Nous présentons une nouvelle approche de préservation de la vie privée pour améliorer l’équité des éléments dans les systèmes de classement. Nous utilisons des techniques de post-traitement dans un environnement de recommandation multipartite afin d’équilibrer l’équité et la protection de la vie privée pour les producteurs et les consommateurs. Notre méthode utilise des serveurs de calcul multipartite sécurisés (MPC) et une confidentialité différentielle (DP) pour maintenir la confidentialité des utilisateurs tout en atténuant l’injustice des éléments sans compromettre l’utilité. Les utilisateurs soumettent leurs données sous forme de partages secrets aux serveurs MPC, et tous les calculs sur ces données restent cryptés. Nous évaluons notre approche à l’aide d’ensembles de données du monde réel, tels qu’Amazon Digital Music, Book Crossing et MovieLens-1M, et analysons les compromis entre confidentialité, équité et utilité. Notre travail encourage une exploration plus approfondie de l’intersection de la confidentialité et de l’équité dans les systèmes de recommandation, jetant les bases de l’intégration d’autres techniques d’amélioration de la confidentialité afin d’optimiser l’exécution et l’évolutivité pour les applications du monde réel. Nous envisageons notre approche comme un tremplin vers des solutions de bout en bout préservant la confidentialité et promouvant l’équité dans des environnements de recommandation multipartites. / We present a novel privacy-preserving approach to enhance item fairness in ranking systems. We employ post-processing techniques in a multi-stakeholder recommendation environment in order to balance fairness and privacy protection for both producers and consumers. Our method utilizes secure multi-party computation (MPC) servers and differential privacy (DP) to maintain user privacy while mitigating item unfairness without compromising utility. Users submit their data as secret shares to MPC servers, and all calculations on this data remain encrypted. We evaluate our approach using real-world datasets, such as Amazon Digital Music, Book Crossing, and MovieLens-1M, and analyze the trade-offs between privacy, fairness, and utility. Our work encourages further exploration of the intersection of privacy and fairness in recommender systems, laying the groundwork for integrating other privacy-enhancing techniques to optimize runtime and scalability for real-world applications. We envision our approach as a stepping stone towards end-to-end privacy-preserving and fairness-promoting solutions in multi-stakeholder recommendation environments.

La classe d’accueil est un service offert dans la région métropolitaine de Montréal aux élèves identifiés comme ayant besoin de soutien linguistique en français avant de poursuivre leurs études en classe ordinaire. Ces élèves passent par deux classements : un pour entrer et un autre pour sortir de la classe d’accueil. Peu de recherches se sont penchées jusqu’à présent sur les élèves appartenant à des groupes minorisés en classe d’accueil, des élèves qui se trouvent surreprésentés dans la suite de leur parcours éducatif en classe d’adaptation scolaire et dans d’autres filières moins sélectives. Dans le but de comprendre les procédures de classement des élèves du secondaire avant et après leur séjour en classe d’accueil dans la région métropolitaine de Montréal, à partir d’un cadre théorique sociologique inspiré des concepts d’habitus, de normalisation, d’altérisation et de stigmatisation intersectionnelle, cette recherche qualitative ethnographique documente les discours des acteurs scolaires impliqués dans les prises de décisions relatives aux classements des élèves avant et après le séjour en classe d’accueil ainsi que les discours des élèves soumis à ces décisions. Pour ce faire, nous avons analysé 28 documents (gouvernementaux, des centres de services scolaires, des échanges via courriel et des publications dans un groupe Facebook), 10 heures d’observation d’interactions sociales à différent moments de la vie scolaire (des rencontres de prévision de classement, une rencontre d’accueil de parents, des cours en classe d’accueil et des observations dans les couloirs d’une école) et 44 entretiens (dont 37 avec des intervenants scolaires – 14 enseignants, 12 conseillers pédagogiques, 3 professionnels dans d’autres types de soutien, 3 directions (adjointes) d’école et 5 professionnels dans d’autres postes administratifs – et 7 avec des élèves qui ont passé par un séjour en classe d’accueil lors de leurs études secondaires). Les principaux résultats soulignent que les élèves (et leurs parents) ne sont pas suffisamment informés au sujet du système éducatif de leur province d’accueil. Ils tendent ainsi à accepter les décisions de classements, incluant vers d’autres secteurs que la classe ordinaire (adaptation scolaire ou formation générale des adultes). Selon les intervenants scolaires, seule une partie des élèves répondrait à ce qui est exigé par le milieu d’accueil en termes de performance et de comportement et atteindrait donc la réussite éducative. Les élèves qui ne réussissent pas à s’adapter sont ceux jugés comme ayant des enjeux individuels ou liés à leur pays d’origine (ex. difficultés d’apprentissage, retard scolaire). Les intervenants scolaires interrogés mentionneraient peu fréquemment les enjeux structurels du milieu d’accueil, mis à part le manque de ressources. Cela se traduit par : 1) de longs séjours en classe d’accueil; 2) des classements en classe ordinaire en dessous du niveau âge des élèves; 3) des classements dans le secteur de la formation générale des adultes; ou 4) des classements dans le secteur de l’adaptation scolaire. Notre analyse signale une posture suprémaciste d’altérisation derrière le discours du « besoin » d’intégration et une pensée déficitaire en lien avec les préalables de la réussite. Ainsi, le séjour en classe d’accueil serait une forme de disciplinarisation. / The welcoming class is a service offered in the Montreal metropolitan region to students identified as needing French language support before continuing their studies in the mainstream class. These students go through two placements: one to enter and another to leave the welcoming class. Little research has until now focused on students belonging to minority groups in the welcoming class, students who find themselves overrepresented in the rest of their educational journey in special education classes and in other less selective sectors. In order to understand the procedures for placing secondary students before and after their stay in the welcoming class in the Montreal metropolitan region, from a sociological theoretical framework inspired by the concepts of habitus, normalization, othering and intersectional stigmatization, this qualitative ethnographic research documents the discourses of school actors involved in the decision-making on the placement of students before and after the stay in the welcoming class as well as the discourses of students subject to these decisions. To do this, we analyzed 28 documents (governmental, from school service centers, exchanges via email and publications in a Facebook group), 10 hours of observation of social interactions at different moments of school life (meetings concerning forecast placement, a parents’ welcoming meeting, courses in the welcoming class and observations in the corridors of a school) and 44 interviews (including 37 with school actors – 14 teachers, 12 educational advisers, 3 professionals in other types of support, 3 (deputy) school principals, and 5 professionals in other administrative positions – and 7 with students who went through a stay in the welcoming class during their secondary studies). The main results highlight that students (and their parents) are not sufficiently informed about the education system in their host province. They thus tend to accept placement decisions, including towards sectors other than the mainstream class (special education or general adult education). According to school workers, only a portion of students meet what is required by the host environment in terms of performance and behavior and would therefore achieve educational success. The students who fail to adapt are those judged as having individual issues or issues related to their country of origin (e.g., learning difficulties, academic delay). The school workers interviewed rarely mentioned the structural issues of the host environment, apart from the lack of resources. This results in: 1) long stays in the welcoming class; 2) placements in mainstream class below the age level of the students; 3) placements in the general adult education sector; or 4) placements in the special education sector. Our analysis points to a supremacist posture of othering behind the discourse of the “need” for integration and a deficit thinking linked to the prerequisites for success. Thus, the stay in the welcoming class would be a form of disciplinarization.

Les plateformes logistiques jouent un rôle important dans le bon fonctionnement d'une chaine de valeur, en assurant une fluidité des flux entre les différentes unités d'affaires. Dans le secteur forestier, une cour à bois est un lieu où le bois est concentré et entreposé de façon temporaire, dans le but d'améliorer l'efficacité du transport tout en réduisant les charges liées au stockage et à l'approvisionnement (Brotherton et al., 2017). De nos jours, plusieurs entreprises rivalisent pour le développement et l'amélioration de la planification du système d'approvisionnement forestier. Cette planification nécessite la prise en compte de plusieurs facteurs qui opèrent dans un contexte instable. En effet, dans les forêts naturelles comme celles du Québec, les opérations de triage et de gestion des flux sont complexes, étant donné la grande diversité et qualité des essences disponibles. De plus, les grandes distances entre la ressource forestière et les unités responsables de sa transformation entraînent des coûts de transport significatifs. Cependant, les cours à bois ont jusqu'à maintenant été peu exploitées comme plateforme logistique apte à mieux coordonner la chaine de valeur forestière et à assurer l'affectation de la bonne ressource à la bonne unité de transformation. Ce projet vise à analyser comment la coordination d'un ensemble de cours à bois et la connaissance de l'état des stocks de chacune d'elle peuvent contribuer à réduire les distances en transport parcourues de même qu'à mieux gérer les stocks aux cours, tout en répondant correctement aux besoins de scieries. Pour ce faire, une étude de cas a été réalisée, comprenant trois cours à bois ainsi que trois scieries spécialisées dans la transformation de billots allant de 8 à 18 pieds de longueur. Un modèle de simulation a été mis sur pied pour représenter un tel réseau, reproduire l'état actuel de son pilotage et tester diverses stratégies de coordination des activités d'approvisionnement et de transport. Les résultats ont démontré que certaines stratégies permettent de réduire les distances parcourues sans nuire au fonctionnement de la chaîne de valeur. De plus, grâce au modèle de simulation développé, le suivi en temps réel des indicateurs de performance des cours à bois, tels que l'état des stocks, le taux d'occupation des cours, le nombre de camions en attente et le temps d'attente aux cours, devient possible. Ainsi, ce modèle pourrait servir aux gestionnaires comme outil de prévision de l'approvisionnement sur un horizon de 6 mois. / Logistics hubs play an important role in the good functioning of a value chain by ensuring a fluid flow between the different business units. In the forestry sector, a log yard is a place where wood is concentrated and stored temporarily, with the aim of improving transportation efficiency while reducing its costs (Brotherton & Trzcianowska, 2017). Nowadays, many companies aim to design and develop different strategies for efficient planning of the forest supply system. This planning requires the consideration of several factors that operate in an unstable context. Indeed, in natural forests such as those of Quebec, sorting and flow management operations are complex, given the great diversity and quality of available species. In addition, the long distances between the forest resource and the units responsible for its transformation result in significant transportation costs. However, log yards have so far been little exploited as a logistical platform to better coordinate the forest value chain and ensure the allocation of the right resource to the right processing unit. This project aims at analyzing how the coordination of a group of log yards and the knowledge of the inventory status of each of them can contribute to reduce transportation distances and to better manage the inventory at the yards, while properly meeting the needs of sawmills. To do this, a case study was conducted involving three log yards and three sawmills specializing in processing logs ranging from 8 to 18 feet in length. A simulation model was developed to represent such a network, to reproduce its current state of operation and to test various strategies for coordinating supply and transportation activities. The results showed that some strategies could reduce the distance travelled without affecting the functioning of the value chain. In addition, thanks to the simulation model developed, real-time monitoring of log yard performance indicators, such as inventory status, yard occupancy, number of trucks waiting and waiting time at the yards, becomes possible. Thus, this model could be used by managers as a tool to forecast supply over a 6-month horizon.

Afin de réduire le coût de calcul pour des problèmes d'optimisation coûteuse, cette thèse a été consacrée à la Stratégie d'Evolution avec Adaptation de Matrice de Covariance assistée par modèle de Krigeage (KA-CMA-ES). Plusieurs algorithmes de KA-CMA-ES ont été développés et étudiés. Une application de ces algorithmes KA-CMA-ES développés est réalisée par l'identification des paramètres matériels avec un modèle constitutif d'endommagement élastoplastique. Les résultats expérimentaux démontrent que les algorithmes KA-CMA-ES développés sont plus efficaces que le CMA-ES standard. Ils justifient autant que le KA-CMA-ES couplé avec ARP-EI est le plus performant par rapport aux autres algorithmes étudiés dans ce travail. Les résultats obtenus par l'algorithme ARP-EI dans l'identification des paramètres matériels montrent que le modèle d'endommagement élastoplastique utilisé est suffisant pour décrire le comportement d'endommage plastique et ductile. Ils prouvent également que la KA-CMA-ES proposée améliore l'efficace de la CMA-ES. Par conséquent, le KA-CMA-ES est plus puissant et efficace que CMA-ES pour des problèmes d'optimisation coûteuse. / In order to reduce the cost of solving expensive optimization problems, this thesis devoted to Kriging-Assisted Covariance Matrix Adaptation Evolution Strategy (KA-CMA-ES). Several algorithms of KA-CMA-ES were developed and a comprehensive investigation on KA-CMA-ES was performed. Then applications of the developed KA-CMA-ES algorithm were carried out in material parameter identification of an elastic-plastic damage constitutive model. The results of experimental studies demonstrated that the developed KA-CMA-ES algorithms generally are more efficient than the standard CMA-ES and that the KA-CMA-ES using ARP-EI has the best performance among all the investigated KA-CMA-ES algorithms in this work. The results of engineering applications of the algorithm ARP-EI in material parameter identification show that the presented elastic-plastic damage model is adequate to describe the plastic and ductile damage behavior and also prove that the proposed KA-CMA-ES algorithm apparently improve the efficiency of the standard CMA-ES. Therefore, the KA-CMA-ES is more powerful and efficient than CMA-ES for expensive optimization problems.

L'objectif de cette thèse est de proposer une méthodologie statistique permettant de formuler une règle de classement capable de surmonter les difficultés qui se présentent dans le traitement des données lorsque la distribution a priori de la variable réponse est déséquilibrée. Notre proposition est construite autour d'un ensemble particulier de règles d'association appelées "class association rules". Dans le chapitre II, nous avons exposé les bases théoriques qui sous-tendent la méthode. Nous avons utilisé les indicateurs de performance usuels existant dans la littérature pour évaluer un classifieur. A chaque règle "class association rule" est associée un classifieur faible engendré par l'antécédent de la règle que nous appelons profils. L'idée de la méthode est alors de combiner un nombre réduit de classifieurs faibles pour constituer une règle de classement performante. Dans le chapitre III, nous avons développé les différentes étapes de la procédure d'apprentissage statistique lorsque les observations sont indépendantes et identiquement distribuées. On distingue trois grandes étapes: (1) une étape de génération d'un ensemble initial de profils, (2) une étape d'élagage de profils redondants et (3) une étape de sélection d'un ensemble optimal de profils. Pour la première étape, nous avons utilisé l'algorithme "apriori" reconnu comme l'un des algorithmes de base pour l'exploration des règles d'association. Pour la deuxième étape, nous avons proposé un test stochastique. Et pour la dernière étape un test asymptotique est effectué sur le rapport des valeurs prédictives positives des classifieurs lorsque les profils générateurs respectifs sont emboîtés. Il en résulte un ensemble réduit et optimal de profils dont la combinaison produit une règle de classement performante. Dans le chapitre IV, nous avons proposé une extension de la méthode d'apprentissage statistique lorsque les observations ne sont pas identiquement distribuées. Il s'agit précisément d'adapter la procédure de sélection de l'ensemble optimal lorsque les données ne sont pas identiquement distribuées. L'idée générale consiste à faire une estimation bayésienne de toutes les valeurs prédictives positives des classifieurs faibles. Par la suite, à l'aide du facteur de Bayes, on effectue un test d'hypothèse sur le rapport des valeurs prédictives positives lorsque les profils sont emboîtés. Dans le chapitre V, nous avons appliqué la méthodologie mise en place dans les chapitres précédents aux données du projet QUARITE concernant la mortalité maternelle au Sénégal et au Mali. / The aim of this thesis is to design a supervised statistical learning methodology that can overcome the weakness of standard methods when the prior distribution of the response variable is unbalanced. The proposed methodology is built using class association rules. Chapter II deals with theorical basis of statistical learning method by relating various classifiers performance metrics with class association rules. Since the classifier corresponding to a class association rules is a weak classifer, we propose to select a small number of such weak classifiers and to combine them in the aim to build an efficient classifier. In Chapter III, we develop the different steps of the statistical learning method when observations are independent and identically distributed. There are three main steps: In the first step, an initial set of patterns correlated with the target class is generated using "apriori" algorithm. In the second step, we propose a hypothesis test to prune redondant patterns. In the third step, an hypothesis test is performed based on the ratio of the positive predictive values of the classifiers when respective generating patterns are nested. This results in a reduced and optimal set of patterns whose combination provides an efficient classifier. In Chapter IV, we extend the classification method that we proposed in Chapter III in order to handle the case where observations are not identically distributed. The aim being here to adapt the procedure for selecting the optimal set of patterns when data are grouped data. In this setting we compute the estimation of the positive predictive values as the mean of the posterior distribution of the target class probability by using empirical Bayes method. Thereafter, using Bayes factor, a hypothesis test based on the ratio of the positive predictive values is carried out when patterns are nested. Chapter V is devoted to the application of the proposed methodology to process a real world dataset. We studied the QUARITE project dataset on maternal mortality in Senegal and Mali in order to provide a decision making tree that health care professionals can refer to when managing patients delivering in their health facilities.

Cette thèse porte sur l'étude des Systèmes de Recommandation dans un cadre séquentiel, où les retours des utilisateurs sur des articles arrivent dans le système l'un après l'autre. Après chaque retour utilisateur, le système doit le prendre en compte afin d'améliorer les recommandations futures. De nombreuses techniques de recommandation ou méthodologies d'évaluation ont été proposées par le passé pour les problèmes de recommandation. Malgré cela, l'évaluation séquentielle, qui est pourtant plus réaliste et se rapproche davantage du cadre d'évaluation d'un vrai système de recommandation, a été laissée de côté. Le contexte séquentiel nécessite de prendre en considération différents aspects non visibles dans un contexte fixe. Le premier de ces aspects est le dilemme dit d'exploration vs. exploitation: le modèle effectuant les recommandations doit trouver le bon compromis entre recueillir de l'information sur les goûts des utilisateurs à travers des étapes d'exploration, et exploiter la connaissance qu'il a à l'heure actuelle pour maximiser le feedback reçu. L'importance de ce premier point est mise en avant à travers une première évaluation, et nous proposons une approche à la fois simple et efficace, basée sur la Factorisation de Matrice et un algorithme de Bandit Manchot, pour produire des recommandations appropriées. Le second aspect pouvant apparaître dans le cadre séquentiel surgit dans le cas où une liste ordonnée d'articles est recommandée au lieu d'un seul article. Dans cette situation, le feedback donné par l'utilisateur est multiple: la partie explicite concerne la note donnée par l'utilisateur concernant l'article choisi, tandis que la partie implicite concerne les articles cliqués (ou non cliqués) parmi les articles de la liste. En intégrant les deux parties du feedback dans un modèle d'apprentissage, nous proposons une approche basée sur la Factorisation de Matrice, qui peut recommander de meilleures listes ordonnées d'articles, et nous évaluons cette approche dans un contexte séquentiel particulier pour montrer son efficacité. / This thesis is dedicated to the study of Recommendation Systems under a sequential setting, where the feedback given by users on items arrive one after another in the system. After each feedback, the system has to integrate it and try to improve future recommendations. Many techniques or evaluation methods have already been proposed to study the recommendation problem. Despite that, such sequential setting, which is more realistic and represent a closer framework to a real Recommendation System evaluation, has surprisingly been left aside. Under a sequential context, recommendation techniques need to take into consideration several aspects which are not visible for a fixed setting. The first one is the exploration-exploitation dilemma: the model making recommendations needs to find a good balance between gathering information about users' tastes or items through exploratory recommendation steps, and exploiting its current knowledge of the users and items to try to maximize the feedback received. We highlight the importance of this point through the first evaluation study and propose a simple yet efficient approach to make effective recommendation, based on Matrix Factorization and Multi-Armed Bandit algorithms. The second aspect emphasized by the sequential context appears when a list of items is recommended to the user instead of a single item. In such a case, the feedback given by the user includes two parts: the explicit feedback as the rating, but also the implicit feedback given by clicking (or not clicking) on other items of the list. By integrating both feedback into a Matrix Factorization model, we propose an approach which can suggest better ranked list of items, and we evaluate it in a particular setting.

De nos jours, les propriétés sensorielles des matériaux font l'objet d'une attention croissante tant au point de vue hédonique qu'utilitaire. Notre thèse s'inscrit dans une recherche visant à établir les bases d'une approche métrologique instrumentale permettant la caractérisation des similarités visuelles entre textures «de même nature». Notre objectif spécifique a été de faire le lien entre une évaluation métrologique instrumentale des textures «lumineuses» produites par des surfaces texturées colorées et une évaluation basée sur des tests psychophysiques réalisés par des observateurs humains. Ces tests psychophysiques ont consisté en des épreuves de classement d'images texturées colorées biphasées suivant un critère de contraste visuel. Les données de classement collectées ont été analysées à l'aide de deux approches statistiques. La première considère l'ajustement d'un modèle factoriel à effets fixes aux statistiques des rangs moyens. La seconde approche est basée sur l'ajustement aux données d'une extension du modèle de Mallows-Bradley-Terry (MBT), sous-classe du modèle de Babington Smith. L'estimation des paramètres des modèles de MBT par le maximum de vraisemblance a été résolue à l'aide d'algorithmes MM et une évaluation par une méthode MCMC du vecteur des scores. Un test d'hypothèse basé sur une statistique du rapport de vraisemblance évaluée par une méthode de Monte Carlo a été proposé pour décider entre l'hypothèse de discernabilité perceptive des textures et celle de non discernabilité. Les résultats obtenus par les deux approches montrent que la qualité sensorielle de contraste visuel se présente bien comme un continuum sensoriel que l'on peut quantifier en construisant perceptivement une échelle de discernabilité.

Tout d'abord, nous abordons les problématiques liées à l'organisation et à la gestion des connaissances ainsi que les principes présidant à l'élaboration des classifications à facettes. Nous proposons ensuite une synthèse des méthodes existantes d'élaboration de classifications à facettes. Nous poursuivons en réalisant une analyse de l'impact des types de Systèmes d'Information sur l'activité de gestion de l'information. Ce faisant, nous produisons une analyse de l'activité inspirée de la Théorie de l'Activité, et influencée par les travaux de la psychologie du travail et de l'ergonomie cognitive. Le prototype Hypertagging développé dans le cadre du projet Miipa-Doc fondé sur le tagging des utilisateurs et structuré par les principes de la classification à facettes est présenté. Notre expérimentation sur l'élaboration de classifications à facettes pour la gestion des documents de travail est détaillée. Enfin, nous exposons notre méthodologie d'élaboration de FolkClassifications à facettes pour la gestion des connaissances métier. Elle vise à appuyer une démarche de gestion des connaissances sur la gestion personnelle de l'information

Le mélanome est la forme la plus grave de cancer de la peau. Cette thèse a contribué au développement de deux approches différentes pour le diagnostic assisté par ordinateur du mélanome : approche analytique et approche comparative.L'approche analytique imite le comportement du dermatologue en détectant les caractéristiques de malignité sur la base de méthodes analytiques populaires dans une première étape, et en combinant ces caractéristiques dans une deuxième étape. Nous avons étudié l’impacte d’un système du diagnostic automatique utilisant des images dermoscopique de lésions cutanées pigmentées sur le diagnostic de dermatologues. L'approche comparative, appelé concept du Vilain Petit Canard (VPC), suppose que les naevus chez le même patient ont tendance à partager certaines caractéristiques morphologiques ainsi que les dermatologues identifient quelques groupes de similarité. VPC est le naevus qui ne rentre dans aucune de ces groupes, susceptibles d'être mélanome. / Melanoma is the most serious type of skin cancer. This thesis focused on the development of two different approaches for computer-aided diagnosis of melanoma: analytical approach and comparative approach. The analytical approach mimics the dermatologist’s behavior by first detecting malignancy features based on popular analytical methods, and in a second step, by combining these features. We investigated to what extent the melanoma diagnosis can be impacted by an automatic system using dermoscopic images of pigmented skin lesions. The comparative approach, called Ugly Duckling (UD) concept, assumes that nevi in the same patient tend to share some morphological features so that dermatologists identify a few similarity clusters. UD is the nevus that does not fit into any of those clusters, likely to be suspicious. The goal was to model the ability of dermatologists to build consistent clusters of pigmented skin lesions in patients.

Over-parameterized networks, where the number of parameters surpass the number of train-ing samples, generalize well on various tasks. However, large networks are computationally expensive in terms of the training and inference time. Furthermore, the lottery ticket hy-pothesis states that a subnetwork of a randomly initialized network can achieve marginal loss after training on a specific task compared to the original network. Therefore, there is a need to optimize the inference and training time, and a potential for more compact neural architectures. We introduce a novel approach “Optimizing ANN Architectures using Mixed-Integer Programming” (OAMIP) to find these subnetworks by identifying critical neurons and re-moving non-critical ones, resulting in a faster inference time. The proposed OAMIP utilizes a Mixed-Integer Program (MIP) for assigning importance scores to each neuron in deep neural network architectures. Our MIP is guided by the impact on the main learning task of the net-work when simultaneously pruning subsets of neurons. In concrete, the optimization of the objective function drives the solver to minimize the number of neurons, to limit the network to critical neurons, i.e., with high importance score, that need to be kept for maintaining the overall accuracy of the trained neural network. Further, the proposed formulation generalizes the recently considered lottery ticket hypothesis by identifying multiple “lucky” subnetworks, resulting in optimized architectures, that not only perform well on a single dataset, but also generalize across multiple ones upon retraining of network weights. Finally, we present a scalable implementation of our method by decoupling the importance scores across layers using auxiliary networks and across di˙erent classes. We demonstrate the ability of OAMIP to prune neural networks with marginal loss in accuracy and generalizability on popular datasets and architectures. / Les réseaux sur-paramétrés, où le nombre de paramètres dépasse le nombre de données, se généralisent bien sur diverses tâches. Cependant, les grands réseaux sont coûteux en termes d’entraînement et de temps d’inférence. De plus, l’hypothèse du billet de loterie indique qu’un sous-réseau d’un réseau initialisé de façon aléatoire peut atteindre une perte marginale après l’entrainement sur une tâche spécifique par rapport au réseau de référence. Par conséquent, il est nécessaire d’optimiser le temps d’inférence et d’entrainement, ce qui est possible pour des architectures neurales plus compactes. Nous introduisons une nouvelle approche “Optimizing ANN Architectures using Mixed-Integer Programming” (OAMIP) pour trouver ces sous-réseaux en identifiant les neurones importants et en supprimant les neurones non importants, ce qui permet d’accélérer le temps d’inférence. L’approche OAMIP proposée fait appel à un programme mixte en nombres entiers (MIP) pour attribuer des scores d’importance à chaque neurone dans les architectures de modèles profonds. Notre MIP est guidé par l’impact sur la principale tâche d’apprentissage du réseau en élaguant simultanément les neurones. En définissant soigneusement la fonction objective du MIP, le solveur aura une tendance à minimiser le nombre de neurones, à limiter le réseau aux neurones critiques, c’est-à-dire avec un score d’importance élevé, qui doivent être conservés pour maintenir la précision globale du réseau neuronal formé. De plus, la formulation proposée généralise l’hypothèse des billets de loterie récemment envisagée en identifiant de multiples sous-réseaux “chanceux”. Cela permet d’obtenir des architectures optimisées qui non seulement fonctionnent bien sur un seul ensemble de données, mais aussi se généralisent sur des di˙érents ensembles de données lors du recyclage des poids des réseaux. Enfin, nous présentons une implémentation évolutive de notre méthode en découplant les scores d’importance entre les couches à l’aide de réseaux auxiliaires et entre les di˙érentes classes. Nous démontrons la capacité de notre formulation à élaguer les réseaux de neurones avec une perte marginale de précision et de généralisabilité sur des ensembles de données et des architectures populaires.