Agenda

Département
Langue
Date
Thématique
2025

décembre

  • 09:30
    12:00

    Cette thèse traite de la recommandation de livres en arabe à partir de sources hétérogènes, en conciliant personnalisation, explicabilité et adaptation temporelle. À partir d’un corpus Goodreads, nous mettons en place un pipeline traçable : normalisation des avis (MSA/dialectes), déduplication et nettoyage, harmonisation des métadonnées (auteur, titre, description), et enrichissement sémantique parcimonieux. Nous proposons D-MARS, qui encode chaque modalité selon sa nature (avis via un modèle de langue adapté à l’arabe dialectal, notes via un perceptron ordinal, métadonnées via des représentations dédiées), puis agrège par attention hiérarchique combinant pondérations intra-vue (métadonnées) et inter-vues (calibrage des sources) avant la modélisation des interactions. L’extension D-MARS+ introduit un apprentissage incrémental par sessions avec rejouage contrôlé, limitant l’oubli et stabilisant la qualité au fil du temps. L’évaluation (split temporel strict, ablations, sensibilité) s’appuie sur une lecture interprétable des poids d’attention, montrant comment l’information se répartit entre avis, métadonnées et notes selon la richesse des entrées.
    Les contributions portent sur (i) un corpus nettoyé et un pipeline reproductible adaptés aux spécificités arabes, (ii) une fusion explicable exploitant la complémentarité des vues sans complexité superflue, et (iii) une stratégie incrémentale simple et efficace améliorant la cohérence temporelle des rangs. Les limites concernent le bruit dialectal, la complétude inégale des métadonnées et le coût d’encodage. Les perspectives incluent des objectifs mieux alignés sur le rang, la distillation/quantification pour l’inférence, l’adossement à un graphe sémantique (auteurs/thèmes) et des évaluations in vivo intégrant diversité, équité et robustesse.

    ? ailleurs qu'au LaBRI
  • 10:00
    14:00

    Au cours des dernières décennies, afin de répondre aux demandes croissantes en puissance de calcul, les systèmes de calcul haute performance se sont dotés d'architectures de plus en plus complexes. Les architectures récentes intègrent désormais des accélérateurs tels que les FPGA et GPU, du multi-GPU, ainsi que des topologies d'interconnexion complexes. Cependant, si cela permet d'atteindre des performances optimales sans précédent, exploiter pleinement ces architectures devient de plus en plus complexe. Notamment, l'écart croissant entre la performance des coeurs et la bande passante des bus mémoire, ainsi que l'introduction des effets NUMA (Non Uniform Memory Access) limitent les performances des applications gourmandes en mémoire, les rendant "memory-bound". Dans ce contexte, les applications gourmandes en mémoire, ou toutes phases phase de calcul gourmandes en mémoire au sein d'une application, atteindront souvent de meilleures performances et une meilleure effcacité énergétique sur un sous-ensemble des ressources disponibles, utilisant ainsi moins de coeurs et d'accélérateurs, et donc réduisant la quantité d'accès aux données requis et évitant les effets NUMA. Cependant, trouver un ensemble optimal de ressources pour exécuter ces applications ajoute un autre défi d'optimisation pour les développeurs, en particulier lorsqu'ils envisagent plusieurs architectures, car cet ensemble optimal variera en fonction de la topologie de l'architecture cible. Pour alléger cette charge, nous présenterons dans cette thèse deux heuristiques d'ajustement des ressources dynamiques, capables de choisir de manière transparente un ensemble efficace de GPU pour exécuter des applications itératives. Cette heuristique exploite à la fois des mesures de performances en ligne et l'observation des schémas d'accès aux données, ainsi que les informations sur la topologie de l'architecture cible, afin d'explorer et trouver le meilleur ensemble de ressources sans entraîner de surcoût significatif, indépendamment de l'architecture. Nous validons nos heuristiques sur deux groupes de benchmarks et trois architectures. Le premier groupe de benchmarks évalue la précision de nos heuristiques. Nous avons constaté que l'on trouve la meilleure ou la deuxième meilleure configuration dans 98, 33% des cas, sans jamais sélectionner une configuration plus lente de plus de 9% par rapport à la configuration optimale. Le deuxième groupe de benchmarks compare nos heuristiques à des implémentations naïves. Nos heuristiques surpassent les heuristiques naïves dans la majorité des scénarios. Nous observons également une amélioration de l'efficacité énergétique proportionnelle à l'accélération obtenue. Enfin, nos heuristiques atteignent au moins 92, 6% des performances maximales observées sur tous les benchmarks, quelles que soient les architectures ciblées, ce qui indique une bonne portabilité des performances.

    Amphi LaBRI