Stage

La responsable des stages est Safia Kedad-Sidhoum.
La durée des stages est de 5 mois minimum et 6 mois maximum. Les soutenances auront lieu cette année en Septembre.
Propositions de stages de M2.

Algorithmes d'ordonnancement avec prédictions

Au cours des dernières décennies, la conception et l'analyse des algorithmes étaient basées sur l'analyse du pire cas, où la performance d'un algorithme est caractérisée par sa pire performance sur toutes les instances d'une taille donnée. Cependant, pour de nombreux problèmes, l'analyse du pire cas ne permet pas de prédire les performances des algorithmes en pratique. En effet, dans de nombreux scénarios, l'entrée est loin d'être le pire cas et présente certaines caractéristiques prévisibles.

Thématiques: 
Recherche Opérationnelle

Context-aware adaptive swarm robotics

Le contexte de ce stage est celui de la robotique en essaim adaptive. Il s'agit de concevoir et déployer des algorithmes d'apprentissage distribués permettant à un ensemble de robots de résoudre une tâche collectivement (p.ex. transport collectif d'objets, exploration de l'environnement, recherche et récupération de ressources). Dans ce cadre, deux types de contraintes apparaissent principalement: (1) l'environnement de déploiement des robots est inconnu au préalable et (2) les capacités de communication et de calcul des robots sont limitées.

Thématiques: 
Robotique
Systèmes Multi-Agents

Semantic Graph Mining for Black-Box Optimisation

The general aim of the internship is to exploit expert knowledge regarding properties of optimisation
algorithms and problems, represented in the formal frameworks of ontologies and conceptual
graphs, and to develop tools to automatically extract underlying correlations: the objective
is to allow understanding the reasons why an algorithm is more appropriate than others to solve a
problem depending on its characterisation and possibly to offer new tools to configure optimisation
algorithms.

Comparaison de différents formalismes de causalité réelle : théorie, implémentations et illustrations

Contexte
Dans le domaine de l’intelligence artificielle explicable (XAI), de nombreuses approches sont
développées. Parmi celles-ci, une classe importante conçoit la recherche d’explications comme la
recherche de causes à une observation ou une décision. Il s’agit donc d’aller au-delà de simples
corrélations. Le but de ce stage est d’étudier les principaux formalismes dans cette classe de
méthodes, en distinguant en particulier les méthodes qui recherchent toutes les causes possibles
et celles qui cherchent à répondre à des questions particulières.

Computational models to predict user trajectories in dynamic environments / Modèles computationnels pour la prédiction de trajectoires d'utilisateurs dans des environnements dynamiques

keywords:
target selection, VR, optimal motor control, motor learning, HCI

Pages

User login