Emilie Yu et Mathieu Even au palmarès du Prix de thèse Gilles Kahn

La thèse d'Emilie Yu, prix de thèse Gilles Kahn 2024, est intitulée Designing Tools for 3D Content Authoring Based on 3D Sketching. Elle s'intéresse à la création, à l'édition et à l'animation de formes tri-dimensionnelles à base d'esquisses. Le dessin 2D et les esquisses 2D sont des outils extrêmement communs pour la création graphique et le design industriel. Proposer un outil de dessin 3D, aussi accessible et efficace pour exprimer des idées que le dessin 2D est un problème ouvert en informatique graphique et réalité virtuelle et, pour être exploitable dans les processus de création 3D, doit répondre aux attentes des graphistes et designers dans leurs méthodes de travail et d'expression. Ce sont là les multiples défis auxquels Emilie Yu s'est intéressée pendant sa thèse. 

Les travaux menés par Emilie Yu sont fondés sur les notions de « coup de crayon 3D », « d'esquisse 3D » et de « couches d'édition 3D » permettant de définir par esquisse à la fois la forme et l'apparence d'un objet 3D à l'aide d'outils et de processus similaires à ce qui existe en 2D. Les recherches d’Emilie Yu, fondées sur des entretiens avec des graphistes, est primordial pour l'acceptabilité des outils de création proposés. De nombreux travaux futurs pourront ainsi s’appuyer sur ses résultats, synthétisés au sein d'un manuscrit remarquablement didactique et extrêmement agréable à lire. Emilie Yu a rédigé sa thèse sous la direction d'Adrien Bousseau au sein de l'équipe-projet GraphDeco au Centre Inria d'Université Côté d'Azur, et est aujourd'hui post-doctorante à l'Expressive Computation Lab à l'UC Santa Barbara de Californie.

Le jury du prix Gilles Kahn a été "a été impressionné par la qualité des résultats obtenus et communiqués au meilleur niveau international ainsi que par le travail de fond mené par Emilie Yu pour comprendre les attentes des graphistes et concevoir un système de dessin 3D adapté".
 

La SIF a remis également deux accessits au prix Gilles Kahn. L'un d'eux a été attribué à la thèse de Mathieu Even, Towards Decentralization, Asynchrony, Privacy and Personalization in Federated Learning », qui porte sur l’apprentissage fédéré, un paradigme où l’entraînement de modèles d’intelligence artificielle est effectué  de manière collaborative et distribuée, sans centralisation des données. Dans ce cadre, les défis sont nombreux : la décentralisation des communications, le caractère asynchrone des échanges entre les nœuds, la préservation de la confidentialité des données et la personnalisation des modèles pour chaque participant.

Les travaux de Mathieu Even se distinguent par une approche unifiant des problématiques théoriques et pratiques. Ses résultats répondent à plusieurs de ces défis. Le jury a estimé que les "les travaux de Mathieu Even représentaient une avancée majeure pour la compréhension et la mise en œuvre d’algorithmes d’apprentissage collaboratif. Ils contribuent directement au développement de solutions d’intelligence artificielle plus efficaces, robustes, équitables et respectueuses de la vie privée."

Actuellement post-doctorant dans l'équipe-projet PreMedical (Inria, INSERM,Université de Montpellier), Mathieu Even a effectué sa thèse au sein de l'équipe commune Argo (ENS-PSL/Inria Paris) sous la direction de Laurent Massoulié.