Antoine Bergerault

Etudiant de Master en Data Science à l'Ecole Polytechnique Fédérale de Lausanne (EPFL)

Etudiant en première année de Master de Data Science. Particulièrement intéressé par la théorie des jeux, les probabilités, les méthodes numériques, l'intelligence artificielle et les sujets apparentés.

Linkedin Github

Optimisation décentralisée via des préférences 2024

Project de semestre de recherche

Nous abordons le problème de l'optimisation décentralisée d'un objectif global en combinant la conception de mécanismes et l'optimisation bayésienne préférentielle.

La conception d'utilités dans les jeux de manière à maximiser des objectifs communs est un problème central dans de nombreuses applications. Nous étudions comment cela peut être fait lorsque l'objectif commun n'est accessible que par le biais d'un retour de préférences fourni par une autorité centrale. En particulier, nous présentons SDO-PBO, un nouvel algorithme que nous analysons pour le cas des fonctions sous-modulaires, que l'on trouve en pratique dans les jeux d'allocation ou de congestion. Nous ouvrons la voie à sa mise en œuvre pour le refroidissement des serveurs de calcul ou l'optimisation des systèmes de partage de vélos, avant de discuter plus en détail des limites de notre travail et des orientations potentielles de la recherche future.

En combinant l'optimisation bayésienne préférentielle avec la conception de mécanismes, ce projet explore comment un agent central peut concevoir les règles d'un jeu pour maximiser une fonction de biens communs en utilisant un historique de préférences. Dans ce rapport, nous développons et analysons une nouvelle solution à cette question. Nous étendons tout d'abord les travaux antérieurs à un cadre théorique des jeux, puis nous dérivons SDO-PBO, un algorithme dont nous prouvons l'efficacité dans l'optimisation des fonctions sous-modulaires.

Optimiser la conduite hors route 2023

16745 Projet de groupe

Nous avons étudié les moyens de planifier et de suivre une trajectoire optimale pour de la conduite hors route.

Ce document résume notre projet sur de la conduite autonome hors route à partir de cartes de coûts de données réelles. Sur la base des données collectées par le AirLab de l'Université Carnegie Mellon, nous avons pu concevoir un planificateur de trajectoire en utilisant l'algorithme RRT# et déterminer les contrôles optimaux pour suivre cette trajectoire. Nous expérimentons les algorithmes iLQR et MPPI pour suivre la trajectoire de référence en utilisant le modèle du vélo comme simplification des dynamiques du système.

La conduite autonome hors route sur des terrains complexes est une tâche difficile. Dans ce projet, nous nous sommes intéressés à l'optimisation de la trajectoire d'un véhicule dans un environnement dérivé de données réelles. Pour décrire le véhicule, nous avons utilisé un modèle dynamique de vélo, et les données que nous avons utilisées pour les cartes ont été collectées avec un véhicule Yamaha à Gascola, en Pennsylvanie, par les chercheurs du AirLab. Les chercheurs de ce laboratoire ont généré toutes les cartes à l'aide de divers capteurs tels que des caméras, des IMU et des Lidar. Une fois les observations et les cartes de coûts générées, nous pouvons dériver une trajectoire quasi-optimale à l'aide d'un planificateur basé sur l'échantillonage. Afin de suivre la trajectoire dans cet environnement complexe, nous avons voulu comparer une méthode basée sur l'échantillonnage appelée Model Predictive Path Integral (MPPI) à la paire classique iLQR-LQR.

Apprentissage fédéré pour des clients hétérogènes 2023

18460 Projet de groupe

De nombreuses applications font appel à des clients en réseau dotés de capacités de calcul hétérogènes. Dans cette étude de reproductibilité, notre objectif est d'implémenter et d'étudier l'algorithme principal du papier de recherche FedHybrid.

L'apprentissage fédéré est un domaine de recherche en vogue dans lequel nous répartissons l'apprentissage entre plusieurs appareils possédant leurs propres ensembles de données locales. Il s'agit d'une solution prometteuse pour résoudre les problèmes de sécurité des données et de respect de la vie privée. Lorsqu'ils communiquent, les clients impliqués dans l'apprentissage ne partagent pas explicitement les informations relatives à leur ensemble de données, mais plutôt le résultat de leurs mises à jour locales sur des paramètres. En regroupant toutes les mises à jour, un serveur central serait en mesure de dériver des paramètres de consensus global.

De nombreuses études antérieures ont porté sur le cas de clients homogènes, où il a été prouvé que les mises à jour classiques de premier et second ordre présentent des garanties de convergence différentes. Souvent, les clients du réseau n'ont pas les mêmes capacités de calcul, ce qui entraîne un gaspillage de ressources. L'article FedHybrid propose une solution pour réaliser de l'apprentissage fédéré dans ces environnements hétérogènes. Dans cette étude, nous résumons le fonctionnement de leur méthode et montrons comment nous avons pu l'implémenter en utilisant Python afin de reproduire leurs résultats.

Les systèmes de chiffrement à l'épreuve du quantique 2019

Travaux Personnels Encadrés (Baccalauréat)

Ce travail effectué avec Ambroise Grandjean et avec la supervision de certains professeurs nous a permis de donner une réponse à la problématique suivante : les ordinateurs quantiques remettent-ils en cause les systèmes de cryptage actuels ?

Voici une retranscription de la conclusion à laquelle nous sommes parvenus :

La cryptographie est actuellement l'un des piliers de l'informatique et du transfert sécurisé de données. Les systèmes de chiffrement les plus courants utilisent des théorèmes mathématiques permettant de fonder leur sécurité sur des limites technologiques. Ainsi, la taille de nos clés de chiffrement est normalisée, ce qui rend le temps de décryptage des messages chiffrés beaucoup trop important pour la technologie actuelle. Sur la base de ce constat, les systèmes de chiffrement actuels sont considérés comme sûrs et sont utilisés dans tous les domaines de la vie quotidienne [...]. Grâce aux grandes avancées de la physique et de la technologie quantiques en particulier, [les ordinateurs quantiques] auront théoriquement la puissance de calcul nécessaire pour contourner ces systèmes de sécurité. Cependant, des techniques pourraient être utilisées pour protéger les données de cette nouvelle technologie mais actuellement, peu sont déjà mises en œuvre car elles restent assez expérimentales comme la cryptographie quantique. Le hachage est assez utilisé mais le problème de l'irréversibilité ne permet pas de l'appliquer partout. Pour l'instant, l'ordinateur quantique ne présente pas de réel danger pour la sécurité des données, mais la course est lancée [...]. Un problème sociétal pourrait alors se poser, il faut donc mettre en place dès aujourd'hui des systèmes qui nous permettront de nous protéger des attaques de demain.