{"status":"ok","message-type":"work-list","message-version":"1.0.0","message":{"facets":{},"total-results":1427757,"items":[{"institution":[{"id":[{"id":"https:\/\/ror.org\/00mfpxb84","id-type":"ROR","asserted-by":"publisher"}],"name":"Avignon"}],"indexed":{"date-parts":[[2026,7,30]],"date-time":"2026-07-30T11:35:49Z","timestamp":1785411349489,"version":"3.56.0"},"reference-count":0,"publisher":"Agence Bibliographique de l'Enseignement Sup\u00e9rieur","content-domain":{"domain":[],"crossmark-restriction":false},"abstract":"<jats:title>Repr\u00e9sentation de la preuve pour le respect de la vie priv\u00e9e : inf\u00e9rence bay\u00e9sienne, preuve compositionnelle et calibration<\/jats:title>\n                <jats:p xml:lang=\"fr\">Dans les technologies multim\u00e9dia, le respect de la vie priv\u00e9e orient\u00e9 attributs consiste \u00e0 dissimuler l'information relative \u00e0 un seul attribut de l'utilisateur comme par exemple son sexe, sa nationalit\u00e9 ou son \u00e9tat de sant\u00e9. Quand l'attribut ne peut prendre qu'une valeur parmi un ensemble fini de valeurs possibles, la connaissance d'un attaquant sur l'attribut est repr\u00e9sent\u00e9e par une distribution de probabilit\u00e9 discr\u00e8te sur l'ensemble des valeurs possibles. L'inf\u00e9rence bay\u00e9sienne d\u00e9crit comment une connaissance a priori, est transform\u00e9e en une connaissance a posteriori par une fonction de vraisemblance. Dans le cas binaire, la fonction de vraisemblance peut \u00eatre \u00e9crite comme le log-ratio des vraisemblances (LRV). Le LRV informe quelle hypoth\u00e8se (ou valeur de l'attribut) une observation appuie et \u00e0 quel point. La formule de Bayes peut \u00eatre \u00e9crite comme la somme du LRV et du log-ratio des probabilit\u00e9s a priori. La contribution de l'observation et celle de la connaissance a priori sont ainsi s\u00e9par\u00e9es dans le calcul de l'a posteriori. Dans cette th\u00e8se, il est propos\u00e9 de repr\u00e9senter l'information sensible, r\u00e9v\u00e9l\u00e9e par une donn\u00e9e, par une fonction de vraisemblance. Cependant, la forme intuitive de la formule de Bayes dans le cas binaire n'est pas directement g\u00e9n\u00e9ralisable aux cas non-binaires. Il est donc propos\u00e9 de traiter les distributions de probabilit\u00e9 et les fonctions de vraisemblance comme des donn\u00e9es compositionnelles. Ces donn\u00e9es vivent sur le simplexe o\u00f9 un espace vectoriel euclidien, connu sous le nom de g\u00e9om\u00e9trie d'Aitchison, peut \u00eatre d\u00e9fini. Avec le syst\u00e8me de coordonn\u00e9es d\u00e9fini par l'approche isom\u00e9trique-log-ratio, la forme additive de l'inf\u00e9rence bay\u00e9sienne est retrouv\u00e9e. Dans cet espace, la fonction de vraisemblance (ILRV), est consid\u00e9r\u00e9e comme la g\u00e9n\u00e9ralisation multidimensionnelle et multi-hypoth\u00e8ses du LRV. Le secret parfait, appliqu\u00e9 ici au respect de la vie priv\u00e9e, est atteint lorsque l'a posteriori de l'attaquant est \u00e9gale \u00e0 son a priori. De cette mani\u00e8re, les donn\u00e9es ne fournissent aucune information. Le secret parfait est atteint lorsque le LRV est z\u00e9ro pour les cas binaires et, par extension, lorsque l'ILRV est \u00e9gal au vecteur nul pour les cas non-binaires. Pour que les ILRVs repr\u00e9sentent correctement l'information r\u00e9v\u00e9l\u00e9e par les donn\u00e9es, ils doivent \u00eatre calibr\u00e9s. L'idempotence des LRVs calibr\u00e9s et sa contrainte sur la distribution des LRVs normalement distribu\u00e9s sont des propri\u00e9t\u00e9s bien connues. Dans cette th\u00e8se, ces propri\u00e9t\u00e9s sont \u00e9tendues aux ILRVs pour des applications multi-hypoth\u00e8ses. \u00c0 partir de ces propri\u00e9t\u00e9s et de la nature compositionnelle des fonctions de vraisemblance, une nouvelle analyse discriminante est propos\u00e9e. D'abord pr\u00e9sent\u00e9e pour des applications binaires, l'approche plonge les donn\u00e9es dans un espace o\u00f9 la composante discriminante est un LRV calibr\u00e9. La transformation est apprise avec un flot normalisant qui est une cascade de r\u00e9seaux de neurones artificiels inversibles. Cela peut \u00eatre utilis\u00e9 pour le respect de la vie priv\u00e9e orient\u00e9 attributs. La transformation \u00e9tant inversible, le LRV peut \u00eatre mis \u00e0 z\u00e9ro, avant de replonger les donn\u00e9es dans l'espace d'origine. Cette approche est test\u00e9e sur la dissimulation du sexe du locuteur sur des repr\u00e9sentations locuteur issues de r\u00e9seaux de neurones artificiels. Ces repr\u00e9sentations prot\u00e9g\u00e9es sont test\u00e9es sur une t\u00e2che de v\u00e9rification automatique du locuteur et sur une t\u00e2che de conversion de la voix. Les propri\u00e9t\u00e9s du LRV \u00e9tant g\u00e9n\u00e9ralisables au ILRV, l'analyse discriminante se g\u00e9n\u00e9ralise aux cas non-binaires. Appel\u00e9e Analyse Discriminante Compositionnelle, elle plonge les donn\u00e9es dans un espace o\u00f9 les dimensions discriminantes forment une fonction de vraisemblance calibr\u00e9e exprim\u00e9e par l'ILRV. Pr\u00e9sent\u00e9s dans un contexte de s\u00e9curit\u00e9 des donn\u00e9es personnelles, ces travaux ouvrent cependant de nombreuses directions de recherche dans les domaines de la calibration et de l'apprentissage automatique de repr\u00e9sentations interpr\u00e9tables de l'information<\/jats:p>","DOI":"10.70675\/84e9ac42zcaa7z474dza183zf89c11faa4e1","type":"dissertation","created":{"date-parts":[[2026,4,8]],"date-time":"2026-04-08T08:55:44Z","timestamp":1775638544000},"approved":{"date-parts":[[2023,4,26]]},"source":"Crossref","is-referenced-by-count":0,"title":["Representing evidence for attribute privacy : bayesian updating, compositional evidence and calibration"],"prefix":"10.70675","author":[{"ORCID":"https:\/\/orcid.org\/0000-0002-2304-9830","authenticated-orcid":false,"given":"Paul-Gauthier","family":"No\u00e9","sequence":"first","affiliation":[{"id":[{"id":"https:\/\/ror.org\/00mfpxb84","id-type":"ROR","asserted-by":"publisher"}],"name":"Avignon"}],"role":[{"vocabulary":"crossref","role":"author"}]}],"member":"51494","contributor":[{"sequence":"additional","affiliation":[],"role":[null]}],"deposited":{"date-parts":[[2026,4,8]],"date-time":"2026-04-08T08:55:45Z","timestamp":1775638545000},"score":29.540628,"degree":["Doctorat \u00e8s Agrosciences et sciences","PhD"],"resource":{"primary":{"URL":"https:\/\/theses.fr\/2023AVIG0113"}},"issued":{"date-parts":[[null]]},"references-count":0,"alternative-id":["2023AVIG0113"],"URL":"https:\/\/doi.org\/10.70675\/84e9ac42zcaa7z474dza183zf89c11faa4e1"},{"indexed":{"date-parts":[[2026,2,26]],"date-time":"2026-02-26T16:36:43Z","timestamp":1772123803544,"version":"3.50.1"},"description":"Supplemental Information for 10.1021\/acs.analchem.1c00578","reference-count":0,"publisher":"American Chemical Society (ACS)","content-domain":{"domain":[],"crossmark-restriction":false},"DOI":"10.1021\/acs.analchem.1c00578.s001","type":"component","created":{"date-parts":[[2021,7,8]],"date-time":"2021-07-08T15:45:42Z","timestamp":1625759142000},"source":"Crossref","is-referenced-by-count":0,"title":["Calibration Model Updating to Novel Sample and Measurement Conditions without Reference Values"],"prefix":"10.1021","member":"316","deposited":{"date-parts":[[2021,7,20]],"date-time":"2021-07-20T03:46:30Z","timestamp":1626752790000},"score":21.96127,"resource":{"primary":{"URL":"https:\/\/pubs.acs.org\/doi\/suppl\/10.1021\/acs.analchem.1c00578\/suppl_file\/ac1c00578_si_001.pdf"}},"issued":{"date-parts":[[null]]},"references-count":0,"URL":"https:\/\/doi.org\/10.1021\/acs.analchem.1c00578.s001","relation":{"is-component-of":[{"id-type":"doi","id":"10.1021\/acs.analchem.1c00578","asserted-by":"object"}]}},{"indexed":{"date-parts":[[2022,3,31]],"date-time":"2022-03-31T04:57:08Z","timestamp":1648702628782},"posted":{"date-parts":[[2020,9,14]]},"reference-count":0,"publisher":"American Chemical Society (ACS)","content-domain":{"domain":[],"crossmark-restriction":false},"DOI":"10.1021\/scimeetings.0c00113","type":"posted-content","created":{"date-parts":[[2020,3,31]],"date-time":"2020-03-31T17:40:09Z","timestamp":1585676409000},"source":"Crossref","is-referenced-by-count":0,"title":["Model updating and selection frameworks without reference values (calibration standards)"],"prefix":"10.1021","author":[{"given":"Robert","family":"Spiers","sequence":"first","affiliation":[],"role":[{"role":"author","vocabulary":"crossref"}]}],"member":"316","deposited":{"date-parts":[[2020,9,14]],"date-time":"2020-09-14T16:14:23Z","timestamp":1600100063000},"score":21.615072,"resource":{"primary":{"URL":"https:\/\/www.morressier.com\/article\/5f511d216fdcfc687198aee6"}},"issued":{"date-parts":[[2020,9,14]]},"references-count":0,"URL":"https:\/\/doi.org\/10.1021\/scimeetings.0c00113","published":{"date-parts":[[2020,9,14]]},"subtype":"other"}],"items-per-page":3,"query":{"start-index":0,"search-terms":null}}}