimant la plasticité cérébrale, cette architecture devient capable de s'adapter sur son environnement interne et externe de manière homéostatique. Il s'inscrit dans la famille du calcul incorporé ("embodied computing") car le substrat de calcul n'est plus pensé comme une boite noire, programmée pour une tâche donnée, mais est façonné par son environnement ainsi que par les applications qu'il supporte.Dans nos travaux, nous proposons un modèle de carte neuronale auto-organisatrice, le DMADSOM (pour Distributed Multiplicative Activity Dependent SOM), basé sur le principe des champs de neurones dynamiques (DNF pour "Dynamic Neural Fields"), pour apporter le concept de plasticité à l'architecture. Ce modèle a pour originalité de s'adapter sur les données de chaque stimulus sans besoin d'un continuum sur les stimuli consécutifs. Ce comportement généralise les cas applicatifs de ce type de réseau car l'activité est toujours calculée selon la théorie des champs neuronaux dynamique. Les réseaux DNFs ne sont pas directement portables sur les technologies matérielles d'aujourd'hui de part leurs forte connectivité. Nous proposons plusieurs solutions à ce problème. La première consiste à minimiser la connectivité et d'obtenir une approximation du comportement du réseau par apprentissage sur les connexions latérales restantes. Cela montre un bon comportement dans certain cas applicatifs. Afin de s'abstraire de ces limitations, partant du constat que lorsqu'un signal se propage de proche en proche sur une topologie en grille, le temps de propagation représente la distance parcourue, nous proposons aussi deux méthodes qui permettent d'émuler, cette fois, l'ensemble de la large connectivité des Neural Fields de manière efficace et proche des technologies matérielles. Le premier substrat calcule les potentiels transmis sur le réseau par itérations successives en laissant les données se propager dans toutes les directions. Il est capable, en un minimum d'itérations, de calculer l'ensemble des potentiels latéraux de la carte grâce à une pondération particulière de l'ensemble des itérations.Le second passe par une représentation à spikes des potentiels qui transitent sur la grille sans cycles et reconstitue l'ensemble des potentiels latéraux au fil des itérations de propagation.Le réseau supporté par ces substrats est capable de caractériser les densités statistiques des données à traiter par l'architecture et de contrôler, de manière distribuée, l'allocation des cellules de calcul. / The increasing degree of parallelism on chip which comes from the always increasing integration density, raises a number of challenges such as routing information that confronts the "bottleneck problem" or the simple difficulty to exploit massive parallelism thanks to modern computing paradigms which derived mostly from a sequential history.In order to discharge the designer of this complexity, we design a new type of bio-inspired self-adaptive architecture. Mimicking brain plasticity, this architecture is able to adapt to its internal and external environment and becomes homeostatic. Belonging to the embodied computing theory, the computing substrate is no longer thought of as a black box, programmed for a given task, but is shaped by its environment and by applications that it supports.In our work, we propose a model of self-organizing neural map, DMADSOM (for Distributed Multiplicative Activity Dependent SOM), based on the principle of dynamic neural fields (DNF for "Dynamic Neural Fields"), to bring the concept of hardware plasticity. This model is able to adapt the data of each stimulus without need of a continuum on consecutive stimuli. This behavior generalizes the case of applications of such networks. The activity remains calculated using the dynamic neural field theory. The DNFs networks are not directly portable onto hardware technology today because of their large connectivity. We propose models that bring solutions to this problem. The first is to minimize connectivity and to approximate the global behavior thanks to a learning rule on the remaining lateral connections. This shows good behavior in some application cases. In order to reach the general case, based on the observation that when a signal travels from place to place on a grid topology, the delay represents the distance, we also propose two methods to emulate the whole wide connectivity of the Neural Field with respect to hardware technology constraints. The first substrate calculates the transmitted potential over the network by iteratively allowing the data to propagate in all directions. It is capable, in a minimum of iterations, to compute the lateral potentials of the map with a particular weighting of all iterations.The second involves a spike representation of the synaptic potential and transmits them on the grid without cycles. This one is hightly customisable and allows a very low complexity while still being capable to compute the lateral potentials.The network supported, by these substrates, is capable of characterizing the statistics densities of the data to be processed by the architecture, and to control in a distributed manner the allocation of computation cells.

L’Europe a subi la crise la plus sévère de sa récente histoire à la suite de la crise financière globale de 2008. C’est pourquoi cette thèse a l’objectif d’identifier de façon empirique les déterminants de cette crise dans le cadre de 15 principaux membres de l’UE. Dans ce sens, nous développons d’abord un index de pression fiscale continu, contrairement aux travaux empiriques précédents, afin d’identifier des périodes de crise dans les pays UE-15 de 2003 à 2015. Ensuite, nous utilisons trois différentes techniques d’estimation, à savoir Cartes auto-organisatrices, Logit et Markov. Nos résultats d’estimation démontrent que notre indicateur de crise identifie le timing et la durée de la crise de dette dans chacun des pays de UE-15. Résultats empiriques indiquent également que l’occurrence de la crise de dette dans l’UE-15 est la conséquence de la détérioration de balances macroéconomiques et financières sachant que les variables comme le ratio des prêts non-performants sur les crédits totaux du secteur bancaire, la croissance du PIB, chômage, balance primaire / PIB, le solde ajusté du cycle PIB. De plus, variables démontrant la qualité de gouvernance tel que participation et responsabilisation, qualité de la réglementation, et de l'efficacité gouvernementale, jouent également un rôle important dans l’occurrence et sur la durée de la crise de dette dans le cadre de l’UE-15. Étant donne que les résultats économétriques indiquent l’importance de la détérioration fiscale dans l’occurrence de la crise de dette européenne, nous testons la convergence fiscale des pays membre de l’UE. Les résultats montrent que Portugal, Irlande, Italie, Grèce et Espagne diverge des autres pays de l’UE-15 en termes de dette publique / PIB alors qu’ils convergent, à part la Grèce, avec les autres pays membres de l’UE-15 en termes de déficit budgétaires / PIB. / Europe went through the most severe economic crisis of its recent history following the global financial crisis of 2008. Hence, this thesis aims to empirically identify the determinants of this crisis within the framework of 15 core EU member countries (EU-15). To do so, the study develops a continuous fiscal stress index, contrary to previous empirical studies that tend to use event-based crisis indicators, which identifies the debt crises in the EU-15 and the study employs three different estimation techniques, namely Self-Organizing Map, Multivariate Logit and Panel Markov Regime Switching models. Our estimation results show first that the study identifies correctly the time and the length of the debt crisis in each EU-15-member country by developing a fiscal stress index. Empirical results also indicate, via three different models, that the debt crisis in the EU-15 is the consequence of deterioration of both financial and macroeconomic variables such as nonperforming loans over total loans, GDP growth, unemployment rates, primary balance over GDP, and cyclically adjusted balance over GDP. Besides, variables measuring governance quality, such as voice and accountability, regulatory quality, and government effectiveness, also play a significant role in the emergence and the duration of the debt crisis in the EU-15. As the econometric results clearly indicate the importance of fiscal deterioration on the occurrence of the European debt crisis, this study also aims to test the fiscal convergence among the EU member countries. The results indicate that Portugal, Ireland, Italy, Greece, and Spain diverge from other EU-15 countries in terms of public debt-to-GDP ratio. In addition, results also show that all PIIGS countries except for Greece converge to EU-10 in terms of budget deficit-to-GDP ratio.

Le thème principal de cette thèse est d’étudier la détection d’anomalies dans des flux de données de grande dimension avec une application spécifique au Health Monitoring des moteurs d’avion. Dans ce travail, on considère que le problème de la détection d’anomalies est un problème d’apprentissage non supervisée. Les données modernes, notamment celles issues de la surveillance des systèmes industriels sont souvent des flux d’observations de grande dimension, puisque plusieurs mesures sont prises à de hautes fréquences et à un horizon de temps qui peut être infini. De plus, les données peuvent contenir des anomalies (pannes) du système surveillé. La plupart des algorithmes existants ne peuvent pas traiter des données qui ont ces caractéristiques. Nous introduisons d’abord un algorithme de clustering probabiliste offline dans des sous-espaces pour des données de grande dimension qui repose sur l’algorithme d’espérance-maximisation (EM) et qui est, en plus, robuste aux anomalies grâce à la technique du trimming. Ensuite, nous nous intéressons à la question du clustering probabiliste online de flux de données de grande dimension en développant l’inférence online du modèle de mélange d’analyse en composantes principales probabiliste. Pour les deux méthodes proposées, nous montrons leur efficacité sur des données simulées et réelles, issues par exemple des moteurs d’avion. Enfin, nous développons une application intégrée pour le Health Monitoring des moteurs d’avion dans le but de détecter des anomalies de façon dynamique. Le système proposé introduit des techniques originales de détection et de visualisation d’anomalies reposant sur les cartes auto-organisatrices. Des résultats de détection sont présentés et la question de l’identification des anomalies est aussi discutée. / The subject of this Thesis is to study anomaly detection in high-dimensional data streams with a specific application to aircraft engine Health Monitoring. In this work, we consider the problem of anomaly detection as an unsupervised learning problem. Modern data, especially those is-sued from industrial systems, are often streams of high-dimensional data samples, since multiple measurements can be taken at a high frequency and at a possibly infinite time horizon. More-over, data can contain anomalies (malfunctions, failures) of the system being monitored. Most existing unsupervised learning methods cannot handle data which possess these features. We first introduce an offline subspace clustering algorithm for high-dimensional data based on the expectation-maximization (EM) algorithm, which is also robust to anomalies through the use of the trimming technique. We then address the problem of online clustering of high-dimensional data streams by developing an online inference algorithm for the popular mixture of probabilistic principal component analyzers (MPPCA) model. We show the efficiency of both methods on synthetic and real datasets, including aircraft engine data with anomalies. Finally, we develop a comprehensive application for the aircraft engine Health Monitoring domain, which aims at detecting anomalies in aircraft engine data in a dynamic manner and introduces novel anomaly detection visualization techniques based on Self-Organizing Maps. Detection results are presented and anomaly identification is also discussed.