Lilian Besson

Informaticien & Mathématicien • Enseignant et chercheur passionné.

📜   Courte Bio

Bonjour ! Je suis Lilian Besson, un ancien élève normalien en Mathématiques et Informatique de l'ENS de Cachan. Je suis un programmeur passionné, enthousiaste supporteur des logiciels libres, et jeune chercheur en apprentissage statistique, théorie de l'apprentissage et radio intelligente. J'aime aussi cuisiner, rencontrer des gens, voyager et échanger, faire du vélo ou de la randonnée. 👨 J'utilise les pronoms il/lui.

Depuis août 2019, je suis désormais un jeune professeur agrégé (avec un statut d'agrégé préparateur) à l'ENS Rennes, en charge de la préparation à l'agrégation de mathématiques, option informatique (au niveau M2), et en charge de cours pour l'introduction à l'algorithmique et algorithmique avancée.
Je suis également chercheur associé au sein de l'équipe PANAMA de l'IRISA et de l'INRIA Rennes. Mes intérêts de recherche se situent entre l'apprentissage séquentiel, les méthodes de décomposition tensorielles, la radio intelligente, Python et les logiciels libres, et d'autres directions.

Entre octobre 2016, et novembre 2019 :

Fausse photo de moi

📰   Nouvelles

🔬   Recherche

Pour mon doctorat, mes recherches portent sur l'apprentissage machine appliqué, centré sur l'apprentissage en ligne à faible coût avec de l'information partielle ("feedback bandit"). Mes recherches s'appliquent principalement aux problèmes de radio intelligente pour l'Accès Opportuniste au Spectre (OSA) et mise en place de protocoles d'accès au réseau le plus fiables possible, pour les futurs réseaux de l'Internet des Objets (IoT). En étudiant et en appliquant des algorithmes classiques de Bandit Multi-Bras (MAB), et d'autres plus récents, nous sommes en mesure de prouver certaines garanties de performance, à la fois numériquement via des simulations et théoriquement via des preuves statistiques.
Je ferai encore de la recherche après ma thèse, je rejoins en septembre l'équipe-projet PANAMA au laboratoire IRISA à Rennes !

  • 14 Exposés de recherche
    (depuis 2017)
  • 10 Articles de recherche
    (8 publiés, 2 soumis)
  • 2 superviseurs
    et collaboration avec 2 doctorants et post-doctorants
  • 2 Grandes Écoles où j'enseigne à Rennes
  • 1 Logiciel de recherche
    (et beaucoup d'autres projets !)

📚   Publications

Orcid.org logo Orcid arXiv DBLP DBLP IdHAL Google Scholar HALtools
Liste de mes articles en PDF

Prépublications ou soumissions en cours

  1. C. Moy & L. Besson & G. Delbarre & L. Toutain.
    Decentralized Spectrum Learning for Radio Collision Mitigation in Ultra-Dense IoT Networks: LoRaWAN Case Study and Measurements.
    Soumis à un numéro spécial de la revue Annals of Telecommunications, à propos de "Machine Learning for Intelligent Wireless Communications and Networking", juillet 2019.
  2. L. Besson & E. Kaufmann.
    The Generalized Likelihood Ratio Test meets klUCB: an Improved Algorithm for Piece-Wise Non-Stationary Bandits. Février 2019.
    [ PDF ] • [ Mobile version ] • [ Slides ] • [ arXiv ] • [ HAL ] • [ BibTeX ] • [ Code (LaTeX) ] • [ Code ]
  3. L. Besson & E. Kaufmann.
    What Doubling-Trick Can and Can't Do for Multi-Armed Bandits. Septembre 2018.
    [ PDF ] • [ Version mobile ] • [ arXiv ] • [ HAL ] • [ BibTeX ] • [ Code (LaTeX) ] • [ Code ]
  4. L. Besson. 🔬 🎰 SMPyBandits: an Open-Source Research Framework for Single and Multi-Players Multi-Arms Bandits (MAB) Algorithms in Python. Juillet 2018. PyPI version Documentation Status Build Status GitHub forks GitHub stars GitHub watchers
    [ PDF ] • [ PDF (version longue) ] • [ HAL ] • [ BibTeX ] • [ Code ] • [ Documentation ]
  5. L. Besson. A Note on the Ei Function and a Useful Sum-Inequality. Février 2018.
    [ PDF ] • [ HAL ] • [ BibTeX ] • [ Code ]

Communications dans des Conférences Nationales (en France)

  1. L. Besson & E. Kaufmann.
    Analyse non asymptotique d'un test séquentiel de détection de ruptures et application aux bandits non stationnaires.
    GRETSI, Lille, France. Août 2019.
    [ PDF ] • [ 🇬🇧 Slides ] • [ 🇫🇷 Slides ] • [ HAL ] • [ BibTeX ] • [ Code (LaTeX) ] • [ Code ]

Communications dans des Conférences Internationales

  1. C. Moy & L. Besson.
    Decentralized Spectrum Learning for IoT Wireless Networks Collision Mitigation.
    1er workshop ISIoT à la conférence DCOSS, Santorin, Grèce. Mai 2019.
    [ PDF ] • [ arXiv ] • [ HAL ] • [ BibTeX ] • [ DOI ]
  2. R. Bonnefoi, L. Besson, J. Manco-Vasquez & C. Moy.
    Upper-Confidence Bound for Channel Selection in LPWA Networks with Retransmissions.
    1er workshop MoTION à la conférence WCNC, Marrakech, Maroc. Avril 2019.
    [ PDF ] • [ Version mobile ] • [ arXiv ] • [ HAL ] • [ BibTeX ] • [ Planches ] • [ Code (LaTeX) ] • [ Code (MATLAB) ] • [ DOI ]
  3. L. Besson, R. Bonnefoi & C. Moy.
    GNU Radio Implementation of MALIN: "Multi-Armed bandits Learning for Internet-of-things Network".
    WCNC (Wireless Communication and Networks Conference), Marrakech, Maroc. Avril 2019.
    [ PDF ] • [ Version mobile ] • [ arXiv ] • [ Vidéo YouTube ] • [ HAL ] • [ BibTeX ] • [ Planches ] • [ Code (LaTeX) ] • [ Code (GNU Radio) ] • [ DOI ]
  4. L. Besson, R. Bonnefoi & C. Moy.
    MALIN: Multi-Arm bandit Learning for Iot Networks with GRC: A TestBed Implementation and Demonstration that Learning Helps.
    Démonstration présentée à ICT (International Conference on Communication), Saint-Malo, France. Juin 2018.
    [ PDF* ] • [ Affiche ] • [ Vidéo YouTube ] • [ Code (GNU Radio) ]
    Plus de détails… Cette démonstration implémente un système de communication sans fil simple, avec un objet IoT communicant avec une station de base (ou point d'accès) et essayant de trouver la fréquence radio (canal) qui est la moins perturbée par un trafic aléatoire interférant, que l'on génère artificiellement. L'objet doit trouver le meilleur canal via l'apprentissage par renforcement. Nous utilisons trois cartes USRP fabriquées par National Instruments pour le trafic interférant, l'objet IoT et la station de base. Cette démonstration est basée sur notre article CROWNCOM 2017. Voir aussi ce document. Voici une vidéo de 5 minutes que j'ai réalisée pour expliquer cette démonstration.
  5. L. Besson & E. Kaufmann.
    Multi-Player Bandits Revisited.
    ALT, Lanzarote, Canari Islands. Avril 2018.
    [ PDF ] • [ Version mobile ] • [ Erratum ] • [ Planches ] • [ Affiche ] • [ arXiv ] • [ HAL ] • [ BibTeX ] • [ Code (LaTeX) ] • [ Code ]
    Présenté quelques fois… En 2017 et 2018, j'ai présenté différentes versions de ces planches pour un séminaire SequeL à Lille le 22 décembre, pour la conférence ALT à Lanzarote (Espagne) le 8 avril 2018, et j'ai présenté cette affiche pour cet atelier "Multi-Armed Bandits and Learning Algorithms" le 24 mai 2018 à la Rotterdam School of Management (Erasmus University, Pays Bas), pour le séminaire IETR et la Journée des Doctorants le 15 juin 2018 (Vannes, France), une dernière fois pour le Séminaire Optimisation et Apprentissage le 10 septembre 2018 à l'Université de Toulouse (France).
  6. L. Besson, E. Kaufmann & C. Moy.
    Aggregation of Multi-Armed Bandits learning algorithms for Opportunistic Spectrum Access.
    IEEE WCNC, Barcelone, Espagne. Avril 2018.
    [ PDF ] • [ Version mobile ] • [ Planches ] • [ HAL ] • [ BibTeX ] • [ Code (LaTeX) ] • [ Code ] • [ DOI ] • [ Actes ]
  7. R. Bonnefoi, L. Besson, C. Moy, E. Kaufmann & J. Palicot.
    Multi-Armed Bandit Learning in IoT Networks and non-stationary settings.
    CrownCom, Lisbonne, Portugal. Septembre 2017. Prix du Meilleur Article !
    [ PDF ] • [ Version mobile ] • [ Planches ] • [ Affiche ] • [ arXiv ] • [ HAL ] • [ BibTeX ] • [ Code (LaTeX) ] • [ Code (MATLAB) ] • [ DOI ] • [ Actes ]
    Presenté quelques fois… En 2017 j'ai présenté différentes versions de ces planches pour un séminaire SequeL à Lille le 15 septembre, pour la conférence CrownCom à Lisbonne le 22 septembre, puis pour cette journée de recherche du GdR-ISIS à Paris le 17 novembre, et pour le séminaire SCEE à Rennes le 23 novembre.

Publication académique

  1. L. Besson.
    Algorithmes de Bandits Multi-Joueurs pour les Réseaux de l'Internet des Objets.
    Thèse de doctorat. Sous la direction de Prof. Christophe Moy et Dr Emilie Kaufmann. Équipe SCEE à CentraleSupélec campus de Rennes et IETR, Rennes, et équipe SequeL à Inria Lille Nord Europe, Lille. Octobre 2016 - Novembre 2019.
    [ PDF ] • [ Code (thèse) ] • [ Planches ] • [ Code (planches) ] • [ Code (simulations) ]
    Résumé de ma thèse de doctorat Dans cette thèse de doctorat, nous étudions les réseaux sans fil et les appareils reconfigurables qui peuvent accéder à des réseaux de type radio intelligente, dans des bandes non licenciées et sans supervision centrale. Nous considérons des réseaux actuels ou futurs de l'Internet des Objets (IoT), avec l'objectif d'augmenter la durée de vie de la batterie des appareils, en les équipant d'algorithmes d'apprentissage machine peu coûteux mais efficaces, qui leur permettent d'améliorer automatiquement l'efficacité de leurs communications sans fil. Nous proposons deux modèles de réseaux IoT, et nous montrons empiriquement, par des simulations numériques et une validation expérimentale réaliste, le gain que peuvent apporter nos méthodes, qui se reposent sur l'apprentissage par renforcement. Les différents problèmes d'accès au réseau sont modélisés avec des Bandits Multi-Bras (MAB), mais leur analyse est difficile à réaliser, car il est délicat de prouver la convergence d'un grand nombre d'appareils jouant à un jeu collaboratif sans communication ni aucune coordination, lorsque les appareils suivent tous un modèle d'activation aléatoire. Le reste de ce manuscrit étudie donc deux modèles restreints, d'abord des bandits multi-joueurs dans des problèmes stationnaires, puis des bandits mono-joueur non stationnaires. Nous détaillons également une autre contribution, la bibliothèque Python open-source SMPyBandits, qui permet des simulations numériques de problèmes MAB, qui couvre les modèles étudiés et d'autres. Mot clés : Internet des Objets (IoT), Radio Intelligente, Théorie de l'apprentissage, Apprentissage séquentiel de l'atténuation des collisions, Apprentissage par renforcement, Bandits multi-bras (MAB), Apprentissage décentralisé, Bandits multi-bras multi-joueurs, Détection des points de changement, Bandits multi-bras non stationnaires.
  2. L. Besson, J. Fageot & M. Unser.
    A Theoretical Study Of Steerable Homogeneous Operators, And Applications.
    Rapport de stage de recherche − Master MVA. Stage avec Prof.Dr. Michael Unser et Dr. Julien Fageot. Équipe LIB à l'EPFL, Lausanne (Suisse). Août 2016.
    [ PDF ] • [ Planches ] • [ Code ] • [ 🏅 Rang : 1er & 🎓 Note : 18.43/20 ]

🎓   Enseignement

Mon souhait est de continuer à enseigner et à faire de la recherche, en informatique et en mathématiques. Idéalement, je serai très heureux si je pouvais passer les 40 prochaines années à enseigner l'introduction à informatique, Python, les structures de données et l'algorithmique, l'architecture des ordinateurs etc. J'aime transmettre ma passion de l'informatique pratique et des mathématiques, et enseigner comment elles peuvent être combinées pour être appliquées à des questions de modélisation, par exemple via l'analyse de données de la vie quotidienne (e.g., mes SMS, des citations de Kaamelott, les données des résultats d'admission à l'agrégation de maths, etc).
Je continue à enseigner après ma thèse, et même beaucoup plus, car j'ai rejoins en septembre le département Informatique et Télécommunications de l'ENS de Rennes (en tant qu'AGPR), voir cette fiche.

💻   Code

J'adore programmer et écrire du code et sa documentation , surtout avec Python pour la science, GNU Bash pour l'automatisation sur ordinateur, et HTML/CSS/JS pour des pages Internet. Tout ce que j'ai fait et continue de faire est publié sous licences libres (et utilise Git), sur mes profils GitHub ou Bitbucket.

Voici quelques exemples de ce que j'ai fait depuis 2012 :

  • 2018 : ParcourSup.py 🇫🇷 Un clone en 🐍 Python 3 de ParcoursSup, écrit à but didactique. Documentation ici, et un notebook interactif ici. Documentation Status Build Status Binder GitHub stars GitHub watchers
  • 2018 : Gym-NES-Mario-Bros 🐍 🏋 Un environnement OpenAI GYM pour l'émulateur FCEUX de la console Nintendo NES et du jeu Mario Bros. de 1983 + apprentissage par renforcement avec un réseau Double Q pour apprendre à gagner le jeu. GitHub forks GitHub stars GitHub watchers
  • 2017 : Jupyter-NBConvert-OCaml , permet l'exportation de carnets de notes Jupyter 📓 écrits dans le langage 🐫 OCaml, en écrivant un exporteur "NBConvert" (et le noyau ocaml-jupyter) GitHub stars GitHub watchers
  • 2017 : petites bibliothèques Python 🐍 (Lempel-Ziv_Complexity) et Julia (LempelZiv.jl) pour calculer la complexité de Lempel-Ziv entre deux chaînes binaires. Publiées sur Pypi et METADATA.jl. PyPI version GitHub stars GitHub stars
  • 2016 : uLogMe , un logiciel de suivi d'activité personnelle pour GNU/Linux, avec un surcoût CPU nul et des jolies visualisations. GitHub forks GitHub stars
  • 2013 : StrapDown.js , Un super outil Javascript pour rapidement publier de jolies pages sur Internet, écrites en Markdown et sans compilation. Script léger Only 32 Kb. GitHub forks GitHub stars GitHub watchers
  • Depuis 2012 : Mon C.V. 🎓, est distribué en accès libre et sous licence libre, hebergé moi-même.