Search

Queen snapper ( Etelis oculatus ) is of interest from an ecological and management perspective as it is the second most landed finfish species (by total pounds) as determined by Puerto Rico commercial landings (2010–2019). As fishing activities progressively expand into deeper waters, it is critical to gather data on deep-sea fish populations to identify essential fish habitats (EFH). In the U.S. Caribbean, the critically data-deficient nature of this species has made this challenging. We investigated the use of ensemble species distribution modeling (ESDM) to predict queen snapper distribution along the coast of Puerto Rico. Using occurrence data and terrain attributes derived from bathymetric datasets at different resolutions, we developed species distribution models unique to each sampling region (west, northeast, and southeast Puerto Rico) using seven different algorithms. Then, we developed ESDM models to analyze fish distribution using the highest-performing algorithms for each region. Model performance was evaluated for each ensemble model, with all depicting ‘excellent’ predictive capability (AUC > 0.8). Additionally, all ensemble models depicted ‘substantial agreement’ (Kappa > 0.7). We then used the models in combination with existing knowledge of the species’ range to produce binary maps of potential queen snapper distributions. Variable importance differed across spatial resolutions of 30 m (west region) and 8 m (northeast and southeast region); however, bathymetry was consistently one of the best predictors of queen snapper suitable habitat. Positive detections showed strong regional patterns localized around large bathymetric features, such as seamounts and ridges. Despite the data-deficient condition of queen snapper population dynamics, these models will help facilitate the analysis of their spatial distribution and habitat preferences at different spatial scales. Our results therefore provide a first step in designing long-term monitoring programs t

La modélisation est l’approche couramment utilisée pour résoudre les problèmes d’hydrogéologie compte tenu de la nécessité de conceptualiser un monde souterrain invisible. Cependant, les approches traditionnelles de modélisation en hydrogéologie, c'est-à-dire la modélisation basée sur la physique, semi-empirique ou empirique, ont montré leurs limites dans la résolution des problèmes hydrogéologiques, soit parce qu'elles sont trop complexes à mettre en oeuvre, qu'elles nécessitent beaucoup de données, qu'elles fournissent des modèles dont la justesse n'est pas toujours satisfaisante, soit parce que leur capacité à aider à comprendre les systèmes d'eaux souterraines ainsi que leur capacité d'aide à la prise de décision sont limitées. Récemment, l'exploration du continuum entre les différentes approches traditionnelles de modélisation a récemment été initiée, donnant lieu à un nouveau paradigme appelé apprentissage automatique guidé par la théorie. L'apprentissage automatique guidé par la théorie (ou theory-guided machine learning, TgML en anglais) est un domaine de recherche qui se concentre sur le développement d'algorithmes d'apprentissage qui intègrent des éléments de connaissance scientifique (par exemple les lois de conservation de masse) dans leur architecture ou pendant leur entraînement. Cette thèse a cherché à tester l'hypothèse selon laquelle les modèles d'apprentissage automatique guidés par la théorie peuvent bénéficier des forces combinées des approches traditionnelles de modélisation. Pour ce faire, des modèles d'apprentissage automatique guidés par la théorie ont été développés et testés sur des problèmes hydrogéologiques réels, et leurs performances ont été comparées à celles des approches traditionnelles de modélisation. Ceci a eu pour but d'identifier les forces et les faiblesses de l'apprentissage automatique guidé par la théorie et de proposer des solutions pour surmonter ces faiblesses dans le cadre de la modélisation hydrogéologique. La thèse s’e

L’ingénierie logicielle est un vaste domaine. L’une de ses branches pertinentes est le test appliqué aux interfaces utilisateur (IU). L’IU se connecte à une série d’éléments web pour représenter la mise en page de la page web qui est affichée à l’utilisateur. Ces éléments web composent des caractéristiques qui aident les utilisateurs dans leur expérience lorsqu’ils naviguent sur les pages web, telles que les performances et la réactivité. Cependant, les pages web peuvent contenir des bogues de mise en page qui interfèrent avec l’expérience utilisateur. La qualité de la mise en page doit être maintenue tout au long du processus de codage. Les développeurs de logiciels peuvent rechercher visuellement et manuellement des bogues de mise en page, mais parfois ces bogues ne sont pas visibles à l’oeil nu. Une autre ressource consiste à utiliser des outils pour appliquer des tests, mais les développeurs doivent toujours écrire des tests de code. Les deux stratégies peuvent être très laborieuses. Ainsi, nous proposons le développement d’une approche utilisant le concept d’invariants pour simplifier les tâches des développeurs. Dans cette étude, nous avons développé un programme dans lequel nous avons mis en oeuvre le concept d’invariants pour extraire des conditions sur les pages web. Avec ces conditions, nous pouvons identifier les violations d’invariants, qui représentent en d’autres termes des bogues de mise en page. Nous avons appliqué cette approche à un ensemble de pages web générées en laboratoire et à un autre ensemble de pages web copiées depuis Internet. Les résultats montrent que notre programme a identifié des bogues de mise en page dans 100% des pages web générées en laboratoire et dans 60% des pages web copiées depuis Internet. Le temps nécessaire pour effectuer cette procédure d’extraction varie en fonction de la taille de la page web, mais il est raisonnable. Nous considérons que notre approche peut servir de base pour de futurs outils à commercialiser sur le

L’industrie des produits de beauté détient une position considérable sur la scène mondiale, générant des ventes dépassant des centaines de milliards de dollars américains à l’échelle mondiale. Ce marché est hautement compétitif, caractérisé par la domination des principaux acteurs mondiaux. La détermination des concentrations idéales d’ingrédients est une procédure importante dans le secteur des cosmétiques pour les formulations chimiques, dans le but de garantir la qualité, l’efficacité et l’économie liées aux produits développés. Dans ce contexte, l’interdépendance complexe entre les matériaux représente un défi significatif, exigeant une attention particulière pour la prédiction des concentrations de matériaux, afin d’éviter les inefficacités et les réactions indésirables éventuelles déclenchées par le produit final. La capacité à prédire avec plus de justesse les concentrations d’ingrédients permet la sécurité et l’efficacité, bien que la détermination des concentrations appropriées pour chaque matériau nécessite une évaluation prudente et pondérée. La détermination de la concentration des matériaux dans les formulations cosmétiques est un processus complexe qui commence par la formulation de la recette, en tenant compte des réglementations du secteur, qui établissent des limites de sécurité et d’efficacité pour les matériaux utilisés. La concentration des matériaux dans les formulations cosmétiques impacte directement leur stabilité et leur efficacité. Par conséquent, suggérer des concentrations de matériaux pour les formulations chimiques doit tenir compte de ces défis inhérents à la détermination des concentrations de matériaux chimiques et cosmétiques. Le domaine de l’apprentissage automatique est inséré dans le contexte de l’Intelligence Artificielle (IA) et implique l’application d’algorithmes informatiques pour transformer des données empiriques en modèles utilisables. Ces algorithmes permettent de comprendre les propriétés des ensembles de données analys

Plusieurs méthodes traditionnelles sont utilisées pour sécuriser les données sensibles, telles que les algorithmes de cryptographie comme AES-HMAC-SHA256, Twofish et Chacha20. Toutefois, des études récentes ont montré que ces algorithmes de cryptographie présentent des failles de sécurité. Dans ce mémoire, nous explorons l’utilisation d’un modèle de cryptographie basé sur un autoencodeur convolutionnel profond et nous comparons ses performances aux algorithmes traditionnels de cryptographie. Nous présentons les résultats d’une étude comparative basée sur plusieurs métriques. Ainsi, nous incorporons des métriques telles que la similarité en cosinus, l’entropie, le taux de Kendall et de Spearman, et l’erreur quadratique moyenne (MSE) pour une évaluation complète de la performance et de la sécurité de l’approche proposée, en plus des mesures de temps de cryptage et de décryptage. Les résultats obtenus sont très prometteurs. Notre modèle est le plus performant pour deux métriques essentielles, l’entropie et l’erreur quadratique moyenne. Nous obtenons une entropie de fichier décrypté de 8,01, contre 7,99 pour les trois autres modèles standard, avec une MSE très faible de 0,003, contre 105,43 pour l’AES, qui reste l’algorithme traditionnel le plus efficace par rapport aux autres algorithmes.

Ce mémoire se penche sur la comparaison de l’efficacité du Deep Learning (DL), tel qu'illustré dans la littérature existante, avec celle de l'apprentissage automatique classique (ML) que nous avons personnellement développé, dans le domaine de la reconnaissance d’activités humaines dans les habitats intelligents. L'étude se concentre sur l'analyse critique des performances des méthodes de deep learning, basée sur des recherches antérieures, et les compare avec les résultats obtenus par les techniques traditionnelles de machine learning que nous avons développé. L'introduction présente un aperçu des principes fondamentaux de l'intelligence artificielle, l'évolution du ML et du DL, et leur application dans les habitats intelligents. Le mémoire aborde également les défis et enjeux associés à ces technologies, notamment en termes de complexité et de ressources nécessaires. La méthodologie adoptée dans ce travail repose sur une revue approfondie de la littérature sur les applications du DL dans la reconnaissance d'activités humaines, ainsi que sur le développement et l'optimisation des modèles de ML classiques. Une attention particulière est accordée à l'optimisation des hyperparamètres pour améliorer la performance de ces modèles. Cette analyse est axée sur la comparaison directe de l'efficacité des méthodes de deep learning, telles qu'elles sont documentées dans la littérature existante, avec celle des techniques d'apprentissage automatique classique que nous avons développées. L'objectif est de déterminer dans quelle mesure le deep learning, souvent perçu comme plus avancé, se distingue réellement en termes d'efficacité par rapport à l'apprentissage automatique classique, en se concentrant spécifiquement sur les applications dans les habitats intelligents. Cette approche vise à éclairer la question cruciale de savoir si l'adoption du deep learning est systématiquement justifiée, ou si, dans certains cas, les méthodes traditionnelles de machine learning peuvent s'avére

Ressources éducatives libres, Open educational resources, Ce livre vise à décrire une panoplie de méthodes d’analyse spatiale avec le logiciel ouvert R. Le contenu est pensé pour être accessible à tous et toutes, même à ceux et celles n’ayant presque aucune base en analyse de données spatiales ou en statistiques. La philosophie de ce livre est de donner toutes les clefs de compréhension et de mise en œuvre des méthodes abordées dans R. La présentation des méthodes est basée sur une approche compréhensive et intuitive plutôt que mathématique, sans pour autant négliger la rigueur statistique. Ce manuel est facilement consultable sur Github à l'adresse suivante : https://serieboldr.github.io/MethodesAnalyseSpatiale/. Les fichiers sources peuvent par ailleurs être téléchargés dans le dépôt institutionnel de l'Université de Sherbrooke.

In a typical machine-learning project, the data pre-processing step is the most time consuming and one of the most relevant steps. The quality of the pre-processing can have important impacts on the result of the analysis. The importance to get this step right is contrasted with the difficulty non-expert users may have to perform pre-processing tasks. Pre-processing is typically performed by writing a script in a programming language such as Python or R. Not every person that needs to pre-process data is a well-versed computer programmer. In the Insurance industry, actuarial professionals often build and train machine-learning models such as generalized linear models. They are qualified due to their advanced knowledge of mathematical models. However, their programming abilities are often more limited. These actuarial professionals and other non-expert users tend to spend a disproportionate amount of time to write the pre-processing scripts as compared to their peers with a career machine learning or information technologies background. We set out to develop a simple, yet powerful program to leverage the non-experts understanding of data manipulation concepts without needing them to know how to write the scripts to perform the desired pre-processing transformations. The tool takes the form of an ETL (extract, transform, and load) type of program. While other ETL programs are publicly available already, their main objective is to homogenise incoming and new data before it gets stored in the client company’s data warehouse. The difference in focus between our tool and the existing alternatives translates into a different feature set for the end user. The resulting program, its architecture, and the amount of time it saves, which hovers around a 50% reduction under ideal conditions, are examined. Dans un projet typique d'apprentissage machine, l'étape de prétraitement des données est la plus longue et l'une des plus importantes. La qualité du prétraitement peut avoir un

De plus en plus de personnes utilisent quotidiennement la technologie pour communiquer et accéder à l’information, y compris les personnes âgées et les personnes handicapées. Les technologies d’assistance, aussi appelées aides techniques, sont des ressources d’accessibilité et d’inclusion qui offrent un plus grand degré d’autonomie et d’aide aux personnes qui ont un certain degré de difficulté à utiliser les ressources dans leur contact avec des environnements réels et virtuels. Le but de cette étude est d’étudier les perceptions sur l’évaluation heuristique de l’accessibilité dans les logiciels en entreprenant une revue systématique de la littérature qui couvre les 5 dernières années. Cela a commencé avec un total de 8548 articles publiés qui sont indexés dans les bases de données Scopus et Web of Science. Douze questions de recherche pertinentes ont été rédigées et ont reçu une réponse conforme aux résultats trouvés dans la série finale d’articles. Deux groupes de mots-clés ont été créés pour faciliter la recherche d’articles et un processus de filtrage a été appliqué aux résultats des recherches. La recherche montre, au moyen de chiffres et de tableaux, des preuves de la croissance des articles scientifiques dans le domaine. Les auteurs principaux et les revues qui publient sur l’évaluation de l’accessibilité des logiciels sont énumérés, de même que les réponses aux questions sur les modèles d’évaluation, les heuristiques, les mesures, les limites, les technologies d’assistance et les publics cibles les plus cités dans les articles publiés. Cette étude analyse également la co-citation des références et des couples sources bibliographiques. La recherche a montré qu’il n’y a pas de consensus général sur l’utilisation d’un modèle unique pour évaluer l’accessibilité, mais que les directives WCAG du W3C sont les sources les plus utilisées pour référencer les heuristiques et les métriques dans les études de ce type. Il a également été remarqué que la plupart des études

Context: Over the last two decades, Systematic Literature Reviews (SLRs) have been adopted as a research method to summarize evidence in Software Engineering (SE). However, scientific evidence continuously arises with advances in the SE field, leading to the need of updating SLRs. Outdated SLRs could lead researchers to obsolete conclusions or decisions about a research topic. Goal: We propose and evaluate the concept, process and guidelines to update SLRs in SE called Continuous Systematic Literature Review (CSLR). In addition, we explore automation alternatives to support the CSLR process execution. Method: A range of research methods were used for the construction and evaluation of this thesis. Firstly, two preliminary works were carried out to better understand the advances and existing needs in the area: an experience report on how to transfer the know-how of SLRs to facilitate their updates; and a cross-domain systematic mapping that identifies and summarizes the state-of-the-art on automation support for the two activities that triggers an SLR update, the search and selection of evidence. Secondly, to elaborate on the CSLR concept and process, we performed a synthesis of evidence by conducting a meta-ethnography, addressing knowledge from varied research areas. Thirdly, to build the guideline detailing and exemplifying the activities of the CSLR process, we carried out a systematic search and a narrative synthesis. Then we carry out an expert analysis with SE SLR experts to evaluate the CSLR guidelines and process and obtain feedback on the adoption of the CSLR process in practice. Lastly, we propose and evaluate an automation solution to support the search and selection of studies using Natural Language Processing and Machine Learning techniques. Also, we provide directions on the automation of the CSLR process. Results: The CSLR process and guidelines showed be beneficial in facilitating the identification if an SLR has been updated or not; assisting in the

Digital terrain models (DTMs) are datasets containing altitude values above or below a reference level, such as a reference ellipsoid or a tidal datum over geographic space, often in the form of a regularly gridded raster. They can be used to calculate terrain attributes that describe the shape and characteristics of topographic surfaces. Calculating these terrain attributes often requires multiple software packages that can be expensive and specialized. We have created a free, open‐source R package, MultiscaleDTM , that allows for the calculation of members from each of the five major thematic groups of terrain attributes: slope, aspect, curvature, relative position, and roughness, from a regularly gridded DTM. Furthermore, these attributes can be calculated at multiple spatial scales of analysis, a key feature that is missing from many other packages. Here, we demonstrate the functionality of the package and provide a simulation exploring the relationship between slope and roughness. When roughness measures do not account for slope, these attributes exhibit a strong positive correlation. To minimize this correlation, we propose a new roughness measure called adjusted standard deviation. In most scenarios tested, this measure produced the lowest rank correlation with slope out of all the roughness measures tested. Lastly, the simulation shows that some existing roughness measures from the literature that are supposed to be independent of slope can actually exhibit a strong inverse relationship with the slope in some cases.

Drawing on media richness theory, this study investigates the effect of rich media, such as virtual reality (VR), on visit intentions for a specific destination. Specifically, this research employs a mixed-method approach, using abductive theorization to explore and confirm the dimensions of the VR visit experience, notably those related to telepresence, a key concept in tourism through VR. Furthermore, the study aims to elucidate how telepresence influences mental imagery, attitudes towards tourist destinations, and actual visit intentions. To do this, qualitative data were gathered between February and June 2022 from 34 semi-structured interviews with respondents who viewed a VR video of the destination. A second study collected quantitative data from 400 participants through face-to-face questionnaires after a VR video view between June and August 2022. The findings reveal that telepresence comprises three dimensions: realism of the virtual environment, immersion, and the sense of presence in the virtual environment. Telepresence, in turn, both directly and indirectly affects actual visit intentions, with mental imagery and attitude toward tourist destinations partially mediating those relationships. This study provides methodological, theoretical, and tourism management implications to enhance our comprehension of telepresence’s facets, its measurement, and the process by which VR influences real visit intentions.

This research project aims to develop prediction models based on artificial neural networks (ANN) to estimate the sound insulation curves for different wood assemblies in one-third octave bands (50 Hz - 5000 Hz). Based on laboratory measurements, two models have been designed to determine the insulation performance of lightweight wooden constructions, such as floors and façades. The third model was developed to simulate the acoustic performance of CLT-based floors in field conditions in real buildings. These models incorporate each structure’s physical and geometric characteristics as input parameters and use feature attribution analysis to ascertain the most important parameters for sound insulation prediction. The first ANN model was created to calculate the acoustic performance of lightweight wooden floors for airborne and impact sound insulation. It is based on 252 laboratory measurement curves considering each floor’s physical and geometric characteristics. The model is more precise in predicting the airborne sound reduction index Rw, with an error of 2 dB at maximum, while the error was up to 5 dB in the worst case for the weighted normalized impact sound pressure level Ln,w. The variations near fundamental and critical frequency areas affect the model’s accuracy. A feature attribution analysis is conducted to determine the factors most influential in predicting sound insulation. The thickness of insulation materials, the density of cross-laminated timber slabs and concrete floating floors, and the total density of floor structures are the most notable parameters that follow the mass law. The second artificial neural network-based model is developed to evaluate the acoustic performance of lightweight wooden façade walls for airborne sound insulation. It is based on 100 insulation curve measurements and uses laboratory data from the façade walls as input parameters. The model proves to be accurate in predicting airborne sound reduction, with a maximum differenc

L’event stream processing (ESP) est le traitement d’un flux continu d’objets, appelé séquence d’événements, dans l’optique de l’analyser ou de le transformer. Le laboratoire d’informatique formelle de l’UQAC (LIF) développe depuis plusieurs années un moteur de stream processing open source appelé BeepBeep 3. Cet engin permet une utilisation facile du concept d’ESP. À BeepBeep 3, on y a intégré un système de vérification formelle. Avec seulement quelques lignes de code supplémentaires, il est maintenant possible de générer automatiquement une structure de Kripke d’une chaîne de processeurs donnée. Des applications intéressantes s’ajoutent donc à l’utilité déjà vaste de BeepBeep. Comparer des pipelines à l’aide de formules en logique temporelle linéaire (LTL) ou en logique du temps arborescent (CTL) et l’idée qu’une chaîne de processeurs monitore une structure de Kripke ne sont que quelques exemples. Dans ce mémoire, on expliquera tout le processus de réflexion et d’exécution qui a mené à l’automatisation de la construction d’une chaîne de processeur BeepBeep en un modèle de Kripke valide pour analyse dans le logiciel NuXMV.

Cela fait maintenant plusieurs années que les chercheurs se penchent sur le débogage des applications web, chose très complexes pour le développeur dû à l’intrication parfois étrange qu’ont les multiples langages utilisés pour leur conception. Les dernières années n’ont en rien facilité la tâche du débogage puisque les pages web ont de plus en plus fréquemment du contenu généré dynamiquement. Bien que plusieurs outils de la littérature offrent un grand appui pour la détection des bogues, très peu offrent de l’aide à la correction de ceux-ci. Dans ce mémoire sera présenté une étude sur l’évolution de la constitution des pages web permettant de mieux comprendre comment elles sont construites. S’en suivra la présentation d’un outil permettant de corriger plusieurs erreurs visuelles, préalablement détectées par l’outil Cornipickle, accompagné d’exemples réels de son application.

Runtime Verification can be defined as a collection of formal methods for studying the dynamic evaluation of execution traces against formal specifications. Aside from creating a monitor from specifications and building algorithms for the evaluation of the trace, the process of gathering events and making them available for the monitor and the communication between the system under analysis and the monitor are critical and important steps in the runtime verification process. In many situations and for a variety of reasons, the event trace could be incomplete or could contain imprecise events. When a missing or ambiguous event is detected, the monitor may be unable to deliver a sound verdict. In this survey, we review the literature dealing with the problem of monitoring with incomplete traces. We list the different causes of uncertainty that have been identified, and analyze their effect on the monitoring process. We identify and compare the different methods that have been proposed to perform monitoring on such traces, highlighting the advantages and drawbacks of each method.

Les systèmes informatiques sont de plus en plus présents dans notre vie quotidienne. Pour augmenter leur disponibilité et leur fiabilité, les développeurs insèrent des instructions de journalisation dans le code source des systèmes, lesquelles génèrent des fichiers de journaux qui enregistrent des informations telles que l’état interne, les variables modifiées durant l’exécution, etc. Les administrateurs surveillent les systèmes en examinant ces fichiers de journaux et les développeurs utilisent cette base pour résoudre certains problèmes. Des recherches récentes ont montré que le nombre d’instructions de journaux (LPS) par ligne de code dans le fichier, également appelé densité des journaux (LOGD), est en relation directe avec la maintenabilité du système ; cela signifie que plus on trouve des LPS dans un fichier, plus sa densité de défauts après la publication est élevée. Cela s’explique par le fait que les développeurs ont tendance à inclure plus d’instructions de journalisation, et ont plus de questions et de préoccupations, à propos des portions du système qui sont davantage sujettes à des défauts. De nos jours, il existe des systèmes logiciels qui sont utilisés depuis longtemps et qui, par conséquent, ont été maintenus de façon constante pendant plusieurs versions. Cependant, le processus de décision pour la mise en oeuvre de nouvelles versions manque d’indicateurs à propos de la stabilité de ces versions. À cet égard, la LOGD peut constituer une métrique qui peut indiquer la stabilité du code du système. Des recherches antérieures ont étudié la Densité des journaux (LOGD) sur plusieurs systèmes. Cependant, la densité n’a pas été étudiée au cours du développement des systèmes, entre leurs différentes versions, et on ne sait pas quelles sont les implications liées à l’évolution de la densité entre eux. L’objectif de cette étude est d’analyser l’évolution de LOGD au cours du cycle de développement d’un système open source, en particulier Hadoop. Comme première c

Depuis quelques années, plusieurs entreprises ont commencé à exploiter les données qu’ils ont emmagasinées pour pouvoir extraire des connaissances et faire des prévisions. Une bonne utilisation de ces données permet aux entreprises de comprendre leurs clients et pouvoir améliorer leurs services. Les techniques d’intelligence artificielle se présentent comme des moyens pour révolutionner les prises de décisions. Plus d’entreprises embauchent des data scientists pour concevoir des modèles de prédiction. Le but des data scientists est de concevoir des modèles et de les performer. L’un des défis majeurs rencontré par ces data scientists est le prétraitement des données. Le prétraitement des données impact la qualité du modèle mis en place. Ce problème est dû au fait qu’il n’existe pas une seule bonne manière de prétraité les données. Les techniques utilisées dépendent du problème et du type de donnée. Ce mémoire a pour objectif d’évaluer la possibilité de développer une solution qui permet d’automatiser les opérations de prétraitement des données pour les acteurs de données (data scientistes, chercheurs, etc.). Nous utiliserons le terme pipeline afin de nommer la chaîne de pré-traitement et de traitement des données (de la donnée brute jusqu’à la classification de la donnée). En effet, nous proposons un pipeline qui permet de choisir les meilleures techniques de prétraitements en fonction du problème. Plusieurs techniques sont répertoriées et nous utilisons des techniques d’optimisation métaheuristique pour minimiser le temps de recherche du meilleur modèle. Ces techniques sont par la suite comparées avec des techniques d’optimisation standard comme la recherche par grille. Le pipeline est par la suite testé sur des données d’une entreprise d’assurance automobile du Canada. Les résultats nous montrent que les méthodes d’optimisation métaheuristique sont plus efficaces sur des big data. Elles ont permis de diminuer d’environ 30% le temps nécessaire pour retrouver un bon

Dans ce mémoire, nous visons à implémenter un prototype d’algorithme de cryptographie basé sur les réseaux de neurones. Dans le cadre des travaux sur la reconnaissance d’activités au sein d’habitats intelligents opérés par le LIARA (Laboratoire d’Intelligence Ambiante pour la Reconnaissance d’Activités), une attention est portée de plus en plus sur la protection de la vie privée des individus. En effet pendant longtemps, on a eu affaire à des données de capteurs simples comme les tapis de pressions, les détecteurs électromagnétiques, les détecteurs de mouvement. Comme ces données ne permettent pas d’avoir accès à des informations génériques basiques sur ce qui se déroulait au sein des murs des résidences suivies, l’aspect sécurité occupait une petite place dans les travaux. Dans le cadre d’un projet de déploiement à grande échelle de maisons intelligentes financé par MEDTEQ (le Consortium pancanadien de recherche industrielle et d’innovation en technologies médicales du Québec) et Age-Well (un réseau canadien visant à élaborer des technologies et des services pour le vieillissement en santé) notre équipe explore l’utilisation des réseaux de neurones pour sécuriser les données transmises entre les maisons intelligentes et les serveurs de traitement de données. Afin de bien comprendre nos besoins, il est important de poursuivre cette question cruciale en parallèle avec une étude du potentiel des réseaux de neurones pour remplacer la cryptographie traditionnelle dans l’encodage de données plus complexes. En effet, ces derniers temps, nous avons étudié des capteurs plus informatifs tels que les caméras thermiques, les caméras de profondeurs, les capteurs RFID et les radars à ultra large bande. Ces capteurs ont plus d’informations sur les activités qui se déroulent dans une résidence, mais ils impliquent une plus grande charge de traitement. En conséquence, il semble donc intéressant d’étudier la possibilité d’utiliser une architecture de réseau de neurones artificiels p

According to the Public Health Agency of Canada (PHAC), the symptoms of chronic obstructive pulmonary disease (COPD) are shortness of breath, coughing, and sputum production. Many studies estimate that COPD will become the third-leading cause of death worldwide by 2030 (WHO, 2008). Pervasive healthcare systems cover healthcare issues, including chronic diseases; they help patients to manage their own health information and healthcare services at any time and in any place. We developed a COPD healthcare system based on a combination of the parameters of patients. The main goal is to avoid the severe phases of the disease by monitoring them. This combination of risk factors provides in total 600 profiles from data, with 88.5% accuracy. However, many studies have focused on and shown the issues of the effectiveness and accuracy of these systems. The problem is to apply a new classification model to detect the severe phases of the disease early. Therefore, instead of working on COPD parameters, we design and validate a profile-based classification model of patients. This model will facilitate the building of a rule-based framework. In addition, the accuracy of our extended COPD system is improved using the classification and separation of patients’ profiles.

Combinatorial test generation, also calledt-way testing, is the process ofgenerating sets of input parameters for a system under test, by consideringinteractions between values of multiple parameters. In order to decrease totaltesting time, there is an interest in techniques that generate smaller test suites.In our previous work, we used graph techniques to produce high-quality testsuites. However, these techniques require a lot of computing power andmemory, which is why this paper investigates distributed computing fort-waytesting. We first introduce our distributed graph colouring method, with newalgorithms for building the graph and for colouring it. Second, we present ourdistributed hypergraph vertex covering method and a new heuristic. Third, weshow how to build a distributed IPOG algorithm by leveraging either graphcolouring or hypergraph vertex covering as vertical growth algorithms.Finally, we test these new methods on a computer cluster and compare themto existingt-way testing tools.

Les systèmes d’information produisent différents types de journaux d’événements. Les données historiques contenues dans les journaux d’événements peuvent révéler des informations importantes sur l’exécution d’un processus métier. Le volume croissant de ces données collectées, pour être utile, doit être traité afin d’extraire des informations pertinentes. Dans de nombreuses situations, il peut être souhaitable de rechercher des tendances dans ces journaux. En particulier, les tendances calculées par le traitement et l’analyse de la séquence d’événements générés par plusieurs instances du même processus servent de base pour produire des prévisions sur les exécutions actuelles du processus. L’objectif de cette thèse est de proposer un cadre générique pour l’analyse des tendances sur ces flux d’événement, en temps réel. En premier lieu, nous montrons comment des tendances de différents types peuvent être calculées sur des journaux d’événements en temps réel, à l’aide d’un cadre générique appelé workflow de distance de tendance. De multiples calculs courants sur les flux d’événements s’avèrent être des cas particuliers de ce flux de travail, selon la façon dont différents paramètres de flux de travail sont définis. La suite naturelle de l’analyse statique des tendances est l’usage des algorithmes d’apprentissage. Nous joignons alors les concepts de traitement de flux d’événements et d’apprentissage automatique pour créer un cadre qui permet le calcul de différents types de prédictions sur les journaux d’événements. Le cadre proposé est générique : en fournissant différentes définitions à une poignée de fonctions d’événement, plusieurs types de prédictions différents peuvent être calculés à l’aide du même flux de travail de base. Les deux approches ont été mises en oeuvre et évaluées expérimentalement en étendant un moteur de traitement de flux d’événements existant, appelé BeepBeep. Les résultats expérimentaux montrent que les écarts par rapport à une tendance de référen

We present a new application to recognize 218 species of cultivated crops on geo-tagged photos, 'Pl@ntNet Crops'. The application and underlying algorithms are developed using more than 750k photos voluntarily collected by Pl@ntNet users. The app is then enriched by data and photos coming from the European Union's (EU) Land Use and Coverage Area frame Survey (LUCAS). During five tri-annual LUCAS campaigns from 2006 to 2018, 242 476 close-up 'cover' photos of crops were collected. The survey protocol for these photos specified that 'the picture should be taken at a close distance, so that the structure of leaves can be clearly seen, as well as flowers or fruits'. This unique labelled data provides an opportunity to further generalize the Pl@ntNet computer vision algorithms to recognize crops and enlarge their geographic representivity across the EU. To include LUCAS cover photos, we semantically match Pl@ntNet species and LUCAS legends, predict the species on LUCAS cover photos with the existing Pl@ntNet algorithm, and consider the accuracy of the classification and the number of species enriched by the photos. By setting a threshold of 0.5 on the Pl@ntNet prediction probabilities, 70 170 LUCAS photos representing 101 species classified with an accuracy of 0.9 were added to the 'Crops' app. The thematic accuracy of the legacy LUCAS data was improved by distinguishing 218 species, opposed to the original 36 LUCAS levels. Official and publicly financed LUCAS datastreams can now be improved because of Pl@ntNet citizen science, photo collection, and deep learning model development. Further use of the app and policy-relevant workflows in the agri-food-environment domain are discussed.

Summary Founder populations with deep genealogical data are well suited for investigating genetic variants contributing to diseases. Here, we present a major update of the genealogical analysis R package GENLIB, centered around a new function which can simulate the transmission of haplotypes from founders to probands along very large and complex user-specified genealogies.

L’infiltration est une mécanique de jeu qui occupe une place importante dans les jeux. Il s’agit souvent d’une idée simple, aller d’un point A à un point B en évitant le champ de visions de gardes et/ou caméras, gardant une salle avec des obstacles permettant de se cacher. La mécanique a beaucoup grandi au cours des dernières années et on la retrouve maintenant en tant que sous genre dans des grands jeux. Bien que trivial en apparence, la mécanique s’avère être minutieuse dans son développement et l’expérience est primordiale afin de créer des niveaux agréables pour le joueur. Néanmoins, avec l’exploitation de la mécanique, il est possible que des projets soient développés sans cette expérience, résultant en des niveaux pauvrement conçus. Afin de résoudre ce problème, il est intéressant d’analyser les différentes méthodes utilisées dans ces jeux afin de construire un algorithme pouvant lui-même placer les gardes. Pour y arriver, nous analyserons les particularités de la surveillance dans le monde du jeu vidéo. Puis nous étudierons les travaux déjà faits dans ce domaine avant de proposer une nouvelle solution permettant de pouvoir générer procéduralement des gardes dans le cadre d’un jeu d’infiltration.

Runtime enforcement ensures the respect of a user-specified security policy by a program by providing a valid replacement for any misbehaving sequence of events that may occur during that program’s execution. However, depending on the capabilities of the enforcement mechanism, multiple possible replacement sequences may be available, and the current literature is silent on the question of how to choose the optimal one. Furthermore, the current design of runtime monitors imposes a substantial burden on the designer, since the entirety of the monitoring task is accomplished by a monolithic construct, usually an automata-based model. In this paper, we propose a new modular model of enforcement monitors, in which the tasks of altering the execution, ensuring compliance with the security policy, and selecting the optimal replacement are split into three separate modules, which simplifies the creation of runtime monitors. We implement this approach by using the event stream processor BeepBeep and a use case is presented. Experimental evaluation shows that our proposed framework can dynamically select an adequate enforcement actions at runtime, without the need to manually define an enforcement monitor.