L'intérêt envers la neuroscience informatique pour les applications d'intelligence arti- cielle est motivé par plusieurs raisons. Parmi elles se retrouve la rapidité avec laquelle le domaine evolue, promettant de nouvelles capacités pour l'ingénieur. Dans cette thèse, une méthode exploitant les récents avancements en neuroscience informatique est présentée: la machine à état liquide (\liquid state machine"). Une machine à état liquide est un modèle de calcul de données inspiré de la biologie qui permet l'apprentissage sur des ux de données. Le modèle représente un outil prometteur de reconnaissance de formes temporelles. Déjà, il a démontré de bons résultats dans plusieurs applications. En particulier, la reconnaissance de formes temporelles est un problème d'intérêt dans les applications militaires de surveillance telle que la reconnaissance automatique de cibles. Jusqu'à maintenant, la plupart des machines à état liquide crées pour des problèmes de reconnaissance de formes sont demeurées semblables au modèle original. D'un point de vue ingénierie, une question se dégage: comment les machines à état liquide peuvent-elles être adaptées pour améliorer leur aptitude à solutionner des problèmes de reconnaissance de formes temporelles ? Des solutions sont proposées. La première solution suggèrée se concentre sur l'échantillonnage de l'état du liquide. À ce sujet, une méthode qui exploite les composantes fréquentielles du potentiel sur les neurones est définie. La combinaison de différents types de vecteurs d'état du liquide est aussi discutée. Deuxièmement, une méthode pour entrâner le liquide est développée. La méthode utilise la plasticité synaptique à modulation temporelle relative pour modeler le liquide. Une nouvelle approche conditionnée par classe de données est proposée, où différents réseaux de neurones sont entraînés exclusivement sur des classes particuli ères de données. Concernant cette nouvelle approche ainsi que celle concernant l'échantillonnage du liquide, des tests comparatifs ont été effectués avec l'aide de jeux de données simulées et réelles. Les tests permettent de constater que les méthodes présentées surpassent les méthodes conventionnelles de machine à état liquide en termes de taux de reconnaissance. Les résultats sont encore plus encourageants par le fait qu'ils ont été obtenus sans l'optimisation de plusieurs paramètres internes pour les differents jeux de données testés. Finalement, des métriques de l'état du liquide ont été investiguées pour la prédiction de la performance d'une machine à état liquide. / There are a number of reasons that motivate the interest in computational neuroscience for engineering applications of artificial intelligence. Among them is the speed at which the domain is growing and evolving, promising further capabilities for artificial intelligent systems. In this thesis, a method that exploits the recent advances in computational neuroscience is presented: the liquid state machine. A liquid state machine is a biologically inspired computational model that aims at learning on input stimuli. The model constitutes a promising temporal pattern recognition tool and has shown to perform very well in many applications. In particular, temporal pattern recognition is a problem of interest in military surveillance applications such as automatic target recognition. Until now, most of the liquid state machine implementations for spatiotemporal pattern recognition have remained fairly similar to the original model. From an engineering perspective, a challenge is to adapt liquid state machines to increase their ability for solving practical temporal pattern recognition problems. Solutions are proposed. The first one concentrates on the sampling of the liquid state. In this subject, a method that exploits frequency features of neurons is defined. The combination of different liquid state vectors is also discussed. Secondly, a method for training the liquid is developed. The method implements synaptic spike-timing dependent plasticity to shape the liquid. A new class-conditional approach is proposed, where different networks of neurons are trained exclusively on particular classes of input data. For the suggested liquid sampling methods and the liquid training method, comparative tests were conducted with both simulated and real data sets from different application areas. The tests reveal that the methods outperform the conventional liquid state machine approach. The methods are even more promising in that the results are obtained without optimization of many internal parameters for the different data sets. Finally, measures of the liquid state are investigated for predicting the performance of the liquid state machine.

Un programme est dit non interférent si les valeurs de ses sorties publiques ne dépendent pas des valeurs de ses entrées secrètes. Des études ont montré que par l'analyse du flot d'information, on peut établir et contrôler cette propriété ou des propriétés qui lui sont étroitement liées. Dans ce travail, nous examinons en détail les modèles d'analyse de flot d'information existants, et esquissons une nouvelle approche dans un paradigme concurrent. La première partie de ce mémoire présente les différentes formulations de la non-interférence et un survol des grandes familles de mécanismes d'analyse de flot d'information. En second lieu, nous présentons en détail quelques mécanismes récents d'analyse sensibles aux flots, applicables à la programmation séquentielle. Mécanismes statiques pour certains, dynamiques ou hybrides pour d'autres. Dans la troisième partie, nous explorons deux modèles récents de sécurisation des flots d'information dans un programme concurrent. Les deux modèles ont en commun la particularité de proposer des traitements pour sécuriser l'interaction entre les programmes et l'ordonnanceur. Nous terminons par une esquisse de notre nouvelle approche, basée sur l'analyse des dépendances entre les variables d'un programme concurrent. / A program is said to be noninterfering if the values of its public (or low) outputs do not depend on the values of its secret (or high) inputs. Various researchers have demonstrated how this property (or closely related properties) can be achieved through information flow analysis. In this work, we present in detail some existing models of information flow analysis, and sketch a new approach of analysis for concurrent programming. The first part of this thesis presents the different formulations of non-interference, and an overview of the main types of information flow analysis. In the second part, we examine in detail some recent static and dynamic (hybrid) flow-sensitive analysis models, for a simple imperative language. In the third part, we explore two recent models of secure information flow in concurrent programs, which develop a novel treatment of the interaction between threads and the scheduler to prevent undesired interleaving. We end with a sketch of the foundations for another approach, based on the analysis of dependencies between variables of concurrent programs.

Titre de l'écran-titre (visionné le 24 juillet 2023) / Les flux de données de capteurs constituent de nos jours un mécanisme fondamental fournissant aux systèmes d'information et d'aide à la décision, des données d'observation sur les phénomènes d'intérêt. Ces flux de données de capteurs sont largement utilisés pour de nombreuses applications telles que la surveillance industrielle, les interventions en cas de catastrophe, les accidents radioactifs, le contrôle de la qualité de l'air, et bien d'autres applications. La modélisation et le calcul quasi instantané d'informations spatiotemporelles sur de tels phénomènes environnementaux dynamiques sont nécessaires pour une meilleure compréhension desdits phénomènes et une prise de décision plus efficace. La plupart des approches de modélisation des phénomènes continus sont développées en supposant que les limites de tels phénomènes sont nettes, alors que de nombreux phénomènes environnementaux tels que la poussière, le bruit ou la pollution par les gaz ou les incendies de forêt ont des limites spatiales vagues. Par conséquent, il n'est généralement pas possible de détecter directement les limites des phénomènes surveillés à partir des mesures des capteurs, car ces derniers sont soit dispersés de manière aléatoire sur la zone surveillée, soit ils suivent un modèle particulier dont la localisation coïncide rarement avec les limites des phénomènes surveillés. La faible portée spatiale des observations faites par les capteurs amplifie le niveau d'imprécision spatiale qui caractérise les données des réseaux de capteurs. Par conséquent, une collaboration exempte de toute ambigüité sémantique est requise entre capteurs connectés au sein du réseau en vue d'inférer les connaissances décrivant la géométrie des phénomènes, et éventuellement les agréger pour une meilleure prise de décision. Dans un contexte de raisonnement spatial décentralisé au sein des réseaux de capteurs, assurer une collaboration transparente entre les capteurs qui peuvent être hétérogènes, permettrait de résoudre ce double niveau d'imprécision spatiale que présentent les données de réseaux de capteurs, afin de produire une meilleure représentation des phénomènes et observer leur dynamique et les interactions spatiales qui y ont lieu. L'objectif global de cette thèse est de proposer une approche de raisonnement spatial décentralisée à base de sémantique et de logique floue pour la représentation et les calculs spatiaux relatifs aux phénomènes de forme vague à partir des données du réseau de capteurs. Pour atteindre cet objectif, les objectifs spécifiques suivants ont été considérés : 1) assurer l'extraction d'objets spatiaux de type fuzzy-crisp composés d'un noyau et d'une partie conjecture, représentant les phénomènes dont les limites ne sont pas franches, à partir des données de réseaux de capteurs, 2) assurer le raisonnement et la modélisation de la dynamique d'un phénomène de forme spatiale floue décrit par des flux de données de réseau de capteurs à travers la détection décentralisée des frontières spatiotemporelles et de leur évolution ; et enfin 3) développer une approche de calcul, de modélisation et d'analyse des relations topologiques qui ont lieu entre phénomènes dont la géométrie est vague à partir d'observations au sein de réseaux de capteurs. Le développement d'une base de connaissances qui intègre la sémantique des données de capteurs, des domaines d'application, et d'objets spatiaux de type fuzzy-crisp représentant les phénomènes dont les limites sont vagues, constitue l'étape fondamentale garantissant un raisonnement sémantique décentralisé au sein des réseaux de capteurs. En plus des règles sémantiques découlant de cette base de connaissance, constituant le moteur de raisonnement des capteurs, l'usage des règles à base logique floue trivalente permet aux capteurs de statuer sur leur position relative aux frontières des phénomènes suivis et de construire leur géométrie. L'intégration de règles de raisonnement établies suivant le formalisme Event-Calculus permet aux capteurs d'inférer sur les changements affectant les limites du phénomène observé et de statuer sur sa dynamique spatiotemporelle. La détection simultanée de deux phénomènes par un capteur, peut être utilisée comme indice d'intersection de l'étendue des deux phénomènes dans la position dudit capteur. L'usage d'un modèle d'intersection intégrant les cinq parties topologiques comprenant le noyau, la conjecture et la zone extérieure et leurs frontières des objets spatiaux de type fuzzy-crisp a permis de caractériser efficacement les 44 cas de relations topologiques qui peuvent avoir lieu entre deux objets spatiaux simples de type fuzzy-crisp. Le développement de prototypes implémentés à l'aide du logiciel Netlogo pour différentes études de cas présentant des scénarios d'applications, ont été utilisées pour illustrer et évaluer la validité des approches proposées. Cette évaluation a présenté des résultats satisfaisants tant pour la modélisation de phénomènes de forme vague (représentation spatiale de pollution sonore lors du passage d'un train en zone urbaine), que pour l'analyse de la dynamique des phénomènes (évolution d'un feu de brousse) et des relations spatiales floues (relations topologiques entre un feu de brousse et une aire forestière) décrites par les données collectées par des réseaux de capteurs. / Sensor data streams are nowadays a fundamental mechanism providing information and decision systems with observational data on the phenomena of interest. These sensor data streams are widely used in many applications such as intrusion monitoring, manufacturing, disaster response, radioactive accidents, air quality monitoring, among others. Real time or near-instantaneous modelling and computation of spatiotemporal information on such dynamic environmental phenomena is necessary for a better understanding of the phenomena and more efficient decision-making. Most modelling approaches for continuous phenomena are developed assuming that the boundaries of such phenomena are sharp, whereas many environmental phenomena such as dust, noise or gas pollution or forest fires have vague spatial boundaries. Also, it is usually not possible to directly detect the boundaries of the monitored phenomena from the sensor measurements, because the sensors are either randomly scattered over the monitored area or follow a particular pattern whose location rarely coincides with the limits of the monitored phenomena. The small spatial range of observations made by sensors amplifies the level of spatial inaccuracy that characterizes data from sensor networks. Therefore, a collaboration free from any semantic ambiguity is required between sensors connected within the network in order to infer knowledge describing the geometry of phenomena, and possibly aggregate them for better decision-making. In a context of decentralized spatial reasoning within sensor networks, ensuring transparent collaboration between sensors, which may be heterogeneous, would make it possible to resolve this double level of spatial imprecision presented by sensor network data, in order to produce a better representation of observed phenomena, their dynamics and the spatial interactions that take place there. The overall objective of this thesis is to propose a decentralized spatial reasoning approach based on semantics and fuzzy logic for spatial modelling and calculations related to waveform phenomena from sensor network data. To achieve this objective, the following specific objectives were considered: 1) ensure the extraction of space objects of fuzzy-crisp type composed of a nucleus and a conjecture part, representing the phenomena whose limits are not clear , from sensor network data, 2) modeling and reasoning about the dynamics of vague shape continuous phenomena described by sensor network data streams in a decentralized spatial Computing approach, from detected spatiotemporal boundaries and their evolution, 3) develop an approach for computing, modelling and analyzing the topological relationships that take place between phenomena whose geometry is vague from observations within sensor networks. The development of a knowledge base which includes the semantics of sensor data, application domains, and that of fuzzy-crisp spatial model representing phenomena with vague boundaries, is a fundamental step to ensure seamless collaboration among sensors for decentralized semantic reasoning in sensor networks. In addition to the semantic rules derived from built knowledge base, sensors reasoning engine uses trivalent fuzzy logic rules to infer on their relative position as border nodes to monitored phenomena and to build their geometry. The integration of reasoning rules established on the basis of the Event-Calculus formalism enables sensors to infer on the changes affecting the boundaries of the observed phenomenon and also on its spatiotemporal dynamics. The simultaneous detection of two phenomena by a sensor can be used as an index of the intersection of the extent of the two phenomena at the position of the sensor. The use of an intersection model integrating the five topological parts including the core, the conjecture and the outer zone and their boundaries of the fuzzy-crisp spatial objects allowed to efficiently characterize the 44 cases of topological relations that can take place between two simple fussy-crisp spatial objects. The development of prototypes implemented with the Netlogo software which is a multi-agent system was used for different case studies of application scenario, in order to illustrate and evaluate the validity of the proposed solutions. This evaluation presented satisfactory results both for the modelling of vague phenomena (spatial representation of noise pollution around the railway in an urban area), and for the analysis of the dynamics of the phenomena from sensor network data (evolution of a bushfire) and of the fuzzy topological relations (topological relations between a bushfire and a forest area) described by the data collected sensor networks.