Les systèmes pair-à-pair sont l'outil de choix pour réaliser un système informatique autonome tout en assurant sa haute disponibilité au coût relativement faible. Ces systèmes sont toutefois complexes à concevoir et posent divers problèmes liés à la gestion de l'espace virtuel (overlay) crée. Nous nous concentrons principalement sur deux aspects de ces environnements : l'organisation des noeuds dans l'overlay dynamique et l'organisation des données dans ce dernier. Concernant l'organisation des noeuds dans l'overlay, nous proposons Power DHT, une nouvelle structure d'interconnexion et de routage. Partant de l'hétérogénéité observée dans les tables de hachage (DHTs) déployées, nous transformons dynamiquement la DHT vers une structure décentralisée, exhibant les propriétés d'un graphe sans échelle (distribution des degrés, faible diamètre). Nous exploitons les propriétés de cette nouvelle structure et implémentons à la fois le routage KBR (Key Based Routing), offrant un diamètre plus court à un coût de signalisation moindre, et le support de la diffusion efficace, réalisant ainsi des recherches floues. Quant à l'organisation des données dans l'espace virtuel, nous employons la réplication pour améliorer la disponibilité et l'accessibilité des objets de l'overlay potentiellement instable. Nous avons implémenté et évalué différentes méthodes de réplication. Nous choisissons d'intégrer à notre structure la réplication symétrique. A partir de ces résultats, nous avons conçu un mécanisme d'inondation efficace pour les systèmes P2P structurés. Ce mécanisme, évalué sur notre plate-forme, exploite la structure de la DHT et les propriétés de la réplication symétrique pour permettre les recherches floues dans les DHTs, tout en limitant le coût de signalisation.

Ce mémoire se focalise sur les systèmes de communication sans fil ayant plusieurs antennes en réception et en émission. D'abord, on étudie les performances de ces systèmes en se basant sur un schéma de multiplexage spatial en transmission et sur un détecteur ML en réception. On en déduit une bonne approximation de la probabilité d'erreur conditionnelle pour un canal quasi statique. Cette approximation est obtenue dans le cas où différentes modulations seraient appliquées sur les antennes de transmission et pour toute configuration de canal MIMO. Ensuite, on met en avant des techniques adaptatives pour les systèmes MIMO : modulation adaptative et sélection d'antennes. La première adapte les modulations en émission en fonction des conditions radio afin de maximiser l'efficacité spectrale tout en respectant une contrainte sur la probabilité d'erreur. Alors que la deuxième, sélectionne un sous ensemble d'antennes actives pour optimiser le critère de sélection (par exemple : maximiser la capacité, etc.) étant donnée une estimation de canal. Les deux techniques adaptatives ont besoin d'une métrique pour évaluer les performances du système MIMO. On propose donc un nouveau schéma de modulation adaptative et un nouvel algorithme de sélection d'antennes où l'approximation de la probabilité d'erreur obtenue précédemment est utilisée comme métrique. Finalement, on considère la quantification des canaux MIMO. Cette quantification, dans notre terminologie classification, permet de faire une partition de l'ensemble des canaux MIMO en des classes différentes, où chaque classe est identifiée par un représentant. Cette méthode peut être utilisée pour les techniques adaptatives afin de trouver le meilleur jeu de paramètre. Dans ce chapitre, on décrit l'algorithme de classification et on illustre son application pour les systèmes MIMO à boucle fermée comme le " beamforming ".

Les protéines associées aux membranes sont d'une importance cruciale pour la cellule. Cependant, en raison d'une plus grande difficulté de manipulation, les données biochimiques les concernant sont très lacunaires, notamment au point de vue de la formation de complexes entre ces protéines. L'objectif global de notre travail consiste à combler ces lacunes et à préciser les interactions entre protéines membranaires chez la levure Saccharomyces cerevisiae et plus précisément, entre les transporteurs. Nous avons commencé notre travail par l'étude d'un jeu de données d'interactions à grande échelle entre toutes les perméases détectées par une méthode de double hybride spécialement adaptée aux protéines insolubles (split ubiquitin). Premièrement, la qualité des données a été estimée en étudiant le comportement global des données et des témoins négatifs et positifs. Les données ont ensuite été standardisées et filtrées de façon à ne conserver que les plus significatives. Ces interactions ont ensuite été étudiées en les modélisant dans un réseau d'interactions que nous avons étudié par des techniques issues de la théorie des graphes. Après une évaluation systématique de différentes méthodes de clustering, nous avons notamment recherché au sein du réseau des groupes de protéines densément interconnectées et de fonctions similaires qui correspondraient éventuellement à des complexes protéiques. Les résultats révélés par l'étude du réseau expérimental se sont révélés assez décevants. En effet, même si nous avons pu retrouver certaines interactions déjà décrites, un bon nombre des interactions filtrées semblait n'avoir aucune réalité biologique et nous n'avons pu retrouver que très peu de modules de protéines de fonction semblable hautement inter-connectées. Parmi ceux-ci, il est apparu que les transporteurs d'acides aminés semblaient interagir entre eux. L'approche expérimentale n'ayant eu que peu de succès, nous l'avons contournée en utilisant des méthodes de génomique comparative d'inférence d'interactions fonctionnelles. Dans un premier temps, malgré une évaluation rigoureuse, l'étude des profils phylogénétiques (la prédiction d'interactions fonctionnelles en étudiant la corrééélation des profils de présence - absence des gènes dans un ensemble de génomes), n'a produit que des résultats mitigés car les perméases semblent très peu conservées dès lors que l'on considère d'autres organismes que les extit{Fungi}. Afin d'étudier la régulation des perméases, nous avons ensuite développé et appliqué une nouvelle méthode qui permet d'inférer un réseau de co-régulation génétique sur base de la similarité des empreintes phylogénétiques découvertes dans tous les gènes de levure. Cette méthode, qui n'utilise que les séquences génomiques pour l'inférence du réseau, a donné de très bons résultats, validés extit{in silico} et expérimentalement et son application à l'ensemble des perméases a permis de retrouver plusieurs régulations bien connues, d'en inférer de nouvelles et de proposer de nouvelles pistes de recherche. En parallèle à ce travail, nous avons développé et rendu accessible NeAT un ensemble d'outils informatique consacrés à l'analyse de réseaux biologiques.

Les réseaux optiques sont des structures créées par l'interférence de faisceaux lasers, qui permettent de piéger et d'ordonner les atomes froids. Ils sont devenus un système modèle pour divers domaines de la physique, car il est possible d'imiter d'autres systèmes en changeant la géométrie et les paramètres du réseau. Ces caractéristiques sont faciles à modifier expérimentalement, de sorte qu'il est possible d'obtenir des réseaux optiques conservatifs. Dans cette thèse, nous étudions la dynamique d'un atome piégé dans un réseau optique conservatif à 2D. Cette dynamique dépend des paramètres du réseau, et elle est souvent complexe. Cette thèse se situe donc à l'interface entre le domaine des atomes froids et celui de la dynamique non linéaire. L'étude de la dynamique dans le réseau optique nécessite d'abord un traitement dans la limite classique. Nous examinons premièrement les solutions des équations du mouvement obtenues par intégration numérique, pour les différentes configurations du système. Elles montrent une grande variété de régimes dynamiques possibles. Parmi ces régimes, on observe des phénomènes de synchronisation menant à un mouvement périodique accroché en fréquence. La synchronisation semble inhiber le chaos dans le système. Les principales solutions obtenues numériquement sont aussi étudiées analytiquement. Cette approche permet d'obtenir une description du mouvement pour les différents régimes dynamiques observés. Tous ces régimes sont faciles à reproduire expérimentalement et l'influence de la synchronisation sur l'apparition du chaos mérite d'être étudiée. D'autre part, cette analyse classique du système ouvre la voie à l'étude de sa limite quantique. / Optical lattices are structures created by the interference of laser beams, which make it possible to trap and arrange cold atoms. They have become a model system for several domains in physics, because it is possible to simulate other systems by changing the lattice geometry and its parameters. These characteristics are easy to modify experimentally. In particular, it is possible to obtain conservative optical lattices. In this thesis, we study the dynamics of an atom trapped in a 2D conservative optical lattice. The dynamics of the atom depends on the parameters of the lattice, and it is often complex. In consequence, this thesis is at the interface between the domains of cold atoms and non-linear dynamics. The study of the dynamics in the optical lattice needs to be done firstly in the classical limit. We examine in the first place the solutions to the movement equations obtained by numerical integration, for the different configurations of the system. They show a big variety of possible dynamical regimes. Amongst these regimes we find synchronization phenomena leading to a periodic movement locked in frequency. Synchronization seems to inhibit chaos in the system. The main solutions obtained numerically are also studied analytically. This approach allows us to obtain a description of the movement for the different dynamical regimes observed. All these regimes are easy to reproduce experimentally and the influence of synchronization on the existence of chaos needs to be studied. Additionally, this classical analysis serves as a basis for studying the system in the quantum limit.

Ce travail fait partie d'un grand projet pour la mise en œuvre d'un réseau urbain intelligent sur le Campus de la Cité Scientifique qui est équivalent à une petite ville d'environ 25000 habitants. Le réseau intelligent comprend (i) la mise en œuvre d’une instrumentation pour le suivi en temps réel et le contrôle du réseau de distribution d'eau et (ii) le développement d'un système expert basé sur l'expérience développée par l'industrie de l'eau ainsi que sur des recherches fondamentales et appliquées pour la gestion optimale des systèmes complexes. L'un des enjeux majeurs de ce système concerne la gestion de la demande en eau. Ce travail a porté sur cette question. Il comporte une synthèse bibliographique et l'analyse de la consommation d'eau du Campus Scientifique. Le travail est organisé en trois parties. La première partie présente une analyse bibliographique des recherches sur la demande d'eau, la localisation des fuites d’eau et le développement des réseaux intelligents dans le secteur de l’eau. Des études de cas sont présentées pour illustrer l'application des innovations dans des projets réels. La deuxième partie concerne la présentation du site du Campus, qui est utilisé dans ce travail de recherche. Ce site présente plusieurs avantages pour l'analyse de la demande en eau. Les bâtiments ont des usages variés: résidence, restauration, sport, administration, recherche, enseignement et enseignement / recherche. Le site est également équipé d'un système de télérelève (AMR). Les données de consommation sont disponibles pour les principaux bâtiments à différentes échelles de temps. La dernière partie présente une analyse de la consommation d'eau des principaux secteurs du campus, qui couvrent les différents usages des bâtiments. L'analyse est menée à différentes échelles de temps: mensuelle, hebdomadaire, journalière et horaire. Il débouche sur l'établissement de profils de consommation des principaux bâtiments, qui seront ensuite intégrés dans le système intelligent de gestion de l’eau. / This work is a part of a large project for the implementation of a smart water system in the Scientific Campus, which is equivalent to a small city with about 25 000 inhabitants. The smart water technology includes (i) the implementation of a real-time monitoring and control of the water distribution system and (ii) the development of an expert system based on the experience developed by the water industry as well as basic and applied researches for the optimal management of complex systems. One of the major issues in this system concerns the water demand management. This work concerned this issue. It included a literature survey and analysis of the water consumption in the Scientific Campus. The work includes three parts. The first part presents a literature analysis of researches ion the water demand, leakage localization and water smart grid. Case studies are presented for the illustration of the implementation of the latest technology and innovations in real projects. The second part concerns the presentation of the site of the Scientific Campus, which is used in this research work. This site presents several advantages for the analysis of the water demand. The buildings have varied usages: students’ residence, restaurant, sport, administration, research, teaching and teaching/research. The site is also equipped by an automatic metering reading (AMR). The consumption data is available for the main buildings at different time scales. The last part presents analysis of the water consumption of the main sectors of the Scientific Campus, which cover different buildings uses: research, teaching, administration, residence and catering. Analysis is conducted at different times scales: monthly, weekly, daily and hourly. It results in establishing consumption profile of the main buildings, which will then be integrated in the smart water system of the Campus.

La proportion de séquences protéiques dont la fonction est inconnue dans les bases de données publiques est encore très importante (42% de séquences dans UniProt sont étiquetées comme "hypothetical", "uncharacterized", "unknown" ou encore "putative"). D’autre part, de nombreuses d’activités enzymatiques (environ 30%) demeurent orphelines de séquences. L’identification de modules fonctionnels conservés dans le métabolisme est une piste pour améliorer l’annotation fonctionnelle des protéines par la découverte de nouvelles réactions enzymatiques et voies métaboliques. C’est dans ce contexte que s’inscrit mon travail de thèse qui propose une nouvelle représentation d’un réseau métabolique global où les réactions partageant le même type de transformation chimique sont regroupées en signatures moléculaires de réactions (RMS). La signature d’une réaction est la différence des descripteurs moléculaires de signatures stéréochimiques (Carbonell et al. 2013, http://molsig.sourceforge.net) des produits et des substrats qui interviennent dans celle-ci. Ces RMS sont calculées pour toutes les réactions présentes dans au moins une voie métabolique, bien équilibrées et dont substrats et les produits sont identifiés et possèdent une structure moléculaire. Les RMS permettent de classifier les réactions d’une façon automatique et expert-indépendante et ont une couverture plus importante de l’ensemble des réactions enzymatiques que la classification de la Commission Enzymatique (EC numbers).En partant d’un réseau orienté de réactions, les nœuds-réactions partageant la même RMS sont regroupés dans un seul nœud et les arêtes conservent la connectivité initiale entre les réactions. Plusieurs scores sont ensuite calculés pour chaque chemin dans le réseau de RMS dans le but d’évaluer la conservation des voies métaboliques connues et afin d’en découvrir des nouvelles. Le premier de ces scores, le scoreRea, est calculé en utilisant le nombre moyen de réactions par RMS, et représente la conservation chimique des chemins dans tout le métabolisme. Le deuxième, scoreProt, est basé sur le nombre de protéines associées à chaque RMS et reflète la conservation enzymatique du chemin au travers de l’arbre du vivant. Le score suivant, scoreTopo, est basé sur la centralité PageRank et illustre l’importance topologique d’un enchainement de RMS dans le réseau métabolique. La dernière métrique, le Pathway Conservation Index (PCI) est le nombre de chemins de réactions différents parmi les voies métaboliques connues regroupés dans un chemin de RMS et représente la conservation des transformations chimiques dans la partie connue du métabolisme. Les chemins de RMS les plus conservés sont ensuite identifiés pour comprendre le lien entre les différents types de conservation (chimique, enzymatique et topologique) et le type de processus des voies métaboliques (comme la biosynthèse ou la dégradation). Cette représentation du métabolisme possède un potentiel prédictif intéressant et peut être utilisée pour identifier les parties les plus conservées du métabolisme, ainsi que pour découvrir de nouveaux modules métaboliques. De plus, la combinaison des différents scores peut être utilisée pour prédire le rôle métabolique des nouvelles voies en utilisant des approches d’apprentissage artificiel. Associés aux données de contexte génomique comme les opérons, les chemins conservés de transformations chimiques seront un outil utile pour l’annotation fonctionnelle des gènes et de groupes de gènes de fonction inconnue. / The proportion of protein sequences of unknown function in public databases stills very important (42% of UniProt sequences are labelled as "hypothetical", "uncharacterized", "unknown" or "putative"). On the other hand, a number of enzyme activities (about 30%) remain orphan (i.e. there is any known sequence that is linked to this activity). Conserved functional modules identification in the metabolism is one of the possible ways to improve protein functional annotation, by discovering new enzyme reactions and new metabolic pathways. It is in this context that has been developed my PhD thesis, proposing a new representation of the global metabolic network, where reactions sharing the same chemical transformation type are grouped in reaction molecular signatures (RMS). A reaction signature is the difference of its products and substrates stereo signatures molecular descriptors involved in this reaction (Carbonell et al. 2013, http://molsig.sourceforge.net). These RMS are computed for all well balanced reactions involved in at least one metabolic pathway, for which all substrates and products are identified and have an available structure. RMS allow reaction classification in an automatic and expert-independent way and a greater coverage of all enzymatic reactions that the classification of the Enzyme Commission (EC numbers).Starting from a directed reaction network, reaction nodes sharing the same RMS are grouped in a single node, and edges conserve the initial connectivity between reactions. Several scores are then computed for each path in the RMS network in order to assess known metabolic pathways conservation and to discover new ones. The first score, scoreRea, is computed using the average reaction number by RMS and represents the chemical conservation of the path in the whole metabolism. The second one, scoreProt, is based on the protein number associated to each RMS and reflects the enzyme conservation of the path through the tree of life. The next score, scoreTopo, is based on the PageRank centrality and depicts the topological importance of an RMS sequence in the metabolic network. The last metric, the Pathway Conservation Index (PCI) is the number of different reaction paths among known metabolic pathways grouped in a same RMS path. It represents the conservation of chemical transformation sequences in the known part of the metabolism. Most conserved RMS paths are next identified in order to understand the linkage between different conservation types (chemical, enzymatic and topologic) and the biological processes type of metabolic pathways (like biosynthesis or degradation).This metabolism representation has an interesting predictive potential and can be used to identify most conserved parts of the metabolism and to discover new metabolic modules. Moreover, combination of different scores can be used to predict the metabolic role of new pathways using machine learning approaches. Conserved paths of chemical transformations associated to genomic context data will be a useful tool for functional annotation of genes and groups of genes of unknown function.

À l'ère de la biologie computationnelle, l'annotation fonctionnelle reste un défi central. Les méthodes d’annotation récentes reposent sur l’hypothèse d’association par culpabilité et s’appuient sur l’intégration de données pour la recherche de partenaires fonctionnels. Cependant, la majorité de ces méthodes souffrent de l’hétérogénéité des données et du manque de spécificité du contexte biologique ce qui expliquerait un taux élevé de faux positifs parmi les prédictions. Ce travail de thèse développe une approche intégrative de données moléculaires contrôlant leur hétérogénéité pour annoter des gènes d’Arabidopsis thaliana impliqués dans la réponse aux stress. Les contributions majeures de cette thèse sont: (1) l'annotation fonctionnelle de groupes de gènes coexprimés par l'intégration de données omiques (2) la construction d'un réseau de corégulation par une analyse transversale des groupes coexprimés qui renforce les liens fonctionnels entre les gènes. (3) le développement d’une méthode d’apprentissage supervisé pour l’inférence de fonction centrée sur les termes de la GO Slim en contrôlant le FDR. En identifiant une règle de décision par terme, cette méthode a permis de prédire la fonction de 47 gènes partiellement annotés ou orphelins. / In the era of computational biology, functional annotation remains a major challenge. Recent annotation methods are based on the guilt by association assumption and rely on data integration to identify functional partners. However, most of these methods suffer from data heterogeneity and a lack of biological context specificity which would probably explain the high rate of false positives among predictions. This thesis develops an approach of molecular data integration controlling their heterogeneity in order to annotate Arabidopsis thaliana genes involved in stress response. The major contributions of this thesis are: (1) functional annotation of groups of co-expressed genes by omics data integration (2) the construction of a coregulatory gene network through a cross-analysis of the coexpressed groups strengthening the functional links between genes (3) the development of a supervised learning method for the inference of gene function centered on the GO Slim terms with a control of the FDR. By identifying a decision rule by term, this method was used to predict the function of 47 orphan or partially annotated genes.

Les réseaux complexes sont un paradigme de plus en plus utilisé pour modéliser la structure des systèmes complexes. Les connexions neuronales ou la transmission de maladies entre différents humains sont des exemples typiques de ce genre de structure. L'un des défis de la science des réseaux est de fournir des outils permettant de les analyser, notamment par le développement de modèles aléatoires de réseaux. Ces modèles permettent de supposer un hasard sous-jacent dans la construction d'un ensemble de réseaux, tout en conservant certaines propriétés importantes. En comparant un réseau mesuré dans un système réel à ceux issus d'un ensemble généré à l'aide d'un modèle aléatoire, il est possible d'identifier des propriétés ne pouvant pas s'expliquer par le hasard et ainsi mettre en évidence la présence de processus de formation cachés. Ce projet de maîtrise vise à développer une famille de modèles aléatoires qui se base sur une propriété de centralité des nœuds nommée la décomposition en oignon. Des algorithmes sont développés afin d'échantillonner des réseaux issus de différents ensembles. On montre que ces algorithmes peuvent construire les échantillons sans aucun biais dans le cas où les contraintes sont conservées exactement, et que les échantillons construits sont représentatifs des ensembles dans le cas où les contraintes sont conservées en moyenne sur l'ensemble. Finalement, on compare les nouveaux ensembles développés avec des ensembles déjà existants afin d'obtenir une nouvelle intuition sur le rôle que joue l'organisation à moyenne échelle sur les propriétés des réseaux complexes réels. / Complex networks are recent tools with a growing popularity that are used to study the structure of complex systems. Examples of these structures are the connections between neurons or the transmission of diseases along social ties in a population, both represented as links between nodes. A major challenge in network science is to develop tools that allow to understand these complex structures. Among these tools is the use of random graph models, which allow us to build ensembles of networks that share a common property while also having an underlying randomness. By comparing a network obtained from real data to a random graph model, it is possible to identify certain properties that cannot be explained by randomness, thereby highlighting the existence of some hidden formation process. This project aims to develop a family of random graph models that are based on a centrality property called the Onion Decomposition. Algorithms to create representative samples of these models are proposed. We show that the algorithms build the sample with no bias in the case of exact constraints, or with the proper bias in the case where the constraints are kept on average. Finally, we compare the new ensembles to ensembles in the literature to obtain a better intuition on the role of meso-scale organization in real complex networks.

Titre de l'écran-titre (visionné le 7 août 2023) / Le réseau échelle est un élément important de la spectroscopie astronomique du fait de ses caractéristiques qui le différencient des autres réseaux de diffraction tels que sa plus grande résolution spectrale ainsi que sa plus grande dispersion angulaire. Le réseau échelle est donc très utilisé comme élément dispersif dans les spectromètres. De ce fait, il est important que le réseau soit construit avec assez de précision pour que ses performances atteignent celles attendues pour son utilisation. Mon projet porte sur le développement d'un banc de test qui permet de mesurer le pas d'un réseau afin de pouvoir s'assurer de la qualité de sa fabrication. Cette méthode utilise un interféromètre de Fizeau ainsi qu'une platine rotative. La platine rotative permet de trouver la position angulaire d'un ordre précis en configuration Littrow alors que l'interféromètre permet d'apporter des corrections dans les calculs qui permettent une plus grande précision. Ensuite, les données ont été traitées avec des méthodes de calculs à partir des mesures directes ou en passant par une optimisation qui permet d'obtenir des résultats plus précis. Ces méthodes de traitement des données se sont avérées efficaces pour calculer le pas du réseau, quoique celles avec optimisation le sont nettement plus que la méthode directe. Enfin, les corrections obtenues avec l'interféromètre ont eu peu d'impact, sauf pour la correction de l'échelle dans son axe de dispersion. / The echelle diffraction grating is a crucial component in astronomical spectroscopy because of its characteristics that differenciate it from other diffraction gratings like its greater spectral resolution and its greater angular dispersion. Echelle grating are often used as the dispersive element in spectrometers. Therefore, making sure the echelle grating's fabrication was with enough precision is important for the echelle to perform at the expected performance for its utilization. My project is about designing a testing bench to measure the grooves length of an echelle grating to characterized the precision of its fabrication. This method used a Fizeau's interferometer and a rotating plate. The rotating plate allows to find the angular position of a specific order in the Littrow configuration while the interferometer allows to perform corrections in the calculation for a better precision. Then, the data will be processed with different methods of calculation which use the measures directly or after those measures has been optimized for more precise results. Those methods appear to be efficient to calculate the grooves density but the method with optimisation is more accurate than the direct method. Finally, the corrections done with the interferometer didn't yield a great impact on the result except for the correction of the echelle in the axis of dispersion.

Dans cette thèse, notre objectif est de développer des modèles d’apprentissage robustes et fiables mais précis, en particulier les Convolutional Neural Network (CNN), en présence des exemples anomalies, comme des exemples adversaires et d’échantillons hors distribution –Out-of-Distribution (OOD). Comme la première contribution, nous proposons d’estimer la confiance calibrée pour les exemples adversaires en encourageant la diversité dans un ensemble des CNNs. À cette fin, nous concevons un ensemble de spécialistes diversifiés avec un mécanisme de vote simple et efficace en termes de calcul pour prédire les exemples adversaires avec une faible confiance tout en maintenant la confiance prédicative des échantillons propres élevée. En présence de désaccord dans notre ensemble, nous prouvons qu’une borne supérieure de 0:5 + _0 peut être établie pour la confiance, conduisant à un seuil de détection global fixe de tau = 0; 5. Nous justifions analytiquement le rôle de la diversité dans notre ensemble sur l’atténuation du risque des exemples adversaires à la fois en boîte noire et en boîte blanche. Enfin, nous évaluons empiriquement la robustesse de notre ensemble aux attaques de la boîte noire et de la boîte blanche sur plusieurs données standards. La deuxième contribution vise à aborder la détection d’échantillons OOD à travers un modèle de bout en bout entraîné sur un ensemble OOD approprié. À cette fin, nous abordons la question centrale suivante : comment différencier des différents ensembles de données OOD disponibles par rapport à une tâche de distribution donnée pour sélectionner la plus appropriée, ce qui induit à son tour un modèle calibré avec un taux de détection des ensembles inaperçus de données OOD? Pour répondre à cette question, nous proposons de différencier les ensembles OOD par leur niveau de "protection" des sub-manifolds. Pour mesurer le niveau de protection, nous concevons ensuite trois nouvelles mesures efficaces en termes de calcul à l’aide d’un CNN vanille préformé. Dans une vaste série d’expériences sur les tâches de classification d’image et d’audio, nous démontrons empiriquement la capacité d’un CNN augmenté (A-CNN) et d’un CNN explicitement calibré pour détecter une portion significativement plus grande des exemples OOD. Fait intéressant, nous observons également qu’un tel A-CNN (nommé A-CNN) peut également détecter les adversaires exemples FGS en boîte noire avec des perturbations significatives. En tant que troisième contribution, nous étudions de plus près de la capacité de l’A-CNN sur la détection de types plus larges d’adversaires boîte noire (pas seulement ceux de type FGS). Pour augmenter la capacité d’A-CNN à détecter un plus grand nombre d’adversaires,nous augmentons l’ensemble d’entraînement OOD avec des échantillons interpolés inter-classes. Ensuite, nous démontrons que l’A-CNN, entraîné sur tous ces données, a un taux de détection cohérent sur tous les types des adversaires exemples invisibles. Alors que la entraînement d’un A-CNN sur des adversaires PGD ne conduit pas à un taux de détection stable sur tous les types d’adversaires, en particulier les types inaperçus. Nous évaluons également visuellement l’espace des fonctionnalités et les limites de décision dans l’espace d’entrée d’un CNN vanille et de son homologue augmenté en présence d’adversaires et de ceux qui sont propres. Par un A-CNN correctement formé, nous visons à faire un pas vers un modèle d’apprentissage debout en bout unifié et fiable avec de faibles taux de risque sur les échantillons propres et les échantillons inhabituels, par exemple, les échantillons adversaires et OOD. La dernière contribution est de présenter une application de A-CNN pour l’entraînement d’un détecteur d’objet robuste sur un ensemble de données partiellement étiquetées, en particulier un ensemble de données fusionné. La fusion de divers ensembles de données provenant de contextes similaires mais avec différents ensembles d’objets d’intérêt (OoI) est un moyen peu coûteux de créer un ensemble de données à grande échelle qui couvre un plus large spectre d’OoI. De plus, la fusion d’ensembles de données permet de réaliser un détecteur d’objet unifié, au lieu d’en avoir plusieurs séparés, ce qui entraîne une réduction des coûts de calcul et de temps. Cependant, la fusion d’ensembles de données, en particulier à partir d’un contexte similaire, entraîne de nombreuses instances d’étiquetées manquantes. Dans le but d’entraîner un détecteur d’objet robuste intégré sur un ensemble de données partiellement étiquetées mais à grande échelle, nous proposons un cadre d’entraînement auto-supervisé pour surmonter le problème des instances d’étiquettes manquantes dans les ensembles des données fusionnés. Notre cadre est évalué sur un ensemble de données fusionné avec un taux élevé d’étiquettes manquantes. Les résultats empiriques confirment la viabilité de nos pseudo-étiquettes générées pour améliorer les performances de YOLO, en tant que détecteur d’objet à la pointe de la technologie. / In this thesis, our goal is to develop robust and reliable yet accurate learning models, particularly Convolutional Neural Networks (CNNs), in the presence of adversarial examples and Out-of-Distribution (OOD) samples. As the first contribution, we propose to predict adversarial instances with high uncertainty through encouraging diversity in an ensemble of CNNs. To this end, we devise an ensemble of diverse specialists along with a simple and computationally efficient voting mechanism to predict the adversarial examples with low confidence while keeping the predictive confidence of the clean samples high. In the presence of high entropy in our ensemble, we prove that the predictive confidence can be upper-bounded, leading to have a globally fixed threshold over the predictive confidence for identifying adversaries. We analytically justify the role of diversity in our ensemble on mitigating the risk of both black-box and white-box adversarial examples. Finally, we empirically assess the robustness of our ensemble to the black-box and the white-box attacks on several benchmark datasets.The second contribution aims to address the detection of OOD samples through an end-to-end model trained on an appropriate OOD set. To this end, we address the following central question: how to differentiate many available OOD sets w.r.t. a given in distribution task to select the most appropriate one, which in turn induces a model with a high detection rate of unseen OOD sets? To answer this question, we hypothesize that the “protection” level of in-distribution sub-manifolds by each OOD set can be a good possible property to differentiate OOD sets. To measure the protection level, we then design three novel, simple, and cost-effective metrics using a pre-trained vanilla CNN. In an extensive series of experiments on image and audio classification tasks, we empirically demonstrate the abilityof an Augmented-CNN (A-CNN) and an explicitly-calibrated CNN for detecting a significantly larger portion of unseen OOD samples, if they are trained on the most protective OOD set. Interestingly, we also observe that the A-CNN trained on the most protective OOD set (calledA-CNN) can also detect the black-box Fast Gradient Sign (FGS) adversarial examples. As the third contribution, we investigate more closely the capacity of the A-CNN on the detection of wider types of black-box adversaries. To increase the capability of A-CNN to detect a larger number of adversaries, we augment its OOD training set with some inter-class interpolated samples. Then, we demonstrate that the A-CNN trained on the most protective OOD set along with the interpolated samples has a consistent detection rate on all types of unseen adversarial examples. Where as training an A-CNN on Projected Gradient Descent (PGD) adversaries does not lead to a stable detection rate on all types of adversaries, particularly the unseen types. We also visually assess the feature space and the decision boundaries in the input space of a vanilla CNN and its augmented counterpart in the presence of adversaries and the clean ones. By a properly trained A-CNN, we aim to take a step toward a unified and reliable end-to-end learning model with small risk rates on both clean samples and the unusual ones, e.g. adversarial and OOD samples.The last contribution is to show a use-case of A-CNN for training a robust object detector on a partially-labeled dataset, particularly a merged dataset. Merging various datasets from similar contexts but with different sets of Object of Interest (OoI) is an inexpensive way to craft a large-scale dataset which covers a larger spectrum of OoIs. Moreover, merging datasets allows achieving a unified object detector, instead of having several separate ones, resultingin the reduction of computational and time costs. However, merging datasets, especially from a similar context, causes many missing-label instances. With the goal of training an integrated robust object detector on a partially-labeled but large-scale dataset, we propose a self-supervised training framework to overcome the issue of missing-label instances in the merged datasets. Our framework is evaluated on a merged dataset with a high missing-label rate. The empirical results confirm the viability of our generated pseudo-labels to enhance the performance of YOLO, as the current (to date) state-of-the-art object detector.