Régis Audran Mogo Wafo, Thomas Messi Nguélé, Armel Jacques Nzekon Nzeko'o, Djam Youh Xaviera
<div><p>Graph analysis applications are increasingly used on large-scale datasets, where memory access patterns have a significant impact on performance. In such applications, poor data locality leads to a high number of cache misses, which in turn degrades execution time. To address this issue, several graph numbering techniques have been proposed to reorganize data in memory, mainly based on structural properties of the graph. More recently, execution trace-based approaches such as NumBaClus have been introduced, leveraging clustering techniques to group nodes with similar access patterns. However, these methods do not explicitly capture the co-occurrence of nodes within the same execution contexts. In this paper, we propose NumBaFrIt, a new graph numbering approach based on frequent itemset mining of execution traces. By modeling execution traces as transactional data, our method identifies groups of nodes that are frequently accessed together and reorganizes them in memory to improve data locality. Experimental results show that NumBaFrIt improves base numbering and significantly enhances existing ordering strategies when used as a preprocessing step, leading to better cache efficiency and reduced execution time. This is for example the case on user machine with 3072 KB of cache memory, our proposal got the best cache misses reduction through the combination NumBaFrit-sup70_cn-order with 48.96% compared to 17.15% of cache misses reduction gotten with Cn-order_cl-h (an existing numbering of NumBaClus).</p></div>
Les tests statistiques couramment utilisés dans la détection de rupture (s) sont fondés sur des approximations asymptotiques dont la fiabilité sur des échantillons finis n’est pas garantie (voir DIEBOLD et CHEN (1996)). Les problèmes qui en découlent dans les applications empiriques incluent : absence de bonnes valeurs critiques, problème de contrôle de niveaux et possibilité de détecter des dates de ruptures erronées. Ces inconvénients ont contribué à l’émergence d’une génération de tests basés sur des simulations de type EDGEWORTH et Bootstrap par exemple (BAI and PERRON, 1998, SHAO and ZHANG, 2010). Pourtant, les méthodes proposées par ces derniers ne réalisent pas le contrôle de niveau.Dans ce travail, nous proposons deux tests exacts (le risque d’erreur de première espèce est égal au niveau de signification) de détection de rupture(s). Le premier est un test de Monte Carlo (MC) de détection d’une rupture. Le second est un test séquentiel de détection d’une ou plusieurs ruptures. Les procédures proposées permettent d’obtenir des seuils de signification marginaux (les valeurs-p) exacts. Nous évaluons la performance du test de MC proposé par simulation. Nos résultats montrent que les tests largement employés dans les études de modification climatique en Afrique de l’Ouest et Centrale présentent de sérieuses distorsions de niveau, alors que les tests de MC contrôlent le niveau et ont une bonne puissance.Mots clés -- Séries temporelles, détection de rupture(s) en moyenne, test de Monte Carlo, changement brusque du climat.
Le Program Increment (PI) Planning est un événement de synchronisation essentiel dans les méthodologies d'agilité à l’échelle, mais il reste largement informel, avec une rigueur analytique et un alignement stratégique limités. Cet article présente un métamodèle formel et un cadre fondé sur l’ingénierie dirigée par les modèles (model-driven engineering) pour soutenir un PI Planning structuré dans le développement logiciel à grande échelle.Notre métamodèle capture les artefacts essentiels de planification, tels que les fonctionnalités (features), les équipes, les itérations, les risques et les dépendances, et il est enrichi de contraintes OCL pour la validation et la traçabilité. Nous étendons ce modèle afin d’aligner la planification sur les value streams métier et introduisons des vues spécifiques aux parties prenantes pour une analyse ciblée. Comparée à des outils tels que Jira ou Mural, notre approche fournit une sémantique formelle, un raisonnement automatisé et une extensibilité accrue.Ce travail pose les bases d’un langage spécifique (Domain-Specific Language, DSL) dédié au PI Planning, comblant ainsi le fossé entre la pratique Agile et la modélisation formelle.
Cette étude évalue et compare les performances de deux méthodes majeures de reconnaissance d’empreintes digitales : la transformée de Hough généralisée (GHT) et les réseaux neuronaux siamois. En utilisant la base de données CASIA, reconnue pour sa diversité et son adéquation à ce type d’analyse, nous avons mené une comparaison exhaustive sur un échantillon représentatif de 628 empreintes par modèle.Les réseaux neuronaux siamois ont démontré une précision exceptionnelle, dépassant les 99,2 %. Leur efficacité dans le traitement de grands ensembles de données souligne leur pertinence pour les applications biométriques nécessitant une analyse fine. En comparaison, la transformée de Hough généralisée a atteint une précision solide de 97,7 %, confirmant sa fiabilité même dans des contextes de données plus restreints.Notre analyse met en lumière les forces distinctes de chaque méthode, notamment l’adaptabilité des réseaux siamois face aux variations complexes des empreintes digitales. Leur capacité de généralisation robuste en fait une solution idéale pour les systèmes biométriques à grande échelle.Les performances ont été évaluées à l’aide d’indicateurs clés, tels que la matrice de confusion (visualisant les correspondances prédites vs réelles) et le score F1 (équilibrant précision et rappel).Ces résultats enrichissent notre compréhension des enjeux liés à la sécurité biométrique et ouvrent des perspectives prometteuses pour les recherches futures dans ce domaine en constante évolution.
The objective of this study is to propose solutions for predicting drinking water consumption over aperiod of 5 days. To achieve this, machine learning methods such as neural network algorithms areused to confront different results in order to obtain a model that optimizes daily water consumptionthe most. The algorithms used include Multi-Layer Perceptron (MLP), Simple Recurrent NeuralNetwork, Long Short-Term Memory (LSTM) recurrent neural network, and Gated Recurrent Unit(GRU) recurrent neural network. Since the data comes from multiple sources, the algorithms areused to train models on each dataset. At the end of this study, the model that optimizes the best isselected for each dataset after comparing the results of different algorithms. Based on the variousresults obtained, the performance of the algorithms varies depending on the periods and the data.For example, the best performance in predicting consumption in the KUA area on the J+5 dayperiod is attributed to the MLP algorithm based on mean absolute errors (MAE).
Les bases de données NoSQL ont introduit une nouvelle façon de concevoir les systèmes de gestion de bases de données pour répondre aux besoins récents des applications et des services opérant dans des domaines tels que le World Wide Web, le Big Data et l'Analyse de Données. Elles offrent un moyen de stocker et d'accéder à de grands volumes de données partiellement structurées en améliorant la flexibilité du modèle de données et en intégrant une architecture distribuée au cœur de leur conception, fournissant ainsi de meilleures propriétés de haute disponibilité des données et de faible latence des données.Cet article passe en revue les différentes approches de conception des bases de données NoSQL, en fournissant des informations à jour sur leurs modèles de données, le traitement des requêtes, la scalabilité, la gestion du stockage, les modes de distribution des données et les cas d'utilisation. Il aborde également les bases de données NoSQL multi-modèles et orientées vers le cloud, et offre une description complète d'un large éventail de bases de données NoSQL à l'aide d'une riche taxonomie.
Gérard Nzebop Ndenoka, Maurice Tchuente, Emmanuel Simeu, Valery Monthe
Le GRAFCET est un puissant langage de modélisation graphique pour la spécification de contrôleurs dans des systèmes à événements discrets. Il prend en compte des structures hiérarchiques ainsi que des contraintes structurelles et sémantiques.Ici, nous proposons d'utiliser un modèle de spécification GRAFCET dans une approche d'ingénierie dirigée par les modèles (IDM) pour la synthèse multi-cible de systèmes de contrôle commande embarqués basés sur des microcontrôleurs.Dans cette approche, un métamodèle GRAFCET est associé à un métamodèle microcontrôleur, lequel caractérise les fonctionnalités de la plateforme spécifique microcontrôleur à considérer lors de la génération de code.Ce métamodèle GRAFCET proposé prend en compte la modélisation des expressions pour faciliter la vérification du modèle et une interprétation facile des événements GRAFCET ainsi que des contraintes de temps. Les règles de transformation utiles à la génération de code pour des microcontrôleurs C-programmables sont ensuite présentées.Comme application, nous présentons une plateforme basée sur Eclipse EMF, Object Constraint Language (OCL) et le moteur de génération de code Acceleo.
Armel Jacques Nzekon Nzeko'o, Hamza Adamou, Thomas Messi Nguele, Bleriot Pagnaul Betndam Tchamba
De nos jours, les plateformes d’e-commerce, de streaming et de réseaux sociaux jouent un rôle important dans notre quotidien. Cependant, l’ajout toujours croissant d’éléments sur ces plateformes (articles sur Amazon, vidéos sur Netflix et YouTube, publications sur Facebook et Instagram) rend difficile pour les utilisateurs de sélectionner les éléments qui les intéressent. L'intégration de systèmes de recommandation dans ces plateformes vise à proposer à chaque utilisateur une petite liste d'éléments correspondant à ses préférences. Pour améliorer les performances de ces systèmes de recommandation, certains travaux de la littérature intègrent une confiance explicite ou implicite entre les utilisateurs de la plateforme via des systèmes de recommandation basés sur la confiance. En effet, nombre de ces travaux reposent sur une confiance explicite, lorsque chaque utilisateur désigne ceux en qui il a confiance dans la plateforme. Mais ces informations sont rares sur la plupart des plateformes du monde réel. Ainsi, d'autres travaux proposent d'estimer la confiance implicite que chaque utilisateur peut accorder à un autre. Cependant, les travaux qui estiment la confiance implicite ne prennent pas en compte la dynamique temporelle des actions passées des utilisateurs et encore moins le fait qu'un utilisateur peut en influencer un autre sur une catégorie d'item et pas sur une autre. Dans cet article, nous proposons des stratégies sensibles au temps et au contenu pour estimer l'influence sociale d'un utilisateur sur un autre. La confiance implicite qui en résulte, consciente du temps et du contenu, est intégrée aux systèmes de recommandation basés sur la confiance, construits sur les K-Nearest Neighbours (KNN) et les techniques basées sur les graphiques. Les expériences réalisées pour les prédictions de notation avec KNN et les recommandations Top-N avec le modèle Graph montrent que la confiance implicite consciente du temps et du contenu permet d'améliorer les performances du KNN selon la métrique RMSE de 7% et 10%, et les performances du modèle graphique selon la métrique NDCG@10 de 59% et 08% respectivement sur les jeux de données Ciao et Epinions.
Régis Audran Mogo Wafo, Thomas Messi Nguelé, Armel Jacques Nzekon Nzeko'o, Djam Youh Xaviera
Social graph analysis is generally based on a local exploration of the underlying graph. That is, the analysis of a node of the graph is often done after having analyzed nodes located in its vicinity. However, over the time, networks are bound to grow with the addition of new members, which inevitably leads to the enlargement of the corresponding graphs. At this level we therefore have a problem because more the size of the graph increases, more the execution time of graph analysis applications too. This is due to the very large number of nodes that will need to be treated. Some recent work in-faces this problem by exploiting the properties of social networks such as the community structure to renumber the nodes of the graph in order to reduce cache misses. Reducing cache misses in an application allows to reduce the execution time of this application. In this paper, we argue that combining existing graph ordering with a new numbering that exploit execution traces analysis can allow to improve cache misses reduction and hence execution time reduction. The idea is to build graph numbering using execution traces of graph analysis applications and then combine it with an existing graph numbering (such as cn-order). To build this new ordering, we define a new distance and then used it to analyse execution traces with well known clustering algorithms K-means (for Kmeans-order) and hierarchical clustering (for cl-hier-order). Experiments on a user machine (dual-core) and four cores of Grid'5000 node (Neowise) show that this combination improves slightly existing graph ordering (cn-order, numbaco, rabbit and gorder) in almost all the cases (the two cores of dual-core, all the four cores of neowise), with PageRank graph application and astro-ph dataset. For example, on neowise with one thread and Astro-ph dataset, the best performance is given with the combination kmeans-order_cn-order which allows to reduce by 42.59% the cache misses (compared to the second numbaco with 40.79%) and therefore by 7.27 % the time of execution (compared to 6.89% for the second numbaco).
Thomas Messi Nguelé, Armel Jacques Nzekon Nzeko'o, Damase Donald Onana
Recent work has shown that deep learning algorithms are efficient for various tasks, whether in Natural Language Processing (NLP) or in Computer Vision (CV). One of the particularities of these algorithms is that they are so efficient as the amount of data used is large. However, sequential execution of these algorithms on large amounts of data can take a very long time. In this paper, we consider the problem of training Recurrent Neural Network (RNN) for hate (aggressive) messages detection task. We first compared the sequential execution of three variants of RNN, we have shown that Long Short Time Memory (LSTM) provides better metric performance, but implies more important execution time in comparison with Gated Recurrent Unit (GRU) and standard RNN. To have both good metric performance and reduced execution time, we proceeded to a parallel implementation of the training algorithms. We proposed a parallel algorithm based on an implicit aggregation strategy in comparison to the existing approach which is based on a strategy with an aggregation function. We have shown that the convergence of this proposed parallel algorithm is close to that of the sequential algorithm. The experimental results on an 32-core machine at 1.5 GHz and 62 Go of RAM show that better results are obtained with the parallelization strategy that we proposed. For example, with an LSTM on a dataset having more than 100k comments, we obtained an f-measure of 0.922 and a speedup of 7 with our approach, compared to a f-measure of 0.874 and a speedup of 5 with an explicit aggregation between workers.
Les langues sous-dotées rencontrent d'importants obstacles en reconnaissance vocale en raison du manque de ressources et de la disponibilité limitée des données, ce qui freine leur développement et leur adoption à grande échelle. Cet article présente un modèle d'apprentissage de représentations qui s'appuie sur des cadres existants basés sur des techniques d'apprentissage auto-supervisé — en particulier le Contrastive Predictive Coding (CPC), wav2vec, et une variante bidirectionnelle du CPC — en les intégrant à des approches d'apprentissage multilingue. Nous appliquons ce modèle à trois langues africaines : le wolof, le swahili et le fongbe. L'évaluation des représentations obtenues dans une tâche en aval, la reconnaissance automatique de la parole, en utilisant une architecture similaire à DeepSpeech, montre la capacité du modèle à discerner des caractéristiques linguistiques propres à chaque langue. Les résultats démontrent des performances prometteuses, avec des taux d'erreur de mots (WER) de 61 % pour le fongbe, 72 % pour le wolof et 88 % pour le swahili. Ces résultats soulignent le potentiel de notre approche pour faire progresser les capacités de reconnaissance vocale des langues sous-dotées, en particulier dans le contexte linguistique africain.
Au Moyen Âge, des enluminures étaient destinées aux élites de la société et leurs servaient de moyen de communication pour étendre leurs influences sociales et pour représenter leurs environnements sociaux. Elles constituent un système d'information basé sur des composants symboliques reliés entre eux par des relations sémantiques et influentes dont la structure est proche des modèles représentant des relations sociales et des réseaux. Aujourd'hui, la compréhension de ces enluminures et l'extraction de leurs messages implicites, exprimés par la combinaison d'éléments graphiques métaphoriques, sont une tâche difficile réservée aux experts. Pour aider ces derniers et traiter l'hétérogénéité sémantique des enluminures, cet article explore la synergie entre les techniques de représentation des connaissances et l'analyse des documents médiévaux pour construire un modèle de connaissances décrivant ces peintures médiévales. Il propose une ontologie formelle composée d'entités décrivant les savoirs explicites et visibles des enluminures médiévales et d'autres exprimant leurs messages implicites. Les enluminures concernées sont une partie de celles commandées et relatives au duc de Bourgogne, Philiphe le Bon.
Dans cet article, nous proposons une approche hybride pour résoudre le problème du voyageur de commerce symétrique. L'approche proposée combine l'algorithme des colonies de fourmis (ACO) avec des réseaux neuronaux basés sur le mécanisme d'attention. L'idée est d'utiliser la capacité prédictive des réseaux neuronaux pour guider le comportement des fourmis dans le choix des prochaines villes à visiter et d'utiliser les résultats de la prédiction de ces dernières pour mettre à jour la matrice de phéromones, améliorant ainsi la qualité des solutions obtenues. Concrètement, l'attention est portée sur les villes les plus prometteuses en tenant compte à la fois des informations de distance et de phéromone grâce au mécanisme d'attention qui permet d'attribuer des poids à chaque ville en fonction de son degré de pertinence. Ces poids sont ensuite utilisés pour prédire les prochaines villes à visiter pour chaque ville. Résultats expérimentaux sur des instancesTSP de la bibliothèque TSPLIB démontrent que cette approche hybride est meilleure que l'ACO classique.
Fabien Moffo, Auguste Noumsi Woguia, Joseph Mvogo Ngono, Samuel Bowong
La toux est le symptôme le plus courant des maladies pulmonaires. Le COVID-19, une maladie respiratoire, a provoqué plus de 700 millions de cas positifs et 7 millions de décès dans le monde. Un outil de diagnostic efficace, abordable et largement disponible est essentiel pour lutter contre les maladies pulmonaires et la pandémie de COVID-19. Des algorithmes d'apprentissage profond et d'apprentissage automatique pourraient être utilisés pour analyser les bruits de toux des patients infectés et faire des prédictions. Notre laboratoire de recherche et le laboratoire de recherche COUGHVID fournissent les données sur la toux. Cette approche diagnostique peut distinguer les bruits de toux des patients atteints de COVID-19 et des personnes souffrant d'autres maladies ainsi que des personnes en bonne santé en utilisant l'apprentissage profond et l'extraction de caractéristiques à partir des spectrogrammes de Mel. Le modèle utilisé est une variante de ConvNet. Ce modèle ConvNet peut facilement capturer les caractéristiques des vecteurs MFCC et permettre le parallélisme de convolution, ce qui augmente la vitesse de traitement. ConvNet atteint l'invariance translationnelle des caractéristiques grâce au partage des poids entre les couches. Lors de l'acquisition des données pour l'entraînement du modèle, il est important de prendre en compte les environnements calmes pour réduire les erreurs de qualité audio. L'architecture des réseaux neuronaux convolutionnels donne un score F1 de 89 %, une précision de 90,33 % et une sensibilité de 87,3 %. Ce système peut avoir un impact significatif sur la société en réduisant la transmission des virus, en accélérant le traitement des patients et en libérant des ressources hospitalières. La détection précoce du COVID-19 peut prévenir la progression de la maladie et améliorer l'efficacité du dépistage.
Juvet Karnel Sadie, Leonel Moyou Metcheka, René Ndoundam
La stéganographie textuelle est un mécanisme permettant de cacher un message secret dans un texte. Dans ce papier, nous proposons un schéma stéganographique basé sur le codage de couleurs. Ce schéma comprend deux méthodes différentes : la première, basée sur les permutations et la seconde, basée sur les systèmes de numération. Etant donné un message secret et un texte de couverture, les méthodes proposées cachent le message secret dans le texte de couverture en le coloriant. Le stégo-texte est ensuite envoyé au destinataire par mail. Après expérimentations, les résultats obtenus montrent que nos modèles proposent un meilleure capacité d'embarquement par rapport au schéma d'Aruna Malik et al. sur laquelle repose notre idée.
Nzeuhang Yannick Yomie, Yonta Paulin Melatagia, Lecouteux Benjamin
Les modèles auto-supervisés récemment popularisés apparaissent comme une solution au problème de la faible disponibilité des données grâce à un transfert d'apprentissage parcimonieux. Nous étudions l'efficacité de ces modèles acoustiques multilingues, en l'occurrence wav2vec 2.0 XLSR-53 et wav2vec 2.0 XLSR-128, pour la tâche de transcription de la langue Ewondo (parlée au Cameroun). Les expériences ont été menées sur 11 minutes de discours construits à partir de 103 phrases lues. Malgré une forte capacité de généralisation du modèle acoustique multilingue, les résultats préliminaires montrent que la distance entre les langues intégrées dans le XLSR (anglais, français, espagnol, allemand, mandarin, . . .) et l'ewondo a un impact important sur la performance du modèle de transcription. Les performances les plus élevées obtenues sont de l'ordre de 69% pour le WER et de 28.1% pour le CER. Une analyse de ces résultats préliminaires est effectuée et interprétée afin de proposer des pistes d'amélioration efficaces.
Six séries temporelles ont servi pour des évaluations expérimentales, en fonction des paramètres choisis, d'exactitude de prévisions de phénomènes atmosphériques par la méthode d'analyse de spectre singulier (SSA). Les méthodes les plus connues de sélection automatique des ces paramètres ont été comparées avec une sélection optimale a posteriori et des méthodes de prévision naïves. On constate notamment qu'une pratique répandue d'utiliser des fenêtres plus larges conduit souvent à des prévisions de médiocre qualité. On confirme aussi que le choix du groupement est capital. Avec l'erreur moyenne observée en dessous de 1,5% de prévisions de pluviométrie pour des horizons au delà de deux semaines, la SSA apparaît comme une alternative viable à d'autres méthodes de prévision.
Le dimensionnement de lots tient une place importante en planification de production en industrie. Il consiste à trouver un plan de production qui à la fois satisfait les demandes et autres contraintes tout en minimisant les coûts de production. Dans cet article, nous étudions une instance de problèmes de dimension discret (DLSP), le Pigment Sequencing Problem (PSP). Nous avons développé une approche basée sur les algorithmes génétiques afin de le résoudre. Notre approche propose des méthodes adaptatives pour chacune des étapes des algorithmes génétiques que sont l'initialisation, la sélection, le croisement et la mutation. Les expériences menées nous ont permis d'évaluer la performance de cette approche sur des instances en accès publique de PSP. Les résultats obtenus montrent que les algorithmes génétiques constituent une approche intéressante et effective dans la résolution des DLSP.
Cet article propose une méthode pour extraire des connaissances en règles d’association en utilisant la mesure classique de l’intensité d’implication. Nous avons ensuite appliqué notre méthode dans des données issues de travaux en didactique des mathématiques. L’objectif de l’étude en didactique est de connaitre les relations entre les difficultés et les compétences des élèves lorsque ceux-ci démontrent une proposition mathématique formulée en langue française. Le résultat de notre étude nous a démontré que notre méthodologie est efficace pour extraire les règles intéressantes. De plus les résultats d’analyse didactique ont montré la dépendance entre compréhension d’un énoncé mathématique en français, compétence à le traduire formellement et à le prouver.
The coffee berry borer (CBB) Hypothenemus hampei (Coleoptera: Scolytidae) is the most important insect pest affecting coffee production worldwide and generating huge economic losses. As most of its life cycle occurs inside the coffee berry, its control is extremely difficult. To tackle this issue, we solve an optimal control problem based on a berry age-structured dynamical model that describes the infestation dynamics of coffee berries by CBB during a cropping season. This problem consists in applying a bio-insecticide at discrete times in order to maximise the economic profit of healthy coffee berries, while minimising the CBB population for the next cropping season. We derive analytically the first-order necessary optimality conditions of the control problem. Numerical simulations are provided to illustrate the effectiveness of the optimal control strategy.
