Multifractal analysis (MFA) provides a framework for the global characterization of image textures by describing the spatial fluctuations of their local regularity based on the multifractal spectrum. Several works have shown the interest of using MFA for the description of homogeneous textures in images. Nevertheless, natural images can be composed of several textures and, in turn, multifractal properties associated with those textures. This paper introduces an unsupervised Bayesian multifractal segmentation method to model and segment multifractal textures by jointly estimating the multifractal parameters and labels on images, at the pixel-level. For this, a computationally and statistically efficient multifractal parameter estimation model for wavelet leaders is firstly developed, defining different multifractality parameters for different regions of an image. Then, a multiscale Potts Markov random field is introduced as a prior to model the inherent spatial and scale correlations (referred to as cross-scale correlations) between the labels of the wavelet leaders. A Gibbs sampling methodology is finally used to draw samples from the posterior distribution of the unknown model parameters. Numerical experiments are conducted on synthetic multifractal images to evaluate the performance of the proposed segmentation approach. The proposed method achieves superior performance compared to traditional unsupervised segmentation techniques as well as modern deep learning-based approaches, showing its effectiveness for multifractal image segmentation.

This article addresses the problem of computing a Cramér-Rao bound when the likelihood of Euclidean observations is parameterized by both unknown Lie group (LG) parameters and covariance matrix. To achieve this goal, we leverage the LG structure of the space of positive definite matrices. In this way, we can assemble a global LG parameter that lies on the product of the two groups, on which LG's intrinsic tools can be applied. From this, we derive an inequality on the intrinsic error, which can be seen as the equivalent of the Slepian-Bangs formula on LGs. Subsequently, we obtain a closed-form expression of this formula for Euclidean observations. The proposed bound is computed and implemented on two real-world problems involving observations lying in $\mathbb{R}^{p}$, dependent on an unknown LG parameter and an unknown noise covariance matrix: the Wahba's estimation problem on $SE(3)$, and the inference of the pose in $SE(3)$ of a camera from pixel detections.

Nonlinear regression plays a crucial role in various engineering applications. For the sake of mathematical tractability and ease of implementation, most of the existing inference procedures are derived under the assumption of independent and identically distributed (i.i.d.) Gaussian-distributed data. However, real-world situations often deviate from this assumption, with the true data generating process being a correlated, heavy-tailed and non-Gaussian one. The paper aims at providing the Misspecified Cramér–Rao Bound (MCRB) on the Mean Squared Error (MSE) of any unbiased (in a proper sense) estimator of the parameters of a nonlinear regression model derived under the i.i.d. Gaussian assumption in the place of the actual correlated, non-Gaussian data generating process. As a special case, the MCRB for an uncorrelated, i.i.d. Complex Elliptically Symmetric (CES) data generating process under Gaussian assumption is also provided. Consistency and asymptotic normality of the related Mismatched Maximum Likelihood Estimator (MMLE) will be discussed along with its connection with the Nonlinear Least Square Estimator (NLLSE) inherent to the nonlinear regression model. Finally, the derived theoretical findings will be applied in the well-known problem of time-delay and Doppler estimation for GNSS.

In this Ph.D. thesis, we explore machine learning-based solutions for channel decoding in Machine-to-Machine type communications, where achieving ultra-reliable lowlatency communications (URLLC) is essential. Their primary issue arises from the exponential growth in the decoder’s complexity as the packet size increases. This curse of dimensionality manifests itself in three different aspects: i) the number of correctable noise patterns, ii) the codeword space to be explored, and iii) the number of trainable parameters in the models. To address the first limitation, we explore solutions based on a Support Vector Machine (SVM) framework and suggest a bitwise SVM approach that significantly reduces the complexity of existing SVM-based solutions. To tackle the second limitation, we investigate syndromebased neural decoders and introduce a novel message-oriented decoder, which improves on existing schemes both in the decoder architecture and in the choice of the parity check matrix. Regarding the neural network size, we develop a recurrent version of a transformer-based decoder, which reduces the number of parameters while maintaining efficiency, compared to previous neural-based solutions. Lastly, we extend the proposed decoder to support higherorder modulations through Bit-Interleaved and generic Coded Modulations (BICM and CM, respectively), aiding its application in more realistic communication environments.

In this Ph.D. thesis, we explore machine learning-based solutions for channel decoding in Machine-to-Machine type communications, where achieving ultra-reliable lowlatency communications (URLLC) is essential. Their primary issue arises from the exponential growth in the decoder’s complexity as the packet size increases. This curse of dimensionality manifests itself in three different aspects: i) the number of correctable noise patterns, ii) the codeword space to be explored, and iii) the number of trainable parameters in the models. To address the first limitation, we explore solutions based on a Support Vector Machine (SVM) framework and suggest a bitwise SVM approach that significantly reduces the complexity of existing SVM-based solutions. To tackle the second limitation, we investigate syndromebased neural decoders and introduce a novel message-oriented decoder, which improves on existing schemes both in the decoder architecture and in the choice of the parity check matrix. Regarding the neural network size, we develop a recurrent version of a transformer-based decoder, which reduces the number of parameters while maintaining efficiency, compared to previous neural-based solutions. Lastly, we extend the proposed decoder to support higherorder modulations through Bit-Interleaved and generic Coded Modulations (BICM and CM, respectively), aiding its application in more realistic communication environments.

Cette thèse s’intéresse à la construction d’une échelle de temps autonome et robuste aux erreurs d’horloge pour des essaims de satellites. Prévue pour une utilisation dans un essaim de nanosatellites, cette nouvelle échelle de temps appelée ATST (Autonomous Time Scale using the Student’s T-distribution) peut traiter les anomalies dues aux imperfections des horloges et aux liens inter-satellites manquants dans un environnement hostile. Plus précisément, les types d’anomalies traités incluent les sauts de phase, les sauts de fréquence, un bruit de mesure élevé dans certains liens et d’éventuelles données manquantes. En calculant la moyenne pondérée des résidus issus de l’équation de l’échelle de temps de base (BTSE), la contribution des satellites avec des mesures anormales est réduite pour la génération de l’échelle de temps. Les poids attribués à chaque horloge sont basés sur l’hypothèse que les résidus de l’ensemble suivent une loi de Student, ce qui permet d’utiliser des méthodes d’estimation robustes à la présence d’éléments aberrants. La performance de l’algorithme ATST est équivalente à celle de l’algorithme AT1 oracle, qui est une version de l’échelle de temps AT1 avec la capacité de détecter parfaitement toutes les anomalies dans des données simulées. Bien que l’algorithme n’ait pas de méthode de détection explicite, l’algorithme ATST affiche toujours un niveau de robustesse comparable à celui d’un détecteur parfait. Cependant, l’algorithme ATST est concu pour un essaim avec de nombreuses horloges de types homogènes et est limité par une complexité numérique élevée. De plus, les anomalies sont toutes traitées de la même manière sans distinction entre les différents types d’anomalies. Malgré ces limitations identifiées, ce nouvel algorithme ATST représente une contribution prometteuse dans le domaine des échelles de temps grâce a la robustesse atteinte. Une méthode de traitement des horloges ajoutées ou retirées de l’ensemble des horloges disponibles est également proposée dans cette thèse en conjonction avec la méthode ATST. La méthode obtenue préserve la continuité de phase et de fréquence de l’échelle de temps en attribuant un poids nul aux horloges concernées lorsque le nombre total d’horloges est modifié. Un estimateur des moindres carrés (Least Squares, LS) est présenté pour montrer comment les mesures des liens inter-satellites peuvent être traitées en amont pour réduire le bruit de mesure et en même temps remplacer les mesures manquantes. L’estimateur LS peut être utilisé avec une méthode de détection qui élimine les mesures anormales. Il peut alors remplacer les mesures supprimées par les estimations correspondantes. Cette thèse étudie également les performances de l’estimateur du maximum de vraisemblance (MLE) pour les paramètres des lois de probabilités à queues lourdes, plus précisément pour la loi de Student et pour un mélange de lois gaussiennes. Les améliorations obtenues en supposant que ces lois sont effectivement à queues lourdes par rapport à l’hypothèse de la loi gaussienne sont démontrées avec les bornes de Cramér-Rao mal-spécifiées (MCRB). Les expressions obtenues des MCRB pour une loi de Student et un mélange de lois gaussiennes confirment que les lois à queues lourdes sont meilleures pour l’estimation de la moyenne en présence de valeurs aberrantes. Elles permettent également de montrer que l’estimation des paramètres des lois à queues lourdes nécessite au moins 25 horloges pour obtenir une erreur d’estimation proche de la MCRB correspondante, c’est-à-dire que l’estimateur atteigne son efficacité asymptotique. Des propositions de pistes de recherche futures incluent le traitement des limitations de l’algorithme ATST concernant les types et le nombre d’horloges. Une nouvelle définition des pondérations des résidus issue d’une méthode d’apprentissage statistique utilisant des données d’apprentissage est envisageable grâce `a l’utilisation des résidus de l’échelle de temps de base BTSE. Une autre piste de recherche est le traitement des anomalies transitoires qui pose actuellement problème pour l’algorithme ATST. Un traitement de ce type d’erreurs pourrait être envisagé avec un algorithme d’apprentissage statistique ou avec un estimateur robuste de la fréquence des horloges sur une fenêtre de données passées. Mots clés: Estimation robuste, échelles de temps, détection des anomalies, bornes de Cramér-Rao mal-spécifiées.

Cette thèse s’intéresse à la construction d’une échelle de temps autonome et robuste aux erreurs d’horloge pour des essaims de satellites. Prévue pour une utilisation dans un essaim de nanosatellites, cette nouvelle échelle de temps appelée ATST (Autonomous Time Scale using the Student’s T-distribution) peut traiter les anomalies dues aux imperfections des horloges et aux liens inter-satellites manquants dans un environnement hostile. Plus précisément, les types d’anomalies traités incluent les sauts de phase, les sauts de fréquence, un bruit de mesure élevé dans certains liens et d’éventuelles données manquantes. En calculant la moyenne pondérée des résidus issus de l’équation de l’échelle de temps de base (BTSE), la contribution des satellites avec des mesures anormales est réduite pour la génération de l’échelle de temps. Les poids attribués à chaque horloge sont basés sur l’hypothèse que les résidus de l’ensemble suivent une loi de Student, ce qui permet d’utiliser des méthodes d’estimation robustes à la présence d’éléments aberrants. La performance de l’algorithme ATST est équivalente à celle de l’algorithme AT1 oracle, qui est une version de l’échelle de temps AT1 avec la capacité de détecter parfaitement toutes les anomalies dans des données simulées. Bien que l’algorithme n’ait pas de méthode de détection explicite, l’algorithme ATST affiche toujours un niveau de robustesse comparable à celui d’un détecteur parfait. Cependant, l’algorithme ATST est concu pour un essaim avec de nombreuses horloges de types homogènes et est limité par une complexité numérique élevée. De plus, les anomalies sont toutes traitées de la même manière sans distinction entre les différents types d’anomalies. Malgré ces limitations identifiées, ce nouvel algorithme ATST représente une contribution prometteuse dans le domaine des échelles de temps grâce a la robustesse atteinte. Une méthode de traitement des horloges ajoutées ou retirées de l’ensemble des horloges disponibles est également proposée dans cette thèse en conjonction avec la méthode ATST. La méthode obtenue préserve la continuité de phase et de fréquence de l’échelle de temps en attribuant un poids nul aux horloges concernées lorsque le nombre total d’horloges est modifié. Un estimateur des moindres carrés (Least Squares, LS) est présenté pour montrer comment les mesures des liens inter-satellites peuvent être traitées en amont pour réduire le bruit de mesure et en même temps remplacer les mesures manquantes. L’estimateur LS peut être utilisé avec une méthode de détection qui élimine les mesures anormales. Il peut alors remplacer les mesures supprimées par les estimations correspondantes. Cette thèse étudie également les performances de l’estimateur du maximum de vraisemblance (MLE) pour les paramètres des lois de probabilités à queues lourdes, plus précisément pour la loi de Student et pour un mélange de lois gaussiennes. Les améliorations obtenues en supposant que ces lois sont effectivement à queues lourdes par rapport à l’hypothèse de la loi gaussienne sont démontrées avec les bornes de Cramér-Rao mal-spécifiées (MCRB). Les expressions obtenues des MCRB pour une loi de Student et un mélange de lois gaussiennes confirment que les lois à queues lourdes sont meilleures pour l’estimation de la moyenne en présence de valeurs aberrantes. Elles permettent également de montrer que l’estimation des paramètres des lois à queues lourdes nécessite au moins 25 horloges pour obtenir une erreur d’estimation proche de la MCRB correspondante, c’est-à-dire que l’estimateur atteigne son efficacité asymptotique. Des propositions de pistes de recherche futures incluent le traitement des limitations de l’algorithme ATST concernant les types et le nombre d’horloges. Une nouvelle définition des pondérations des résidus issue d’une méthode d’apprentissage statistique utilisant des données d’apprentissage est envisageable grâce `a l’utilisation des résidus de l’échelle de temps de base BTSE. Une autre piste de recherche est le traitement des anomalies transitoires qui pose actuellement problème pour l’algorithme ATST. Un traitement de ce type d’erreurs pourrait être envisagé avec un algorithme d’apprentissage statistique ou avec un estimateur robuste de la fréquence des horloges sur une fenêtre de données passées. Mots clés: Estimation robuste, échelles de temps, détection des anomalies, bornes de Cramér-Rao mal-spécifiées.

Explainable artificial intelligence (XAI) focuses on creating methods to provide transparency in how complex machine learning models make decisions. A key approach in XAI is feature attribution, which breaks down the model's predictions into the contributions of individual input features. In this presentation, we address feature attribution within the framework of Gaussian process regression (GPR). We present a principled approach that incorporates model uncertainty into the attribution process, expanding existing methods. Despite the GPR's flexibility and non-parametric nature, we demonstrate that interpretable, closed-form expressions for feature attributions can still be derived. Using integrated gradients as the attribution technique, we show that these attributions follow a Gaussian process distribution, effectively capturing the uncertainty inherent in the model. Through both theoretical and experimental validations, we show the robustness and versatility of this approach. Moreover, in applicable cases, the exact GPR attributions are not only more precise but also computationally more efficient than commonly used approximation methods.