Client de messagerie

Un client de messagerie, logiciel de messagerie ou courrielleur, est un logiciel qui sert à lire et envoyer des courriers électroniques. Ce sont en général des clients lourds mais il existe aussi des applications web (messagerie web ou webmail) qui offrent les mêmes fonctionnalités. La caractéristique essentielle de tous ces logiciels est de permettre à un utilisateur d'accéder à sa ou ses boîtes de courriers électroniques. Les clients de messagerie les plus connus sont : Microsoft Outlook, Mozilla Thunderbird, Evolution (GNOME), Mail (Apple), Lotus Notes (IBM), Opera Mail, Foxmail, Mail (Microsoft). alt=|vignette Lancé en 1989, Lotus Notes (racheté par IBM en 1995), inspiré de PLATO Notes (1973), était devenu le client de messagerie le plus utilisé sur Microsoft Windows. Mais par la suite Outlook Express (1996), installé par défaut avec le système d'exploitation, conquit les utilisateurs. Jusqu’en 2004, les clients courriels lourds permettaient un stockage des messages en local, une absence de publicité, et une interface plus rapide que les webmails de l’époque. Mais la sortie de Gmail, offrant des fonctions habituellement réservés aux clients lourds et l’alignement progressif de ses concurrents a diminué la part d’utilisation de ces derniers. Même les entreprises ont commencé à se diriger vers les applications web, beaucoup plus souples et évolutives, et souvent plus sûres en termes de conservation des données. En effet un client de messagerie lourd utilisant le protocole POP est tributaire de la bonne santé du disque dur de l'utilisateur et, en cas de crash sans sauvegardes, les données peuvent être perdues, tandis qu'un accès en IMAP (principalement par des clients légers) garantit en général que les données sont dupliquées côté serveur et donc à l'abri des risques de panne du client. Néanmoins, le protocole POP permet aussi de laisser les messages sur le serveur... Les clients lourds gardent cependant l'avantage de la rapidité de traitement (filtres, tris, classements...

Federated learning with uncertainty-based client clustering for fleet-wide fault diagnosis

PRO-Face C: Privacy-Preserving Recognition of Obfuscated Face via Feature Compensation

Federated learning with uncertainty-based client clustering for fleet-wide fault diagnosis

PRO-Face C: Privacy-Preserving Recognition of Obfuscated Face via Feature Compensation