CRIStAL

DECOMPASS

Dherbomez Caroline — 2026-08-21T12:24:41Z

DECOMPASS - Systèmes polynomiaux décomposables : algorithmes et applications->

Coordinateur : Vu Thi Xuan, université de Lille, CRIStAL

Équipe : CFHP du Groupe Thématique : CO2.

Dates : 2027 - 2031

Résumé :

La résolution de systèmes polynomiaux se trouve au cœur de la géométrie algébrique effective, avec des applications majeures en optimisation, en géométrie algébrique réelle et en cryptographie. Cependant, ces problèmes sont souvent difficiles d'un point de vue calculatoire (beaucoup sont NP-durs) en raison de l'explosion combinatoire et du phénomène de croissance intermédiaire des expressions dans les calculs symboliques.

Le projet DECOMPASS (Systèmes polynomiaux décomposables : algorithmes et applications) vise à surmonter ces limitations en exploitant les structures de composition cachées dans les systèmes polynomiaux multivariés. L'idée centrale est que, lorsqu'un polynôme ou un système peut être exprimé comme une composition de systèmes plus simples, il devient possible de réduire la dimension effective et la complexité algébrique du problème, ce qui conduit à des stratégies de résolution beaucoup plus efficaces.

Le projet aborde à la fois des défis théoriques et pratiques : il développera de nouvelles méthodes pour détecter la décomposabilité, calculer des décompositions explicites, et résoudre efficacement des systèmes polynomiaux multivariés décomposables. La démarche principale combine des techniques symboliques et numériques, avec une attention particulière portée aux méthodes de continuation par homotopie, afin de concevoir à la fois des algorithmes symboliques et des algorithmes hybrides symboliques-numériques pour trouver un compromis entre l'exactitude des calculs algébriques et la nécessité de passer à l'échelle.

Les résultats attendus incluent de nouvelles perspectives théoriques sur la structure et la complexité des systèmes polynomiaux décomposables, une nouvelle génération d'algorithmes efficaces pour la résolution de systèmes multivariés, des implémentations logicielles en open source, et des avancées concrètes dans des applications telles que l'optimisation polynomiale globale et la cryptographie multivariée.

Abstract :

Polynomial system solving lies at the heart of computational algebraic geometry, with major applications in optimization, real algebraic geometry, and cryptography. However, these problems are often computationally intractable (many are NP-hard) due to combinatorial explosion and the phenomenon of intermediate expression swell in symbolic computations.

The DECOMPASS project (Decomposable Polynomial Systems : Algorithms ans Applications) aims to address these limitations by exploiting hidden compositional structures in multivariate polynomial systems. The central idea is that when a polynomial or a system can be expressed as a composition of simpler maps, it becomes possible to reduce the effective dimension and algebraic complexity of the problem, leading to significantly more efficient solution strategies.

The project addresses both foundational and practical challenges : it will develop new methods to detect decomposability, compute explicit decompositions, and solve decomposable multivariate polynomial systems efficiently. The main approach combines symbolic and numerical techniques, with a particular focus on homotopy continuation methods, to design both symbolic algorithms and hybrid symbolic-numeric algorithms that balance algebraic exactness with computational scalability.

Expected outcomes include new theoretical insights into the structure and complexity of decomposable polynomial systems, a new generation of efficient algorithms for multivariate system solving, open-source software implementations, and concrete advances in applications such as global polynomial optimization and multivariate cryptography.

DEEP-PRIVACY

Dherbomez Caroline — 2026-08-21T09:37:23Z

DEEP-PRIVACY - Apprentissage distribué, personnalisé, préservant la privacité pour le traitement de la parole

Coordinateur : Emmanuel Vincent, Centre de Recherche Inria de Nancy - Grand Est

Partenaires : Marc Tommasi, Université de Lille, Aurélien Bellet, Inria de Lille, Pascal Denis, Inria de Lille, Jan Ramon, Inria de Lille, Brij Srivastava, Université de Lille, Rishabh Gupta, Inria de Lille, CRIStAL

Équipe : MAGNET du Groupe Thématique : DatInG

Dates : 2019 - 2023

Résumé :

La reconnaissance vocale est maintenant utilisée dans de nombreuses applications, dont les assistants virtuels qui collectent, traitent et stockent des données vocales personnelles sur des serveurs centralisés, ce qui soulève de sérieuses préoccupations concernant la privacité. Des approches à base de reconnaissance vocale embarquée ont récemment été proposées pour traiter ces aspects de privacité, mais seulement pendant la phase de reconnaissance de la parole. Dans ce cas, comme tous les traitements sont effectués sur le terminal de l'utilisateur, les données vocales restent privées. Cependant, il y a encore besoin d'améliorer davantage la technologie de reconnaissance vocale car ses performances restent limitées dans des conditions défavorables (e.g., environnements bruyants, parole réverbérée, accents forts, etc). Cela ne peut être obtenu qu'à partir de grands corpus de parole représentatifs de conditions d'utilisation réelles et variées. Pour cela, il est nécessaire de partager des données vocales tout en gardant l'identité du locuteur privée. Les améliorations sont alors bénéfiques pour tous les utilisateurs. Il est également évident que l'utilisateur doit avoir le contrôle sur ses données, afin de ne pas transmettre de données dont les contenus linguistiques sont critiques.

Dans ce contexte, DEEP-PRIVACY propose un nouveau paradigme basé sur une approche distribuée, personnalisée et préservant la privacité pour le traitement de la parole, en mettant l'accent sur les algorithmes d'apprentissage pour la reconnaissance de la parole. Pour ce faire, nous proposons une approche hybride : le terminal de chaque utilisateur ne partage pas ses données vocales brutes et exécute des calculs privés localement, alors que certains calculs inter-utilisateurs sont réalisés sur un serveur (ou un réseau peer-to-peer). Pour satisfaire aux exigences de privacité, les informations communiquées au serveur ne doivent pas exposer d'informations sensibles. Le projet aborde les défis ci-dessus d'un point de vue théorique, méthodologique et empirique à travers deux objectifs scientifiques majeurs.

Le premier objectif concerne l'apprentissage de représentations du signal vocal préservant la privacité, c'est-à-dire qui démêlent les caractéristiques susceptibles d'exposer des informations privées (à conserver sur le terminal) de celles générique utiles à la tâche concernée (qui satisfont des aspects de privacité, et peuvent être partagées). Pour la reconnaissance de la parole, cela correspond respectivement à des informations de locuteur (à protéger) et à des informations linguistiques (à partager) portées par la parole. Pour atteindre cet objectif, nous explorerons plusieurs directions, toutes basées sur des approches d'apprentissage profond et outre les mesures classiques de reconnaissance de parole du locuteur, nous utiliserons également des notions formelles de privacité pour évaluer leur performance.

Le deuxième objectif concerne les algorithmes distribués et la personnalisation, grâce à la conception d'algorithmes distribués efficaces fonctionnant dans un environnement où les données utilisateur sensibles sont conservées sur le terminal, avec des composants globaux fonctionnant sur des serveurs et des composants personnalisés fonctionnant sur des terminaux personnels. Les données transférées aux serveurs devraient contenir des informations utiles pour l'apprentissage et la mise à jour des composants globaux (modèles acoustiques), tout en préservant la privacité. Nous étudierons le type de données à échanger (e.g., gradients, modèles partiels...) et étudierons les informations de locuteur restant présentes dans ces données. De plus, les composants personnalisés permettent d'introduire des transformations spécifiques aux locuteurs et d'adapter certains paramètres du modèle au locuteur. Enfin, nous considérerons un contexte peer-to-peer, comme une alternative aux serveurs, pour le partage de données et l'apprentissage de modèles.

Abstract :

Speech recognition is now used in many applications, such as virtual assistants which collect, process and store personal speech data in centralized servers, raising serious concerns regarding the privacy of their users. Embedded speech recognition frameworks have recently been introduced to address privacy issues during the recognition phase : in this case, a (pre-trained) speech recognition model is shipped to the user's device so that the processing can be done locally without the user sharing its data. However, speech recognition technology still has limited performance in adverse conditions (e.g., noisy environments, reverberated speech, strong accents, etc) and there is a need for performance improvement. This can only be achieved using large speech corpora that are representative of the actual users and of the various usage conditions. There is therefore a strong need to share speech data for improved training that is beneficial to all users, while keeping the speaker identity and voice characteristics private. It is also becoming clear that the user should have better control over its data, so that he/she can decide not to transmit data whose semantic content is sensitive.

In this context, DEEP-PRIVACY proposes a new paradigm based on a distributed, personalized, and privacy-preserving approach for speech processing, with a focus on machine learning algorithms for speech recognition. To this end, we propose to rely on a hybrid approach : the device of each user does not share its raw speech data and runs some private computations locally, while some cross-user computations are done by communicating through a server (or a peer-to-peer network). To satisfy privacy requirements at the acoustic level, the information communicated to the server should not expose sensitive speaker information.
The project addresses the above challenges from the theoretical, methodological and empirical standpoints through two major scientific objectives.

The first objective is to learn privacy-preserving representations of the speech signal that disentangle the features that expose private information (to be kept on the user's device) and generic features useful for the task of interest (which satisfy some notion of privacy and can thus be shared with servers). For speech recognition, these representations correspond respectively to speaker-specific information (to be protected) and phonetic / linguistic information (to be shared) carried by the speech signals. We will explore several directions, all based on deep learning approaches, and, besides traditional speech and speaker recognition measures, we will also use some formal notion of privacy to assess their performance.

The second objective concerns distributed algorithms and personalization, through the design of efficient distributed algorithms which operate under the setting where sensitive user data is kept on-device, with global components running on servers and personalized components running on personal devices.
The personalized components allow for better speaker-adapted processing and recognition.
Data transferred to servers should contain useful information for learning / updating global components (here speech recognition models), while preserving user privacy. We will study the convergence guarantees of distributed training algorithms and investigate how much speaker information is carried out by the information exchanged during training. Moreover, personalized components allow for introducing speaker-specific transforms and adapting some model parameters to the speaker. We will also consider a peer-to-peer framework, as an alternative to servers, for data sharing and model training.

BRAVAS

Dherbomez Caroline — 2026-06-29T10:20:34Z

BRAVAS - IDEAL-BASED ALGORITHMS FOR VASSES AND WELL-STRUCTURED SYSTEMS

Coordinateur : Jérôme Leroux, Laboratoire Bordelais de Recherche en Informatique

Partenaire : Sylvain Salvati, Université de Lille, Inria CRIStAL

Équipe : Links du Groupe Thématique : SISE

Dates : 2017 - 2020

Résumé :

Les systèmes d'addition de vecteurs, aussi appelés VASSs, ont été intensivement étudiés depuis les années 60, souvent sous la forme de réseaux de Petri. Le problème d'accessibilité pour ces systèmes fut montré décidable au début des années 80, ouvrant la voie permettant de décider algorithmiquement de nombreux problèmes. Cependant, la preuve de décidabilité et l'algorithme KLML associé (pour "Kosaraju-Lambert-Mayr") est très complexe, difficile à adapter ou à étendre. Il y a toujours des travaux sur ce problème mais ils ne permettent toujours pas d'avoir une implémentation de l'algorithme. Le problème de l'accessibilité des VASS est EXPSPACE-dur, et c'est tout ce que l'on sait. Trouver la complexité de ce problème est la principale question dans ce domaine.

De nombreuses extensions de VASSs existent et mènent à des défis très importants :

Pour décider des logiques avec données, Figueira et d'autres ont introduit une extension des VASSs possédant un mécanisme ingénieux améliorant la capacité des compteurs. Les réseaux de Petri avec données est un autre modèle qui a été introduit pour des logiques sur les données. Nous ne savons pas si le problème de l'accessibilité est décidable pour cette classe.

Plus classiquement, des questions sur l'algorithmique distribuée ou les programmes récursifs ont menés à l'introduction du modèle des VASs avec pile, un modèle dont le problème de l'accessibilité est ouvert depuis plusieurs décennies.

Les VASs branchants, aussi appelés BVAS, sont des VASSs étendus avec une forme faible d'alternance. Les BVASs ont été introduits indépendamment pour attaquer des problèmes en sécurité de protocoles, dans le contexte de logiques sur des arbres avec données, en logique linéaire, et en lambda-calcul mais tous ces modèles sont en fait équivalent à des modèles qui ont été développé dans les années 90 en logique computationnelle. Le status décidable de l'accessibilité pour les BVASs est toujours ouvert.

Récemment, Leroux et Schmitz ont montré que l'algorithme KLM pouvait être compris comme un calcul d'une représentation finie de la cloture par le bas de l'ensemble des executions d'un VASS d'une source à une destination en utilisant un ordre bien choisi sur les executions. Cette nouvelle approche trace le chemin pour adapter la décomposition KLM à de nombreuses extensions et problèmes.

Complexité non élémentaire : Borner par dessus ou par dessous le temps d'execution d'un algorithme —comme KLM— qui repose sur un beau pré-ordre est un problème difficile qui est rarement considéré dans le domaine de vérification formelle à base d'automates. Ces dernières années, Figueira, Schmitz, et Schnoebelen ont développé de nouveaux outils pour borner la longueur des mauvaises séquences pour un beau pré-ordre. Ces techniques se montrent actuellement très utiles dans une grande variété d'applications.

abstract :

Vector additions systems, aka VASSes, have been investigated intensely since the 1960s, often under the form of Petri nets. Their reachability problems have been shown decidable in the early 1980s, opening the way to decide many problems. However, the decidability proof and the associated KLM algorithm (for "Kosaraju-Lambert-Mayr") is very complex, hard to adapt or extend. It is still being developed but does not yet provide an implementable paradigm. VASS reachability is EXPSPACE-hard, and this is all we know about it. Determining the complexity of that problem is the main unsolved question in the area.

Several VASS extensions exist and raise very challenging problems :

for deciding data logics, Figueira et al. introduced an extension of VASSes where a clever mechanism enhances counter capabilities. Unordered data nets is another model that has been introduced for data-enriched logics. It is not known whether its reachability problems are decidable.

More classically, questions on distributed algorithms or recursive programs have led to the introduction of pushdown VASes, a model whose reachability problem is still open after several decades.

Branching VASes, aka BVASes, are VASSes extended with a weak form of alternation. BVASes have been introduced independently to to attack problems in security protocols, in the context of logics in data tree, and in linear logic and lambda-calculi but it turned out that equivalent models had been developed in the '90s in computational linguistics. The decidability status of reachability in BVASes is still open.

Recently, Leroux and Schmitz showed that the KLM algorithm can be understood as computing a finite representation for the downward closure of the set of executions of a VASS from source to target, using a suitable ordering on the set of executions. This approach paves a way to adapt the KLM decomposition to various extended models or problems.

Nonelementary complexity : Bounding, from above or below, the running time of algorithms that —like KLM— rely on well-quasi-orderings is a difficult problem that is rarely tackled in the field of automata-theoretic verification. In recent years, Figueira, Schmitz, and Schnoebelen have developed new tools for bounding the length of bad sequences in well-quasi-orderings. These techniques are currently demonstrating their relevance in a flurry of applications.

HEADWORK

Dherbomez Caroline — 2026-06-22T15:01:49Z

HEADWORK - Processus massivement participatifs d'acquisition de données et de connaissances

Coordinateur : David Gross Amblard, Institut de recherche en Informatique et Systèmes aléatoires

Partenaires : Pierre Bourhis, Joachim Niehren, Momar Sakho, Florent Capelli, Nicolas Crosetti, Inria de Lille CRIStAL

Équipes : Spirals du Groupe Thématique Génie Logiciel Links du Groupe Thématique : SISE.

Dates : 2016 - 2020

Résumé :

Le crowdsourcing désigne le recours à une masse (potentiellement très grande) de participants via Internet pour résoudre des tâches d'acquisition ou d'analyse de données. Il s'agit d'une technologie en pleine expansion impactant de nombreux domaines, depuis l'enrichissement de connaissances scientifiques jusqu'à l'analyse marketing. Mais actuellement, les plateformes de crowdsourcing existantes s'appuient principalement sur des langages de programmation bas-niveau, des modèles de données rigides et une modélisation simpliste des participants, ce qui engendre plusieurs inconvénients.
La nature bas-niveau des solutions existantes freine la conception de workflows complexes d'analyse de données, pouvant être exécutés, composés, analysés, voire proposés par les participants eux-mêmes. Prendre en compte la qualité, l'incertitude, l'inconsistance ou la représentativité des contributions des participants est également un problème ouvert. Peu de méthodes existent pour affecter des tâches au meilleur participant selon son profil (niveau de confiance, sa motivation, son expertise) ou pour automatiquement optimiser le temps d'exécution ou la meilleure politique d'incitation pour les participants. De manière similaire, les campagnes de crowdsourcing existantes peuvent produire des jeux de données rigides et isolés. Un modèle de données flexible et commun pour la connaissance produite sur les données et les participants faciliterait ainsi l'acquisition participative de connaissances.

Pour répondre à ces défis, Headwork proposera :

des modèles expressifs des workflows, des participants, des données et des connaissances, afin de capturer différents scénarios de crowdsourcing pour des tâches complexes d'acquisition de données, en prenant en compte la spécificité des participants humains ;
des méthodes pour déployer, vérifier, optimiser, mais aussi pour surveiller et adapter les workflows participatifs à l'exécution.

Pour cela, Headwork s'appuiera sur deux membres experts des plateformes participatives d'acquisition de connaissances (MNHN-Cesco & FouleFactory, académiques et industriels), sur des équipes centrales en gestion de données et modélisation de workflows (Dahu, Druid, Links, Sumo)... et sur une cohorte d'environ 60 000 participants enregistrés sur nos plateformes.

Abstract :

Crowdsourcing relies on potentially huge numbers of on-line participants to resolve data acquisition or analysis tasks. It is an exploding area that impacts various domains, ranging from scientific knowledge enrichment to market analysis support. But currently, existing crowd platforms rely mostly on low level programming paradigms, rigid data models and poor participant profiles, which yields severe limitations. The low-level nature of existing solutions prevents the design of complex data acquisition workflows, that could be executed, composed, searched and even be proposed by participants themselves. Taking into account the quality, uncertainty, inconsistency and representativeness of participant contributions is still an open problem. Methods for assigning a task to the correct participant according to his trust, motivation and expertise, automatically improving crowd execution time, computing optimal participant rewards, are missing. Similarly, usual crowd campaigns produce isolated and rigid data sets : A flexible and common data model for the produced knowledge about data and participants could allow participative knowledge acquisition.
To overcome these challenges, Headwork will define :

Rich workflow, participant, data and knowledge models to capture various kind of crowd applications with complex data acquisition tasks and human specificities ;
Methods for deploying, verifying, optimizing, but also monitoring and adapting crowd-based workflow executions at run time.

To reach this goal, Headwork will rely on two experts of large participative knowledge acquisition platforms MNHN-Cesco & FouleFactory, from academy and industry respectively), on major academic teams on data management and worflow modeling (Dahu, Druid, Links, Sumo)... and a crowd of around 60,000 registered participants from our platforms.

CERCIRAS

Dherbomez Caroline — 2026-06-16T09:11:28Z

CERCIRAS - Les communautés d'éducation et de recherche pour une société innovante de ressources CERCIRAS

Keywords : Predictable, safe and reliable computing, Resource-aware computing, Information and program analysis, Knowledge transfer, Technology transfer

Membres impliqués : Stéphane Ducasse, Larisa Safina, Inria Lille, CRIStAL

Équipes : RMoD EVREF Spirals du Groupe Thématique : Génie Logiciel.

Dates : 29/09/2020 - 28/09/2024

Résumé :

Les plateformes de calcul parallèle ont révolutionné le paysage matériel en offrant des capacités de traitement hautement performantes, à faible consommation d'énergie et spécialisées (c'est-à-dire hétérogènes) à divers domaines d'application, notamment les appareils mobiles, les systèmes embarqués, les centres de données et le calcul haute performance. Cependant, pour exploiter pleinement leur potentiel, les concepteurs de systèmes doivent trouver un équilibre délicat dans la répartition des ressources entre les composants de l'application, en s'efforçant d'éviter toute sous-provision ou surprovision par rapport aux scénarios d'utilisation les plus défavorables. L'imbrication des composants matériels dans les plateformes émergentes et le comportement complexe des applications parallèles soulèvent des exigences contradictoires en matière de ressources, d'autant plus dans les systèmes intelligents, (auto-)adaptatifs et autonomes. Ce scénario pose le défi majeur de comprendre et de contrôler, de manière statique et dynamique, les compromis liés à l'utilisation des ressources du système (temps, espace, énergie et données), y compris du point de vue des efforts de développement et de maintenance.

Pour pouvoir effectuer des compromis en matière d'utilisation des ressources lors de la spécification, de la conception, de la mise en œuvre et de l'exécution, il est nécessaire de bien comprendre l'impact local et global que les threads parallèles des applications ont sur les ressources individuelles. Cette compréhension est cruciale pour les chercheurs universitaires et les professionnels de l'industrie dans tous les pays membres de l'Union européenne et du programme COST, et constitue donc une priorité stratégique. Pour atteindre cet objectif, il faut agir à deux niveaux : (1) mettre en réseau des efforts de recherche autrement fragmentés afin d'obtenir une vision plus holistique du problème et de la solution ; (2) exploiter les atouts éducatifs et technologiques appropriés pour améliorer la compréhension et la gestion des ressources par le monde universitaire et l'industrie des économies en difficulté, afin de promouvoir la coopération au sein de l'Europe et d'obtenir des avantages économiques et sociétaux.

Abstract :

Parallel computing platforms have revolutionised the hardware landscape by providing high-performance, low-energy, and specialized (viz. heterogeneous) processing capabilities to a variety of application domains, including mobile, embedded, data-centre and high-performance computing. However, to leverage their potential, system designers must strike a difficult balance in the apportionment of resources to the application components, striving to avoid under- or over-provisions against worst-case utilisation profiles. The entanglement of hardware components in the emerging platforms and the complex behaviour of parallel applications raise conflicting resource requirements, more so in smart, (self-)adaptive and autonomous systems. This scenario presents the hard challenge of understanding and controlling, statically and dynamically, the trade-offs in the usage of system resources, (time, space, energy, and data), also from the perspective of the development and maintenance efforts.

Making resource-usage trade-offs at specification, design, implementaion, and run time requires profound awareness of the local and global impact caused by parallel threads of applications on individual resources. Such awareness is crucial for academic researchers and industrial practitioners across all European and COST member countries, and, therefore, a strategic priority. Reaching this goal requires acting at two levels : (1) networking otherwise fragmented research efforts towards more holistic views of the problem and the solution ; (2) leveraging appropriate educational and technology assets to improve the understanding and management of resources by the academia and industry of underperforming economies, in order to promote cooperation inside Europe and achieve economical and societal benefits.

Pomme d'API

Dherbomez Caroline — 2026-06-15T12:36:49Z

Pomme d'API - Pomme d'API Intelligence Artificielle et Physique

Porteur du projet : Hazem Wannous, IMT Nord Europe, CRIStAL

Équipe : Mint du Groupe Thématique : I2C.

Co-portée par : Vincent Magnier, LaMcube

Dates : 2024 - 2027

Résumé :

La Chaire industrielle Pomme d'API s'articule autour de l'innovation dans le secteur agricole, avec pour but principal d'optimiser la chaîne de valeur des produits agricoles grâce à l'usage avancé des technologies d'intelligence artificielle.

La Chaire, co-portée par IMT Nord Europe et Centrale Lille, est montée grâce aux subventions apportées par la Métropole Européenne de Lille et Initiative d'excellence Université de Lille, dans le cadre de l'appel à Projet Chaires Industrielles 2024.

Ce partenariat entre des laboratoires académiques (IMT Nord Europe CERI SN, CRIStAL, LaMcube et Centrale Lille) et deux industriels à la pointe (Osiris et Downs) vise à développer des outils intelligents pour la prise de décision en agriculture, en standardisant les processus de catégorisation des produits et en promouvant une meilleure traçabilité. L'objectif est de diminuer les coûts opérationnels, d'accroître la transparence au sein de la filière, d'aider les agriculteurs dans leur connaissance de leur produit, et de soutenir des méthodes de culture plus durables. Le projet ambitionne également de renforcer la souveraineté alimentaire en améliorant les rendements, au travers de solutions intelligentes physiquement fondées depuis la culture jusqu'à la récolte.

La Chaire Pomme d'API s'articule autour de deux thèses :

Thèse 1 : Jumeaux numériques pour modéliser le système de tri
Thèse 2 : Analyse des données multimodales pour la traçabilité de la faux à la fourchette

Abstract :

The industrial Chair of API is based on innovation in the agricultural sector, with the main aim of optimizing the value of agricultural products.

The Chair, co-led by IMT Nord Europe and Centrale Lille, was awarded thanks to the grants provided by the European Metropolis of Lille and University of Lille Excellence Initiative, as part of the call for Industrial Chairs 2024.

This partnership between academic laboratories (IMT Nord Europe CERI SN, CRIStAL, LaMcube and Centrale Lille) and two state-of-the-art industrialists (Osiris and Downs) aims to develop intelligent decision-making tools in agriculture, by standardising product categorization processes and promoting better traceability. The aim is to reduce operational costs, increase transparency within the industry, help farmers with their knowledge of their product, and support more sustainable farming methods. The project also aims to strengthen food sovereignty by improving yields, through smart solutions that are physically founded from culture to harvesting.

The Pomme Chair of API is structured around two theses :

Thesis 1 : Digital twins to model the sorting system
Thesis 2 : Analysis of multimodal data for traceability from forgery to fork

4DSHAPE

Dherbomez Caroline — 2026-06-15T09:52:50Z

4DSHAPE - Analyse et Synthèse de la forme Humaine en 4D

Coordinateur : Mohamed Daoudi, IMT CRIStAL

Équipe : 3D-SAM du Groupe Thématique : Image.

Dates : 12/2024 - 12/2027

Résumé :

Ces dernières années, on observe un intérêt croissant pour l'analyse et la génération de la forme et du mouvement des humains en 3D (corps et visage). Les avancées dans les algorithmes d'estimation de la forme humaine en 3D, la technologie de numérisation 3D, les graphiques 3D accélérés par matériel, et les outils connexes, permettent l'accès à des données de forme corporelle humaine en 3D à grande échelle. Ces données se présentent généralement sous la forme de maillages de surface 3D qui, en général, ne correspondent pas à des discrétisations cohérentes, c'est-à-dire que la même surface peut-être représentée par de nombreux maillages triangulaires différents avec une connectivité variable et un nombre variable de sommets. Ainsi, les méthodes conçues pour l'analyse de forme 3D-4D de surfaces paramétrées et l'apprentissage profond rencontrent des limitations lorsqu'elles sont appliquées à de telles données réelles. Notre objectif est de générer un ensemble diversifié de dynamiques plausibles de mouvement du corps humain et du visage en 3D directement à partir de données de numérisation 3D ou même à partir d'un espace d'entrée tel que du texte ou de l'audio. Le résultat attendu de 4DSHAPE est d'identifier, de développer et de perfectionner un cadre naturel où l'on peut à la fois incorporer et générer des surfaces de corps humain et de visages indépendamment de la manière dont elles sont paramétrées/discrétisées, y compris les numérisations brutes, de manière à capturer et reproduire à la fois l'identité du sujet et les mouvements naturels qu'ils peuvent effectuer. Il est articulé autour de 3 objectifs principaux :

Objectif 1 : 3D-vers-3D. Notre premier objectif concerne le développement d'un cadre de recalage et de reconstruction 3D-vers-3D invariante à la discrétisation, adapté aux formes corporelles humaines, basé sur un espace latent commun et un modèle auto-encodeur.
Objectif 2 : 3D-vers-4D. Dans le deuxième objectif, nous prévoyons d'étudier l'extension des données statiques dans le temps (3D) aux données dynamiques dans les temps (4D). L'ingrédient central de cette partie de la recherche sera la construction d'une structure non linéaire sur l'espace latent de la forme humaine, ce qui nous permettra de modéliser avec précision la nature complexe des mouvements et déformations du corps humain dans la vie réelle. Notre approche utilisera une combinaison de méthodes basées sur les données et motivées physiquement, avec des énergies de déformation élastiques.
Objectif 3 : prompt-vers-3D/4D. Dans notre troisième et dernier objectif, nous visons à apprendre une correspondance de plusieurs espaces de prompts vers l'espace des formes humaines ; ici, l'espace de prompt pourrait être simplement un espace d'entrée de texte, mais aussi un espace plus compliqué tel qu'un enregistrement vocal, ou même un croquis humain animé.

Abstract :

In recent years, there has been an increased interest in analyzing and generating the shape and motion of 3D humans (body and face). Advances in 3D human shape estimation algorithms, 3D scanning technology, hardware-accelerated 3D graphics, and related tools, are enabling access to large-scale 3D human body shape data. This data usually comes in the form of 3D surface meshes that, in general, do not correspond to coherent discretizations, i.e., the same surface can be represented by many different triangular meshes with varying connectivity and a varying number of vertices. Thus, methods designed for 3D/4D shape analysis of parameterized surfaces ans deep learning face severe limitations when applied to such real data. Our goal is to generate a diverse set of plausible 3D human body and face motion dynamics directly from 3D scan data or even from a prompt space such as text or audio. The expected outcome of 4DSHAPE is to identify, develop and perfect a natural framework where one can both embed and generate surfaces of human body and faces independently of the way they are parameterized/discretized, including raw scans, in a way that captures and reproduces both the identity of the subject and the natural motions they can make. It is articulated around 3 main objectives :
Objective 1 : 3D-to-3D.
Our first objective concerns the development of a discretization-invariant 3D-to-3D registration and reconstruction framework adapted to human body shapes based on a common latent space and auto-encoder model.
Objective 2 : 3D-to-4D.
In the second objective we plan to investigate the extension of time-static (3D) to time-dynamic (4D) data. The central ingredient in this part of the research will be the construction of a non-linear structure on human shape latent space, which will enable us to accurately model the intricate nature of real life human body motions and deformations. Our approach will use a combination of data driven methods, and physically motivated, elastic deformation energies.
Objective 3 : Prompt-to-3D/4D.
In our third and final object we aim to learn a mapping from several prompt spaces to the space of human shapes ; here the prompt space could be simply a text input space, but also a more complicated space such as voice recording, or even an animated human sketch.

NeuRL

Dherbomez Caroline — 2026-06-09T13:42:43Z

NeuRL - Apprentissage par renforcement neuro-incrémental à partir de préférences humaines

Coordinateur : Riad Akrour, Inria CRIStAL

Équipe : SCOOL du Groupe Thématique : DatInG.

Date : 02/2024 - 02/2028

Résumé :

Dans un avenir proche, les agents intelligents seront omniprésents dans notre vie quotidienne, remplaçant ou assistant les humains dans une variété de tâches. L'apprentissage par renforcement (AR) permet d'apprendre de telles tâches de prise de décision séquentielle à partir de données. L'AR a connu plusieurs succès, notamment dans le domaine des jeux, quand il a été combiné avec des réseaux de neurones profonds. Bien qu'impressionnants, ces résultats ont nécessité de larges équipes de recherche, adaptant les algorithmes d'AR à chaque tâche. Par contraste, nous espérons que l'agent intelligent du futur résoudra ces problèmes de décision à la volée avec, tout au plus, l'aide d'experts de la tâche en question, pas d'experts en AR. Le cas d'utilisation étudié dans cette proposition est celui d'une IA gérant une ferme pendant une saison de récolte, qui s'appuie sur des travaux antérieurs de notre équipe pour développer des environnements d'AR de haute qualité pour l'agriculture. Les méthodes actuelles nécessitent un expert en AR pour définir le problème, notamment la fonction de récompense, et pour surmonter l'instabilité de l'AR. Pour faire face à ces limitations, nous proposons une approche pour combiner les réseaux neuronaux et l'AR qui est nouvelle à la fois dans la morphologie des réseaux utilisés que dans leur fonction, afin de produire des mises à jour plus stables, à forme close. Il en découle aussi un algorithme d'AR basé sur des modèles, essentiel pour éliciter les préférences de l'utilisateur. En effet, l'élicitation de préférences nécessite ici la résolution d'une séquence de problèmes d'AR, ce quoi serait inefficace avec les approches sans modèle. Nos contributions seront validées sur les tâches de gestion agricole susmentionnées qui devront être apprises uniquement à partir de retours humains de haut niveau, sans aucune intervention d'experts en AR.

Abstract :

In the near future, intelligent agents will be ubiquitous in our daily lives, replacing or assisting humans on a variety of tasks. Reinforcement Learning (RL) is a framework for learning such sequential decision making tasks from data. RL has had several achievements, particularly in game domains, obtained by combining RL and deep neural networks. While impressive, these results required large teams of researchers adapting RL algorithms to each task. In contrast, we expect intelligent agents to solve decision problems on the fly with at most the feedback of task experts, not RL experts. A use case studied in this proposal is an AI managing a farm throughout a harvesting season, building upon our team's prior work to develop high quality RL environments for agriculture. The particularity of our setting is the personalisation of the task to each farmer's preferences. Current RL methods would require an RL expert both for the definition of the problem, especially the reward function, and to overcome the well documented instability of RL. To tackle these limitations, we propose an approach for combining neural networks and RL that is novel both in the morphology of the networks and their usage, to produce more stable, closed-form updates. Specifically, the networks will grow in size during learning, allowing a closed form entropy-regularised policy update, and will aggregate the state space, instead of directly modelling value functions, allowing a closed form computation of the value function for the resulting abstract Markov decision process model. The model-based nature of our framework is also key for eliciting the user's preferences as it requires solving a sequence of RL problems, which is sample inefficient with model-free approaches. Our contributions will be validated on the aforementioned farm management tasks that will have to be learned solely from high-level human feedback, without any intervention from an RL expert.

ACCESS

Dherbomez Caroline — 2026-06-08T14:41:39Z

ACCESS - Implant cochléaire avec un contrôle actif pour aider le chirurgien

Coordinateur : Eric Cattan, CNRS

Partenaire : Gang Zheng, Inria CRIStAL

Équipe : DEFROST du Groupe Thématique : CO2.

Dates : 10/2024 - 04/2028

Résumé :

Selon le statistiques de l'Organisation Mondiale de la Santé, 360 millions de personnes souffrent d'une perte auditive invalidante. La chirurgie d'implant cochléaire (IC) peut être utilisée chez les patients profondément sourds, pour lesquels les aides auditives ne sont pas satisfaisantes, et elle est considérée comme l'une des meilleures options pour une meilleure audition. Lors de la chirurgie implantaire, la tâche la plus difficile consiste à insérer le réseau d'électrodes (EA) dans la rampe tympanique de la cochlée du patient. Comme les forces impliquées sont extrêmement faibles, le chirurgien n'a aucune perception de ce qui se passe dans la cochlée en forme de spirale pendant l'insertion. L'insertion échouée ou incomplète entraînera une couverture incomplète de la tonotopie du nerf cochléaire, entraînant des distorsions de fréquence lors de l'activation de l'implant. De plus, l'EA peut créer un traumatisme au niveau des structures fines de la cochlée (membrane basilaire, nerf ganglionnaire spiral), conduisant à une réponse inflammatoire, une fibrose et finalement à de mauvaises performances d'élocution postopératoires ou à une perte auditive résiduelle. Les CI EA actuellement commercialisés sont généralement constitués de silicone avec environ 20 électrodes de platine réparties sur toute sa longueur. Il mesure environ 0.5 mm de diamètre et environ 25 mm de long. La forme des EA n'est pas activement contrôlée. Malgré l'attention portée à la conception de l'EA, on est toujours confronté à des traumatismes des structures cochléaires.
ACCESS vise (i) une simulation de l'insertion de l'électrode selon la trajectoire optimale, minimisant les forces de friction et évitant les obstacles anatomiques, (ii) un contrôle simultané de la position du robot chirurgical et de la flexion de l'EA (iii) un EA activement contrôlé au moyen d'actionneurs EAP et film mince EA (TFEA), (iv) rétroaction des signaux provenant directement du TFEA dans son mode capteur.

Abstract :

According to the statistic of World Health Organization, 360 million people, has disabling hearing loss. Cochlear implant (CI) surgery can be used for profoundly deafened patient, for whom hearing aids are not satisfactory, and it is regarded as one of the best options for better hearing. During the implant surgery, the most difficult task is to insert the electrode array (EA) into the tympanic ramp of the patient's cochlea. As the forces involved are extremely low, surgeon has no perception on what happens in the spiral-shape cochlea while he/she is doing the insertion. The failed or incomplete insertion will lead to an incomplete coverage of the tonotopy of the cochlear nerve resulting in frequency distortions at implant activation. Moreover, EA can create trauma to the fine structures of the cochlea (basilar membrane, spiral ganglion nerve), leading to inflammatory response, fibrosis and finally to poor post-operative speech performances or to residual hearing loss.
The current commercialized CI EA are generally made of silicone with about 20 platinum electrodes spread along its length. It is about 0.5mm diameter and about 25mm long. The EA are not actively controlled in shape. Despite the attention paid to the EA design, both categories still face to trauma to cochlea structures.
ACCESS aims (i) a simulation of the electrode insertion through the optimal trajectory, minimizing friction forces and avoiding anatomical obstacle, (ii) a simultaneous control of surgical robot position and EA bending (iii) an actively controlled EA by means of EAP actuators and thin film EA (TFEA), (iv) feedback signals from directly TFEA by using the actuator in sensor-mode.

STRESS

Dherbomez Caroline — 2026-06-08T12:48:27Z

STRESS - Tests statistiques et estimation robuste avec très peu de données

Coordinateur : Timothée Mathieu, Inria, CRIStAL

Équipe : SCOOL du Groupe Thématique : DatInG.

Dates : 09/2025 - 09/2029

Résumé :

Au cœur des études scientifiques expérimentales se trouve la question de la vérification d'une hypothèse : un nouveau traitement médical est-il meilleur qu'un placebo ? Un nouvel algorithme est-il plus efficace que l'état de l'art ?
En raison des fluctuations aléatoires, il est nécessaire de répéter plusieurs fois un expérience (pour rassembler plusieurs échantillons) avant de prendre une décision.
Pour ces applications, nous avons besoin de méthodes statistiques pour les tests d'hypothèses qui s'accompagnent de garanties formelles sur leur probabilité d'erreur.
Ces méthodes doivent également permettre de réaliser des tests avec le moins d'échantillons possible afin d'être applicables à des domaines dans lesquels la collecte d'échantillons est longue ou coûteuse.
L'objectif de STRESS est d'obtenir un contrôle précis de la taille d'échantillon minimale nécessaire pour prendre une décision ou faire une prédiction. STRESS répondra à un problème courant dans les méthodes séquentielles : avoir un contrôle pratique sur le moment où l'algorithme arrêtera de collecter des données.

Abstract :

At the core of scientific experimental studies, there is the question of testing a hypothesis : is a new treatment better than a placebo ? Is a new algorithm more efficient on a computational task than the state of the art ?
Because of random fluctuations, it is necessary to repeat experiments over several trials (to gather several samples) before making a decision.
For those applications, we need statistical methods for hypothesis testing that come with formal guarantees on their probability of error.
Those methods should also allow fort tests with as few trials as possible in order to be applicable to domains where gathering samples is long or costly.
The goal of STRESS is to give sharp control on the minimal sample size needed to take a decision or to make a prediction.
STRESS will answer a common problematic in sequential methods : to have a practical control on when the algorithm will stop collecting data.