Propriété | EPFL Graph Search

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

La propriété est la possession d'un bien meuble ou immeuble ou d'une production intellectuelle, reconnue et consacrée par une autorité (divine ou humaine), la société, la loi, la raison générale ou le consentement universel C'est selon Pierre-Joseph Proudhon une usucapion ou une usurpation. La Révolution française a exalté le droit de propriété : inviolable et sacrée, selon l'article 17 de la Déclaration des droits de l'homme et du citoyen de 1789. Cet absolutisme de principe issu du mansipium romain sera dans les faits accompagné de limites de plus en plus nombreuses. En France la propriété est définie, par l'article 544 du Code civil, comme « le droit de jouir et disposer des choses de la manière la plus absolue, pourvu qu'on n'en fasse pas un usage prohibé par les lois ou par les règlements ». Le propriétaire en droit français ne perd pas son droit de propriété par le non-usage de la chose, la propriété a un caractère imprescriptible et ce droit de propriété peut être transmis a

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (100)

Publications associées

Chargement

Personnes associées (54)

Personnes associées

Chargement

Unités associées (32)

Unités associées

Chargement

Concepts associés (77)

Concepts associés

Chargement

Cours associés (144)

Cours associés

Chargement

Séances de cours associées (375)

Séances de cours associées

Chargement

Socialisme

alt=Drapeau rouge du socialisme|vignette|Le drapeau rouge est le principal symbole du socialisme et du communisme à leur commencement.Le mot socialisme recouvre un ensemble très divers de courants de

Droit

vignette|La Loi par Jean-Jacques Feuchère. Marbre, 1852. Place du Palais-Bourbon, VIIe arrondissement de Paris. Le droit est défini comme , ou de façon plus complète . Ces règles, appelées règles de

Communisme

vignette|Karl Marx, théoricien du communisme. vignette|Vladimir Ilitch Lénine, fondateur de l'URSS. vignette|droite|Mao Zedong et Joseph Staline, deux des principaux dirigeants d'États communistes du

AR-219: Advanced CAO and Integrated Modeling DIM

1ère année: bases nécessaires à la représentation informatique 2D (3D). Passage d'un à plusieurs logiciels: compétence de choisir les outils adéquats en 2D et en 3D. Mise en relation des outils de CAO et DIM: regard critique et aptitude à choisir les méthodes nécessaires au résultat recherché.

MSE-101(a): Materials:from chemistry to properties

Ce cours permet l'acquisition des notions essentielles relatives à la structure de la matière, aux équilibres et à la réactivité chimique en liaison avec les propriétés mécaniques, thermiques, électriques et magnétiques des matériaux.

FIN-403: Econometrics

The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications.

Surface parameterization and optimum design methodology for hydraulic turbines

This thesis presents a methodology for the design optimization of hydraulic runner blades. The originality of the methodology comes from the geometric definition of the blade shapes, which uses parametric surfaces instead of a set of profiles. The main advantage of using surfaces is the number of parameters required. The use of surfaces requires a different technique for the blade construction when compared to traditional approaches. NURBS surfaces are used for the geometric representation, the properties provided by such parametric formulation permit to reach the necessary flexibility and accuracy to be attained. Moreover, the surface approach can be seen as a way to liberate the blade design from traditional discrete sectional approaches. Actual blade optimization procedures are a compromise between the quality of the design, its performance analysis and the subsequent computational time-consumed effort. The improvements provided by the above mentioned geometric definition allow the use of more realistic analysis tools for the design evaluation. Thus, Navier-Stokes (k – ε) simulations are integrated in a simple and direct optimization process. The resulting methodology is not penalized by the time-effort required and becomes of interest for its use in industrial applications. Finally, we supply a number of examples to demonstrate the feasibility of the optimization proposal. These examples illustrate the application of the methodology at different levels of geometric complexity. They are interesting not only through the results obtained, but also because they become acceptable in terms of time consumed on daily and industrial applications.

EPFL2006

Chargement

An Accelerator for High Efficient Vision Processing

Zidong Du, Robert Fasthuber, Qi Guo, Paolo Ienne

In recent years, neural network accelerators have been shown to achieve both high energy efficiency and high performance for a broad application scope within the important category of recognition and mining applications. Still, both the energy efficiency and performance of such accelerators remain limited by memory accesses. In this paper, we focus on image applications, arguably the most important category among recognition and mining applications. The neural networks which are state-of-the-art for these applications are convolutional neural networks (CNNs), and they have an important property: weights are shared among many neurons, considerably reducing the neural network memory footprint. This property allows to entirely map a CNN within an SRAM, eliminating all DRAM accesses for weights. By further hoisting this accelerator next to the image sensor, it is possible to eliminate all remaining DRAM accesses, i.e., for inputs and outputs. In this paper, we propose such a CNN accelerator, placed next to a CMOS or CCD sensor. The absence of DRAM accesses combined with a careful exploitation of the specific data access patterns within CNNs allows us to design an accelerator which is highly energy-efficient. We present a single-core implementation down to the layout at 65 nm, with a modest footprint of 5.94mm(2) and consuming only 336mm(2), but still about 30x faster than high-end GPUs. For visual processing with higher resolution and frame-rate requirements, we further present a multicore implementation with elevated performance.

Ieee-Inst Electrical Electronics Engineers Inc2017

Chargement

Unsupervised Robust Nonparametric Learning Of Hidden Community Properties

Akhilesh Deepak Gotmare, Martin Jaggi, Mikhail Langovoy

We consider learning of fundamental properties of communities in large noisy networks, in the prototypical situation where the nodes or users are split into two classes according to a binary property, e.g., according to their opinions or preferences on a topic. For learning these properties, we propose a nonparametric, unsupervised, and scalable graph scan procedure that is, in addition, robust against a class of powerful adversaries. In our setup, one of the communities can fall under the influence of a knowledgeable adversarial leader, who knows the full network structure, has unlimited computational resources and can completely foresee our planned actions on the network. We prove strong consistency of our results in this setup with minimal assumptions. In particular, the learning procedure estimates the baseline activity of normal users asymptotically correctly with probability 1; the only assumption being the existence of a single implicit community of asymptotically negligible logarithmic size. We provide experiments on real and synthetic data to illustrate the performance of our method, including examples with adversaries.

2019

Chargement