Le but de la présente thèse est d'étudier la dynamique des réseaux de ferrites Bi1-xAxFeO3(A= Sr, Ca) et de manganites La1-хСахМnОЗ et Pr1-хCaхMnO3. Dans ces systèmes les paramètres d'ordres électrique et magnétique sont en compétition. Afin d'identifier les mécanismes microscopiques de l'ordre magnétique et électrique dans ces systèmes, une étude de diffraction des rayons X a été menée pour mettre en évidence l'effet de la substitution aliovalente sur les changements de la structure. L'évolution de la symétrie cristalline dépend non seulement de la concentration de l'élément de substitution, mais aussi de sa nature (Sr ou Ca). Les spectroscopies Raman, infrarouge, Mössbauer et XPS ont été utilisées comme des techniques appropriées pour étudier les excitations de réseau dans les systèmes étudiés où les ordres polaires et magnétiques devraient coexister. Afin de mieux comprendre les effets de contrainte et de taille sur les mécanismes microscopiques de l'ordre magnétique et électrique dans la même phase, des films épitaxiés de certaines phases sélectionnées ont été élaborés par la technique d'ablation laser pulsé sur des substrats de SrTiO3 (STO), MgO et MgO tamponné par STO. Nos résultats confirment la coexistence de l'état antiferromagnétique de charge-ordonné et de phases ferromagnétiques métalliques avec la compétition entre les interactions de super échange et de double échange. Dans ce travail, les conditions de coexistence des structures magnétiques et électriques se sont avérées dépendre des substitutions de cations ainsi que de la méthode de synthèse des échantillons sous forme céramique ou films minces / The aim of the present thesis is to study the lattice dynamics of ferrites Bi1-xAxFeO3 (A= Sr, Ca) and manganites La1-хСахМnОЗ and Pr1-хCaхMnO3 systems subject of competitive electric and magnetic order parameters. To identify the microscopic mechanisms of both magnetic and electric ordering in these systems, usual x-ray diffraction study has been conducted to highlight the effect of aliovalent substitution on the structural changes. The evolution of crystal symmetry was found to depend not only to the concentration of substituting element but also to its nature (Sr or Ca). Raman and infrared and of sub-THz, Mössbauer, and XPS were used as appropriate spectroscopic techniques for studying the lattice excitations in the studied systems where polar and magnetic orders expected to coexist. In order to shed more light on strain- and size effects on the microscopic mechanisms of both magnetic and electric ordering in the same phase, epitaxial films of some selected phase were grown by pulse laser deposition on SrTiO3(STO), MgO, and MgO buffered STO substrates. Our results confirm the coexistence of charge–ordered antiferromagnetic state and ferromagnetic metallic phases with the competition between super-exchange and double-exchange interactions. In this work, the conditions of coexistence of magnetic and electric structures were found to depend on the cation substitutions as well as on the method of sample elaboration either in ceramics or in thin films forms

L'évolution du stockage d'énergie permet de développer des méthodes innovantes de gestion de l'énergie à une échelle locale. Les micro réseaux électriques sont une forme émergente de petits réseaux électriques munis de production locale, de stockage d'énergie et en particulier d'un système de gestion de l'énergie (EMS pour Energy Management System). De nombreuses études et recherches scientifiques ont été menées pour proposer diverses stratégies d'implémentation de ces EMS. Néanmoins il n'existe pas à ce jour d'articulation claire et formelle de ces méthodes permettant leur comparaison. L'une des principales difficultés pour les EMS, est la gestion des dynamiques des différents systèmes énergétiques. Les variations de courant vont à la vitesse de l'électron, la production d'énergie solaire photovoltaïque varie au gré des nuages et différentes technologies de stockages peuvent réagir plus ou moins vites à ces phénomènes imprévisibles. Nous étudions dans ce manuscrit, un formalisme mathématique et des algorithmes basés sur la théorie de l'optimisation stochastique multi-étapes et la Programmation Dynamique. Ce formalisme permet de modéliser et de résoudre des problèmes de décisions inter-temporelles en présence d'incertitudes, à l'aide de méthodes de décomposition temporelle que nous appliquons à des problèmes de gestion de l'énergie. Dans la première partie de cette thèse, "Contributions à la décomposition temporelle en optimisation stochastique multi-étapes", nous présentons le formalisme général que nous utilisons pour décomposer en temps les problèmes d'optimisation stochastique avec un grand nombre de pas de temps. Nous classifions ensuite différentes méthodes de contrôle optimal au sein de ce formalisme. Dans la seconde partie, "Optimisation stochastique de stockage d'énergie pour la gestion des micro réseaux", nous comparons différentes méthodes, introduites dans la première partie, sur des cas réels. Dans un premier temps, nous contrôlons une batterie ainsi que des ventilations dans une station de métro récupérant de l'énergie de freinage des trains, en comparant quatre algorithmes différents. Dans un second temps, nous montrons comment ces algorithmes pourraient être implémentés sur un système réel à l'aide d'une architecture de contrôle hiérarchique de micro réseaux électrique en courant continu. Le micro réseaux étudié connecte cette fois ci de l'énergie photovoltaïque à une batterie, une super-capacité et à une charge électrique. Enfin nous appliquons le formalisme de décomposition par blocs temporels présenté dans la première partie pour traiter un problème de gestion de charge de batterie mais aussi de son vieillissement long terme. Ce dernier chapitre introduit 2 algorithmes basés sur la décomposition par blocs temporels qui pourraient être utilisés pour le contrôle hiérarchique de micro réseaux ou les problèmes d'optimisation stochastique présentant un grand nombre de pas de temps. Dans la troisième et dernière partie, "Logiciels et expériences", nous présentons DynOpt.jl un paquet développé en langage Julia qui a permis de développer toutes les applications de cette thèse et bien d'autres. Nous étudions enfin l'utilisation de ce paquet dans un cas de pilotage réel de système énergétique : la gestion intelligente de la température dans une maison de l'équipement Sense City / The development of energy storage paves the way to innovative methods to manage energy at a local scale. Micro grids are a novel kind of electrical grids with local production (renewable and waste energy), local demand, local storage and an Energy Management System (EMS). A wide literature already studies EMS implementations in micro grids but the produced methods are not exhaustively framed and compared. One of the main difficulty in micro grids energy management is to handle the different dynamics of electrical devices. Current variations are lighting fast, solar power changes quickly, different kind of storage react at different paces and batteries ageing is a slow process. We studya mathematical framework and algorithms, based on multistage stochastic optimization theory and Dynamic Programming, to model and solve energy management problems in micro grids with time decomposition methods. In the first part of this thesis, Contributions to time decomposition in multistage stochastic optimization, we present a general framework to decompose temporally large scale stochastic optimization problems into smaller subproblems. We then classify multiple existing resolution methods inside this framework. In the second part, Stochastic optimization of energy storage for management of micro grids, we compare different methods presented in the first part on realistic applications. First we control a battery and a ventilation in a subway station recovering subways braking energy with four different algorithms. Then we present how these results could be implemented on a real micro grid. We implement a fast online control method to stabilize the voltage in a simulated islanded DC micro grid connecting solar panels, an electrical load and two sorts of energy storage: a battery and a supercapacitor. Finally we apply our time decomposition framework to a problem of long term aging and energy management of a storage in a micro grid. This last chapter introduces a framework to model time decomposition of micro grids hierarchical control architectures, as well as two algorithms to solve temporally large scale stochastic optimization problems.In the third part, Softwares and experimentations, we present DynOpt.jl, a Julia language package developed to produce all the results of this thesis and more. Then we study an application of this software to the control of a real test bed: the energy aware temperature regulation of a real house in the equipment named "Sense City"

La propagation au sein d'un réseau est un sujet d'étude pour de nombreux domaines scientifiques. Épidémies, marketing viral ou propagation d'information au sein d'un réseau social sont autant de phénomènes réels modélisés par l'évolution d'une caractéristique se propageant à travers un réseau de proche en proche. Ainsi, être capable d'agir sur ces phénomènes de diffusion est un enjeu capital dans de nombreux domaines. Malgré l'abondance de la littérature à ce sujet sur le plan théorique, et notamment la détermination d'un seuil épidémique au dessous duquel la propagation se résorbe, un certain nombre de limitations réduisent l'impact pratique de ces travaux. Dans cette thèse, nous avons travaillé à réduire la distance séparant pratique et théorie, et ce suivant trois axes: la généralisation de résultats théoriques à une classe plus large et réaliste de modèles de propagation, le développement de méthodes de contrôle dynamique efficaces utilisant de manière judicieuse la structure du réseau, et enfin la définition de nouveaux outils mathématiques faisant le lien entre méthodes spatiales et de réseau en épidémiologie. Plus particulièrement, nos travaux permettent l'analyse rigoureuse du comportement des caractéristiques d'un réseau lorsque celui-ci se rapproche, au niveau de sa structure, d'un espace métrique donné, et pourrait permettre l'application de méthodes de contrôle sur réseau à des données spatiales et macroscopiques (notamment à l'aide de données démographiques et de transport) du réseau de contact au sein d'une population. / The propagation of a characteristic through a network is the subject of study of many scientific fields. Epidemics, viral marketing or information propagation through a social network are among the many examples of real phenomena modeled by the evolution of a characteristic propagating through the edges of a network. Thus, being capable of acting on these diffusion processes is of capital interest for many fields. Despite the large literature about the theoretical aspects of diffusion processes, and more specifically the discovery of an epidemic threshold under which the propagation is not sustainable, a number of practical limitations prevent the use of these studies in real-life scenarios. In this thesis, we work on reducing the distance separating theory from practice, following three distinct research directions: the generalization of theoretical results to a larger, and more realistic, class of diffusion models, the development of efficient dynamic control measures utilizing the structure of network to its advantage, and, finally, the definition of new mathematical tools bridging the gap between spatial and network approaches in epidemiology. More specifically, our work allows the rigorous analysis of the behavior of a network's characteristics when it converges, in a structural sense, to a given metric space, and could open the way to the application of control strategies on networks to spatial and macroscopic information (e.g. transportation or demographic data) about the contact network in a given population.

Tableau d’honneur de la Faculté des études supérieures et postdoctorales, 2010-2011 / Les enképhalines sont une famille de neuropeptides, appartenant à la grande famille des endorphines. Celles-ci furent impliquées dès leurs découvertes dans les réponses physiologiques et comportementales associées à un stress. Les circuits neuronaux enképhalinergiques impliqués dans le stress et l'anxiété demeurent en grande partie méconnus. Cette thèse a pour objectif principal de disséquer ces circuits aux niveaux neuroanatomique et fonctionnel, en mettant l'emphase sur trois structures impliquées dans la réponse de stress et l'anxiété: le complexe amygdalien, les noyaux du lit de la strie terminale (BST), ainsi que le noyau accumbens. Nous avons tout d'abord examiné les afférences enképhalinergiques du complexe amygdalien pour rapporter que ces afférences sont à la fois d'origine intrinsèque (divers noyaux du complexe amygdalien) et extrinsèque (BST, le noyau parabrachial, le noyau ventromedial de l'hypothalamus). Dans l'optique de pouvoir modéliser les circuits enképhalinergiques du complexe amygdalien, nous avons caractérisé le phénotype neurochimique des neurones du complexe amygdalien et du BST. Nous avons précisément décrit la distribution des neurotransmetteurs GABA et glutamate dans ces structures, pour ensuite évaluer la coexpression des enképhalines avec ces neurotransmetteurs. Nous rapportons que les enképhalines sont exprimées par les neurones GABAergiques dans certains noyaux du complexe amygdalien (e.g., le noyau central) et du BST, alors qu'elles sont exprimées uniquement par les neurones glutamatergiques dans d'autres noyaux (e.g., le noyau basolatéral). Ces résultats démontrent l'hétérogénéité neuroanatomique du complexe amygdalien, et permettent également d'émettre des hypothèses précises quant à la circuiterie enképhalinergique impliquée dans la peur et l'anxiété. Dans le but d'étudier le rôle fonctionnel des enképhalines exprimées dans le noyau central de l'amygdale, nous avons injecté localement un vecteur lentiviral induisant une baisse d'expression des enképhalines par la voie d'interférence à l'ARN et soumis les animaux à de multiples tests comportementaux mesurant la peur et l'anxiété. Ces expériences ont démontré qu'une diminution de l'expression des enképhalines dans l'amygdale centrale modulait les niveaux de la peur et de l'anxiété. Pour terminer, nous avons étudié l'expression des enképhalines lors d'une exposition à un stress chronique, et nous avons observé une diminution de l'expression des enképhalines au niveau du noyau accumbens, précisément chez les animaux anhédoniques. Une diminution de l'expression du facteur de transcription [delta]FosB est également observée chez ces animaux. Ce facteur de transcription, tout comme les enképhalines, semble promouvoir la resilience lorsqu'exprimé au niveau du noyau accumbens.

Titre de l'écran-titre (visionné le 8 mai 2023) / Les algorithmes d'apprentissage automatiques basés sur les réseaux de neurones sont reconnus pour leurs performances sur des tâches de classification d'images. Cependant, ces algorithmes peuvent être induits en erreur par de faibles perturbations ajoutées aux images, générés avec des attaques adverses. Plusieurs mécanismes de défense basés sur des ensembles de réseaux de neurones et des principes de diversité ont été proposés. Ils sont basés sur l'hypothèse qu'il est plus difficile d'attaquer un ensemble de plusieurs réseaux diversifiés plutôt qu'un seul réseau. Toutefois, l'efficacité de ces défenses reste à ce jour contestée. L'objectif de ce mémoire est de mieux comprendre l'impact de la diversité sur la robustesse des ensembles, afin de déterminer si les mécanismes de défense basés sur les ensembles sont efficaces. Pour ce faire, les ensembles avec codes à correction d'erreur sont premièrement revisités en proposant des modifications architecturales et en évaluant, pour différentes architectures, leur diversité et leur robustesse contre plusieurs attaques adverses. Ensuite, les ensembles de réseaux contrastifs adverses sont proposés comme nouveau mécanisme de défense. Ce mécanisme est basé sur une nouvelle méthode utilisant des notions d'apprentissage contrastif afin de diversifier les réseaux d'un ensemble directement à partir de leurs cartes de caractéristiques, pour que les réseaux utilisent des caractéristiques différentes pour classifier les images de même classe. Les résultats obtenus démontrent que la méthode de diversification proposée fonctionne, et qu'elle peut avoir un impact positif sur la robustesse des ensembles. Les résultats démontrent aussi que la diversité et la robustesse des ensembles avec codes à correction d'erreur peuvent être favorisées avec l'utilisation de réseaux indépendants. Finalement, les résultats suggèrent que les défenses par ensembles sont efficaces seulement contre certaines attaques adverses, mais qu'elles peuvent être combinées facilement avec des méthodes d'entraînement adverse afin de résister à la plupart des attaques. / Neural networks in machine learning are known for achieving great performances on image classification tasks. Nevertheless, they can be vulnerable to small perturbations added to the input images. Such perturbations are generated with adversarial attacks, and they can cause significant drops in classification accuracy. Many adversarial defenses based on neural network ensembles and diversity promoting techniques have been proposed. They are based on the intuition that it is more challenging to fool an ensemble of diverse networks as opposed to a single network. However, the effectiveness of such defenses remains unclear. The goal for this thesis is to study the impact of ensemble diversity on robustness to determine if ensemble-based defenses can be considered effective against adversarial attacks. Error-Correcting Output Codes ensembles are first investigated through architectural improvements and diversity promotion. A comprehensive robustness assessment is performed to compare different architectures and to investigate the relationship between ensemble diversity and robustness. Next, adversarial contrastive networks ensembles are proposed as a new ensemble-based adversarial defense. This defense uses contrastive learning to diversify the features learned by the neural networks in an ensemble directly from their feature maps. The goal is to make the networks use different features to classify images from similar classes. The results obtained from the experiments demonstrate that it is possible to diversify neural networks in an ensemble directly from their feature maps with the proposed method and that such diversification can have a positive effect on robustness. Furthermore, the results obtained for Error-Correcting Output Codes ensembles demonstrate that the use of fully independent networks can promote ensemble diversity and robustness against strong attacks. Finally, the observed results suggest that ensemble-based defenses are effective only against some attacks, but they can be combined effectively with adversarial training to achieve better robustness against strong attacks.

Les réseaux de neurones profonds ont démontré un fort impact dans de nombreuses applications du monde réel et ont atteint des performances prometteuses dans plusieurs domaines de recherche. Cependant, ces gains empiriques sont généralement difficiles à déployer dans les scénarios du monde réel, car ils nécessitent des données étiquetées massives. Pour des raisons de temps et de budget, la collecte d'un tel ensemble de données d'entraînement à grande échelle est irréaliste. Dans cette thèse, l'objectif est d'utiliser le distribution matching pour développer de nouvelles approches d'apprentissage profond pour la prédiction de peu de données étiquetées. En particulier, nous nous concentrons sur les problèmes d'apprentissage multi-tâches, d'apprentissage actif et d'adaptation au domaine, qui sont les scénarios typiques de l'apprentissage à partir de données étiquetées limitées. La première contribution consiste à développer l'approche principale de l'apprentissage multi-tâches. Concrètement, on propose un point de vue théorique pour comprendre le rôle de la similarité entre les tâches. Basé sur les résultats théoriques, nous re-examinons l'algorithme du Adversarial Multi-Task Neural Network, et proposons un algorithme itératif pour estimer le coefficient des relations entre les tâches et les paramètres du réseaux de neurones. La deuxième contribution consiste à proposer une méthode unifiée pour les requêtes et les entraînements dans l'apprentissage actif profond par lots. Concrètement, nous modélisons la procédure interactive de l'apprentissage actif comme le distribution matching. Nous avons ensuite dérivé une nouvelle perte d'entraînement, qui se décompose en deux parties : l'optimisation des paramètres du réseaux de neurones et la sélection des requêtes par lots. En outre, la perte d'entraînement du réseau profond est formulée comme un problème d'optimisation min-max en utilisant les informations des données non étiquetées. La sélection de lots de requêtes proposée indique également un compromis explicite entre incertitude et diversité. La troisième contribution vise à montrer l'incohérence entre le domain adversarial training et sa correspondance théorique supposée, basée sur la H-divergence. Concrètement, nous découvrons que la H-divergence n'est pas équivalente à la divergence de Jensen-Shannon, l'objectif d'optimisation dans les entraînements adversaires de domaine. Pour cela, nous établissons un nouveau modèle théorique en prouvant explicitement les bornes supérieures et inférieures du risque de la cible, basées sur la divergence de Jensen-Shannon. Notre framework présente des flexibilités inhérentes pour différents problèmes d'apprentissage par transfert. D'un point de vue algorithmique, notre théorie fournit une guidance de l'alignement conditionnel sémantique, de l'alignement de la distribution marginale et de la correction du label-shift marginal. La quatrième contribution consiste à développer de nouvelles approches pour agréger des domaines de sources avec des distributions d'étiquettes différentes, où la plupart des approches récentes de sélection de sources échouent. L'algorithme que nous proposons diffère des approches précédentes sur deux points essentiels : le modèle agrège plusieurs sources principalement par la similarité de la distribution conditionnelle plutôt que par la distribution marginale ; le modèle propose un cadre unifié pour sélectionner les sources pertinentes pour trois scénarios populaires, l'adaptation de domaine avec une étiquette limitée sur le domaine cible, l'adaptation de domaine non supervisée et l'adaptation de domaine non supervisée partielle par étiquette. / Deep neural networks have demonstrated a strong impact on a wide range of tasks and achieved promising performances. However, these empirical gains are generally difficult to deploy in real-world scenarios, because they require large-scale hand-labeled datasets. Due to the time and cost budget, collecting such large-scale training sets is usually infeasible in practice. In this thesis, we develop novel approaches through distribution matching to learn limited labeled data. Specifically, we focus on the problems of multi-task learning, active learning, and domain adaptation, which are the typical scenarios in learning from limited labeled data. The first contribution is to develop a principled approach in multi-task learning. Specifically, we propose a theoretical viewpoint to understand the importance of task similarity in multi-task learning. Then we revisit the adversarial multi-task neural network and propose an iterative algorithm to estimate the task relation coefficient and neural-network parameters. The second contribution is to propose a unified and principled method for both querying and training in deep batch active learning. We model the interactive procedure as distribution matching. Then we derive a new principled approach in optimizing neural network parameters and batch query selection. The loss for neural network training is formulated as a min-max optimization through leveraging the unlabeled data. The query loss indicates an explicit uncertainty-diversity trade-off batch-selection. The third contribution aims at revealing the incoherence between the widely-adopted empirical domain adversarial training and its generally assumed theoretical counterpart based on H-divergence. Concretely, we find that H-divergence is not equivalent to Jensen-Shannon divergence, the optimization objective in domain adversarial training. To this end, we establish a new theoretical framework by directly proving the upper and lower target risk bounds based on the Jensen-Shannon divergence. Our framework exhibits flexibilities for different transfer learning problems. Besides, our theory enables a unified guideline in conditional matching, feature marginal matching, and label marginal shift correction. The fourth contribution is to design novel approaches for aggregating source domains with different label distributions, where most existing source selection approaches fail. Our proposed algorithm differs from previous approaches in two key ways: the model aggregates multiple sources mainly through the similarity of conditional distribution rather than marginal distribution; the model proposes a unified framework to select relevant sources for three popular scenarios, i.e., domain adaptation with limited label on the target domain, unsupervised domain adaptation and labels partial unsupervised domain adaption.

Dans ce mémoire, nous proposons une méthodologie qui permet de détecter des anomalies parmi un ensemble de données complexes, plus particulièrement des images. Pour y arriver, nous utilisons un type spécifique de réseau de neurones, soit un autoencodeur variationnel (VAE). Cette approche non-supervisée d'apprentissage profond nous permet d'obtenir une représentation plus simple de nos données sur laquelle nous appliquerons une mesure de distance de Kullback-Leibler nous permettant de discriminer les anomalies des observations "normales". Pour déterminer si une image nous apparaît comme "anormale", notre approche se base sur une proportion d'observations à filtrer, ce qui est plus simple et intuitif à établir qu'un seuil sur la valeur même de la distance. En utilisant notre méthodologie sur des images réelles, nous avons démontré que nous pouvons obtenir des performances de détection d'anomalies supérieures en termes d'aire sous la courbe ROC, de précision et de rappel par rapport à d'autres approches non-supervisées. De plus, nous avons montré que la simplicité de l'approche par niveau de filtration permet d'adapter facilement la méthode à des jeux de données ayant différents niveaux de contamination d'anomalies. / In this master's thesis, we propose a methodology that aims to detect anomalies among complex data, such as images. In order to do that, we use a specific type of neural network called the varitionnal autoencoder (VAE). This non-supervised deep learning approach allows us to obtain a simple representation of our data on which we then use the Kullback-Leibler distance to discriminate between anomalies and "normal" observations. To determine if an image should be considered "abnormal", our approach is based on a proportion of observations to be filtered, which is easier and more intuitive to establish than applying a threshold based on the value of a distance metric. By using our methodology on real complex images, we can obtain superior anomaly detection performances in terms of area under the ROC curve (AUC),precision and recall compared to other non-supervised methods. Moreover, we demonstrate that the simplicity of our filtration level allows us to easily adapt the method to datasets having different levels of anomaly contamination.

Tableau d'honneur de la Faculté des études supérieures et postdoctorales, 2018-2019 / Les objets d’études de la science moderne sont souvent complexes : sociétés, pandémies, grilles électriques, niches écologiques, etc. La science des réseaux cherche à mieux com- prendre ces systèmes en examinant leur structure. Elle fait abstraction du détail, en rédui- sant tout système à une simple collection de noeuds (les éléments constitutifs du système) connectés par des liens (interactions). Fort d’une vingtaine d’années de recherche, on peut constater que cette approche a mené à de grands succès scientifiques. Cette thèse est consacrée à l’intersection entre la science des réseaux et l’inférence statistique. On y traite de deux problèmes d’inférence classiques : estimation et test d’hypothèses. La partie principale de la thèse est dédiée à l’estimation. Dans un premier temps, on étu- die un modèle génératif bien connu (le modèle stochastique par blocs), développé dans le but d’identifier les régularités de la structure des réseaux complexes. Les contributions origi- nales de cette partie sont (a) l’unification de la grande majorité des méthodes de détection de régularités sous l’égide du modèle par blocs, et (b) une analyse en taille finie de la cohérence de ce modèle. La combinaison de ces analyses place l’ensemble des méthodes de détection de régularités sur des bases statistiques solides. Dans un deuxième temps, on se penche sur le problème de la reconstruction du passé d’un réseau, à partir d’une seule observation. À nouveau, on l’aborde à l’aide de modèles génératifs, le transformant ainsi en un problème d’estimation. Les résultats principaux de cette partie sont des méthodes algorithmiques per- mettant de solutionner la reconstruction efficacement, et l’identification d’une transition de phase dans la qualité de la reconstruction, lorsque le niveau d’inégalité des réseaux étudiés est varié. On se penche finalement sur un traitement par test d’hypothèses des systèmes complexes. Cette partie, plus succincte, est présentée dans un langage mathématique plus général que celui des réseaux, soit celui des complexes simpliciaux. On obtient un modèle aléatoire pour complexe simplicial, ainsi qu’un algorithme d’échantillonnage efficace pour ce modèle. On termine en montrant qu’on peut utiliser ces outils pour tester des hypothèses sur la structure des systèmes complexes réels, via une propriété inaccessible dans la représentation réseau (les groupes d’homologie des complexes). / Modern science is often concerned with complex objects of inquiry: intricate webs of social interactions, pandemics, power grids, ecological niches under climatological pressure, etc. When the goal is to gain insights into the function and mechanism of these complex systems, a possible approach is to map their structure using a collection of nodes (the parts of the systems) connected by edges (their interactions). The resulting complex networks capture the structural essence of these systems. Years of successes show that the network abstraction often suffices to understand a plethora of complex phenomena. It can be argued that a principled and rigorous approach to data analysis is chief among the challenges faced by network science today. With this in mind, the goal of this thesis is to tackle a number of important problems at the intersection of network science and statistical inference, of two types: The problems of estimations and the testing of hypotheses. Most of the thesis is devoted to estimation problems. We begin with a thorough analysis of a well-known generative model (the stochastic block model), introduced 40 years ago to identify patterns and regularities in the structure of real networks. The main original con- tributions of this part are (a) the unification of the majority of known regularity detection methods under the stochastic block model, and (b) a thorough characterization of its con- sistency in the finite-size regime. Together, these two contributions put regularity detection methods on firmer statistical foundations. We then turn to a completely different estimation problem: The reconstruction of the past of complex networks, from a single snapshot. The unifying theme is our statistical treatment of this problem, again based on generative model- ing. Our major results are: the inference framework itself; an efficient history reconstruction method; and the discovery of a phase transition in the recoverability of history, driven by inequalities (the more unequal, the harder the reconstruction problem). We conclude with a short section, where we investigate hypothesis testing in complex sys- tems. This epilogue is framed in the broader mathematical context of simplicial complexes, a natural generalization of complex networks. We obtain a random model for these objects, and the associated efficient sampling algorithm. We finish by showing how these tools can be used to test hypotheses about the structure of real systems, using their homology groups.

Pendant plusieurs années, la microscopie à fluorescence a été limitée par le phénomène de diffraction. Or, pour étudier des phénomènes dynamiques à l’intérieur des cellules, une résolution nanométrique est souvent nécessaire. Pour ce faire, une avancée importante pour la microscopie super-résolution fut l’invention du microscope à déplétion par émission stimulée(STED pour STimulated-Emission-Depletion) (Hell and Wichmann, 1994). Si la microscopieSTED permet d’atteindre la précision nanométrique, celle-ci consiste en une technique extrêmement sophistiquée et son utilisation requiert des connaissances avancées dans plusieurs domaines, par exemple, la physique, la chimie et la biologie. Dans le but de rendre le microscope plus accessible, Durand et al. (2018) tire profit des dernières avancées en intelligence artificielle pour automatiser le paramétrage du STED à l’aide d’une boucle d’optimisation. L’objectif visé est de produire des images avec la plus haute qualité tout en minimisant le photo blanchiment et le temps d’exposition. L’incapacité de mesurer la qualité des images et de choisir un compromis parmi les objectifs nécessite malheureusement toujours la présence d’un expert derrière le microscope. En automatisant l’évaluation de la qualité des images et la sélection de compromis, ce mémoire vise à montrer le potentiel des réseaux de neurones pour l’apprentissage de la préférence en sciences de la vie. / For many years, fluorescent microscopy has been limited by diffraction. However, to study dynamic phenomena inside cells, a nanometric resolution is often necessary. To cope with this problem, an important development for fluorescent microscopy was the invention ofSTimulated-Emission-Depletion microscopy (STED) (Hell and Wichmann, 1994). If STEDachieves nanometric microscopy, it is also an extremely sophisticated technique that requires advanced knowledge across a wide range of domains, e.g. physics, chemistry and biology. With the goal of democratising the microscope, Durand et al. (2018) use the last development in artificial intelligence to automate STED parameterization with an optimisation loop. The objective aimed is to produce high-quality images while minimising photo bleaching and exposition time. The inability of measuring image quality and of choosing between compromise among objectives still forces an expert to stay behind the microscope. By automating the assessment of image quality and the selection of compromise, this master thesis intends to demonstrate the potential of neural networks for preference learning in life science.

De nouvelles technologies comme le téléphone cellulaire ont révolutionné nos échanges comme jamais auparavant. Pour les utilisateurs, ces nouveaux canaux de communication représentent un contexte informel propice à l'exploration d'une forme récente d'écriture qui s'éloigne considérablement de la norme académique : le langage SMS. Devant l'ascension de cette forme d'expression, différentes méthodes ont été testées par le passé pour tenter de normaliser l'écrit SMS, c'est-à-dire le convertir en un français normé en vue de l'appliquer à d'éventuelles tâches de traitement automatique du langage. Or, très rares sont les études réalisées en français qui adoptent les réseaux de neurones comme solution de normalisation. La présente étude vise donc à produire un logiciel prototype pour normaliser automatiquement le langage SMS, en se servant d'une architecture encodeur-décodeur constituée de réseaux de neurones à mémoire à long et à court terme (LSTM). L'architecture neuronale est entraînée et évaluée sur la base du corpus belge de Fairon et al. (2006), en testant le mot et le caractère comme unités de base. Au-delà du logiciel prototype, cette étude se veut surtout une occasion d'explorer les points forts et les points faibles d'une telle approche neuronale dans le cadre de la normalisation du langage SMS. Avec un score BLEU-4 encourageant -- compte tenu de la taille limitée du corpus -- de près de 0,5, le modèle à base de mots est supérieur à celui à base de caractères. Malgré tout, la méthode produit un nombre considérable d'erreurs que nous attribuons en grande partie à la taille modeste du corpus, mais aussi à la nature même des réseaux de neurones.