Ce projet implémente et présente les résultats d'expériences menées dans notre article 'Surveillance personnalisable de réseaux de neurones à l'aide de boîtes de résolution'. Il permet de générer et de tester des moniteurs pour un réseau spécifié avec des données et des paramètres de couche prédéfinis.

Ce projet utilise des réseaux de neurones pour détecter des vulnérabilités XSS dans du code JavaScript, en représentant le code source sous forme de vecteurs à l'aide d'une représentation basée sur des arbres abstraits hachés.

Ce projet implémente une méthode de compression d'images 360 degrés en utilisant l'apprentissage sur la sphère. Les images équirectangulaires sont d'abord samplées selon une discrétisation HEALPix de la sphère, puis une structure de voisinage est créée pour chaque pixel. Deux architectures de réseau de neurones sont mises en œuvre pour la compression : Factorized prior et scale hyperprior.

Le projet deepAsterix a pour objectif d'apprendre à utiliser des outils d'intelligence artificielle pour reconnaître si une photo représente Obelix ou Asterix. Il s'appuie sur la méthode du réseau neuronal convolutif (CNN) et consiste en la création de bases d'apprentissage à partir de vidéos et d'images de figurines imprimées en 3D représentant les deux personnages.

Ce projet est une publication sur l'utilisation des réseaux de neurones dans le domaine de la statistique publique. Il contient des exemples d'analyse de données, de classification d'images, de prédiction de données manquantes et de réduction de dimension de données.

Ce projet consiste en une collection de notebooks Jupyter, de fichiers R et Python dédiés à l'analyse et à la visualisation des données d'un étude sur les neurones projetant dans le bulbe olfactif de la souris. Le référentiel contient des analyses transcriptomiques standard de neurones projetants, une inférence de réseaux de gènes régulateurs, une analyse de réseaux de gènes régulateurs et une simulation de données unicellulaires à partir de données de séquençage d'ARN en vrac.

Ce projet vise à développer des algorithmes d'apprentissage de politiques multi-agents décentralisées pour les essaims de robots, en utilisant des réseaux de neurones graphiques (GNN). Il fournit des implémentations de deux algorithmes : Behavior Cloning et DAGGER imitation learning.

RING-NeRF est un projet de recherche en informatique dédié à la reconstruction 3D de scènes et à la synthèse d'images réalistes en utilisant des réseaux de neurones. Il permet de modéliser des scènes complexes en utilisant des champs neuronaux, offrant ainsi des possibilités intéressantes pour les applications de réalité virtuelle et augmentée.

Ce projet, basé sur l'article intitulé "Deep learning for population size history inference: design, comparison and combination with approximate Bayesian computation" (Sanchez et al.), fournit des outils pour l'inférence de la taille de population historique en utilisant des réseaux de neurones entraînés sur des données génétiques. Il inclut un notebook illustratif, une implémentation PyTorch de l'architecture SPIDNA avec la plus faible erreur de prédiction, ainsi qu'un réseau pré-entraîné SPIDNA disponible en téléchargement.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.