Prévention des attaques par logiciels malveillants: perspectives de la santé publique
Bibliographic record
Abstract
REMERCIEMENTSLes remerciements qui suivent s'adressent à tous ceux qui, de près ou de loin, ont contribué de par leur support, leur gentillesse, leur amour, et leur temps à cette aventure de quatre ans.J'aimerais en un premier temps remercier les membres du jury pour leur temps et leurs contributions à cette thèse.Je tiens particulièrement à adresser mes remerciements à mon directeur de recherche, et ami, José M. Fernandez, pour m'avoir accompagnée et encouragée tout au long de mon projet.Mes remerciements iront également aux commanditaires de la thèse : la Corporation Microsoft, le Fonds de Recherche du Québec -Nature et Technologies, ainsi que le Conseil de recherches en sciences naturelles et en génie du Canada.Je souhaiterais de plus remercier toutes ces personnes qui ont contribué à la réussite de ce travail.Je ne peux que remercier Dennis Batchelder, aujourd'hui chez AppEsteem et directeur chez Microsoft au moment où je débutais ma thèse.Dennis : Thank you for everything.It is always a pleasure to collaborate with you.You are a great source of inspiration and motivation.Anil Somayaji et Sonia Chiasson, de l'Université Carleton, je vous remercie pour votre temps, vos idées, votre patience, et votre support.Sur une note plus personnelle, je tiens à remercier ma famille et mes ami(e)s pour leur patience et leur support ; mon Amour Jessy Campos, qui a su être là pour moi ; et finalement Tristan Yiddir Lalonde, mon petit homme, pour avoir ensoleillé mes journées.J'aimerais de plus profiter de ces quelques lignes pour remercier les étudiants et les membres du personnel de l'université avec qui j'ai été amenée à travailler au cours des 12 dernières années.Mon passage à Polytechnique a été pour moi une expérience extraordinaire, et je vous en remercie.Finalement, je tiens à adresser mes remerciements à Element AI, plus particulièrement à mes collègues de l'équipe sécurité, pour leur support et leurs encouragements.vi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.051 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".