Page Not Found
Page not found. Your pixels are in another canvas.
Sitemap
A list of all the posts and pages found on the site. For you robots out there is an XML version available for digesting as well.
Pages
Page not in menu
This is a page not in th emain menu
Posts
Compiling MESONH on Apple Silicon 2 : arm64
Mis à jour :
Recently, I’ve been trying to help someone to install the Meso-NH atmospheric model on a new Macbook Air M1. In this post, I try to document how I partially succeeded. The complete x86_64 story has been documented earlier, here I’m interested with the native arm64 version.
Compiling MESONH on Apple Silicon 1 : x86_64
Mis à jour :
Recently, I’ve been trying to help someone to install the Meso-NH atmospheric model on a new Macbook Air M1. In this post, I try to document how I partially succeeded. In three words : up to now I have been able to compile it for x86_64 (on the arm64 based M1) and run it successfully using Rosetta2 on the M1, but I’m still stuck at the linkage/run part of a native arm64 version, I’ll document that later.
positions
Calcul Multi-Parties Sécuritaire et Apprentissage Equivoque
Mis à jour :
Cette thèse aura lieu dans le cadre du projet DEEL et portera sur l’utilisation de techniques issues du calcul-multi-parties sécuritaire afin de faire avancer les connaissances en apprentissage machine équivoque (sur des données privées/confidentielles).
Application du chiffrement homomorphe à l’apprentissage machine pour assurer la confidentialité des données
Mis à jour :
Cette thèse aura lieu dans le cadre du projet DEEL et portera sur l’utilisation du chiffrement homomorphe afin de faire avancer les connaissances en apprentissage machine équivoque (sur des données privées/confidentielles).
Sécurité et vie-privée pour la génomique
Mis à jour :
Contexte
Données et services géolocalisées respectueux de la vie-privée
Mis à jour :
Contexte
Confidentialité différentielle pour la sécurité et la protection de la vie-privée en-ligne
Mis à jour :
Contexte
Nouveaux mécanismes de protection de la vie privée par chiffrement homomorphe
Mis à jour :
Un schéma de chiffrement homomorphe (HE) [10] permet de calculer une fonction (ou un circuit) arbitraire sur des données chiffrées de telle manière à ce que l’entité effectuant le calcul (ex : un fournisseur de ressources de calcul) n’apprenne aucune information sur les données d’entrée ou même la sortie du calcul. De pure vue de l’esprit pendant une trentaine d’années, le HE est devenu ces dernières années, en partie notamment aux avancées concernant le calcul sur les réseaux Euclidiens, un outil utilisable en pratique [2], même si sa performance en termes de temps de calcul n’est pas encore satisfaisante pour permettre un déploiement à très large échelle. En particulier, des schémas de chiffrement partiellement homomorphe, dont le nombre d’opération dans le monde des chiffrés est paramétré, ont permis des avancées notables dans le monde des technologies d’amélioration du respect de la vie privée [1].
Génération de nombre aléatoire inconsciente
Mis à jour :
Contexte
Réseaux de neurones lipschitziens et chiffrement homomorphe
Mis à jour :
Contexte
Schémas de calcul inconscient multi-précision
Mis à jour :
Contexte
Un schéma de chiffrement homomorphe (HE) permet de calculer une fonction (ou un circuit) arbitraire sur des données chiffrées de telle manière à ce que l’entité effectuant le calcul (ex : un fournisseur de ressources de calcul) n’apprenne aucune information sur les données d’entrée ou même la sortie du calcul. De pure vue de l’esprit pendant une trentaine d’années, le HE est devenu ces dernières années, en partie notamment aux avancées concernant le calcul sur les réseaux Euclidiens, un outil utilisable en pratique [2], même si sa performance en termes de temps de calcul n’est pas encore satisfaisante pour permettre un déploiement à très large échelle. En particulier, des schémas de chiffrement partiellement homomorphe, dont le nombre d’opération dans le monde des chiffrés est paramétré, ont permis des avancées notables dans le monde des technologies d’amélioration du respect de la vie privée [1].
talks
Confidentiality in Machine Learning
Mis à jour :
In this talk, I introduced the challenges of confidentiality, and more generally security, in machine learning and some research avenues from my research group.
De l’usage du chiffrement homomorphe dans l’apprentissage machine : Confiance et Confidentialité des données et des modèles
Mis à jour :
Dans cette présentation, j’ai présenté les enjeux de confiance dans l’IA et le ML, exposé quelques pisptes explorées dans mon équipe relatives au chiffrement homomorphe et quelques avenues de travaux futurs.
Confidentiality in Machine Learning
Mis à jour :
In this talk, I introduced the challenges of confidentiality, and more generally security, in machine learning as I chaired the Confidentiality session of the Mobilit’AI 2024 Conference.
Un protocole SMPC de curation de données d’entrainement et sa fragilité aux hypothèses de sécurité : Sécurité et insécurité - dans quel état j’erre, ai-je bien rangé mon modèle de sécurité ?
Mis à jour :
De nos jours, les sources de données, et leurs curateurs, sont répartis à travers le monde. Il arrive que les propriétaires de ces données souhaitent collaborer entre eux afin d’augmenter la qualité de ces données, particulièrement avant d’entrainer des modèles d’apprentissage machine.
An SMPC training data curation protocol and its fragility to security assumptions : Being actors of our own privacy failure
Mis à jour :
In this talk, I presented the challenges faced when using a blackbox privacy enhancing technology, in particular regarding its asumptions. I illustrated the complexity of trusting the promises of confidentiality of the inputs, in particular when using a SMPC mechanism where the participants, or an eavesdropper, learn only the output of the mechanism. From the output of CryptoGraph, a mechanism for privately curating graph data, an adversary is able to reconstruct most of the input of the participants.
Un protocole SMPC de curation de données d’entrainement et sa fragilité aux hypothèses de sécurité : Sécurité et insécurité - dans quel état j’erre, ai-je bien rangé mon modèle de sécurité ?
Mis à jour :
De nos jours, les sources de données, et leurs curateurs, sont répartis à travers le monde. Il arrive que les propriétaires de ces données souhaitent collaborer entre eux afin d’augmenter la qualité de ces données, particulièrement avant d’entrainer des modèles d’apprentissage machine.
teaching
GeoPrivacy
Maitrise, ISAE Toulouse, 2019
Il s’agit d’un cours que j’ai donne de 2015 a 2019. Voir sa page web
INM6000 Informatique et Societe
Bac, UQAM, Department Informatique, 2020
A l’hiver 2020, j’ai enseigné le cours INM6000, Informatique et Société, au Bac d’Informatique de l’UQAM. Tout le matériel de cours est sur Moodle.
INF4471 - Introduction à la sécurité informatique
Bac, UQAM, Départment Informatique, 2020
A l’automne 2020, je vais enseigner le cours INF4471, Introduction à la sécurité informatique, au Bac d’Informatique de l’UQAM. Le cours sera donné à distance, comme tous les cours des universités Montréalaises de l’automne 2020. Le cours sera probablement proposé sur Moodle.
INF8700 Securite des systemes, donnees, contrats
MsC, UQAM, Department Informatique, 2021
Depuis l’hiver 2021, j’enseigne regulierement le cours INF8700, Securite des systemes, donnees, contrats, en Maitrise d’Informatique, de TI, etc. de l’UQAM. Tout le matériel de cours est sur Moodle.
INF8000 Introduction à la recherche
MsC, UQAM, Department Informatique, 2025
À partir de l’hiver 2025, et au titre de la direction des programmes de Maitrise en Informatique et du Doctorat en Informatique, j’enseignerai le cours INF8700, Introduction à la recherche. Tout le matériel de cours est sur Moodle.