Skip to content

Equipe A3

Présentation Membres Publications Séminaires Thèses Logiciels

Thèse en cours

Modèles de langage génératifs pour la migration sémantiquement fiable de code legacy

WYPYCH Yannis

Directeur(s)
Hanene AZZAG, Lebbah MUSTAPHA
Date de début
2026-04-02

Extraction et modélisation des assertions pour une IA éthique et frugale dans la fiabilisation des contenus journalistiques

MOULON FLORENT

Directeur(s)
Hanene AZZAG, Louenas BOUNIA
Date de début
2026-01-15

Cette thèse, intitulée "Vers une Explicabilité Formelle Scalable", s’inscrit dans le cadre du projet ANR FORM-XAI, porté par le LIPN (Université Sorbonne Paris Nord) en collaboration avec l’ERIC (Université Lyon 2), sous la direction de Louenas Bounia et Hanene Azzag. Elle vise à relever le défi de rendre les modèles d’intelligence artificielle explicables, fiables et robustes, notamment dans des domaines sensibles tels que la santé ou la finance. L’objectif est de développer des méthodes formelles d’explicabilité scalables, conciliant rigueur mathématique et efficacité computationnelle. Ces approches s’appuieront sur des Explications Lite et des techniques d’approximation guidée afin de produire des explications plus efficaces sans compromettre leur validité.

SELLAMI Sifeddine

Directeur(s)
Louenas BOUNIA, Hanene AZZAG
Date de début
2025-11-17

Vers une Explicabilité Formelle Scalable

SELLAMI Sifeddine

Directeur(s)
Louenas BOUNIA, Céline ROUVEIROL
Date de début
2025-11-17

GOPIA : IA Générative pour optimiser, encadrer et préparer intelligemment les tests ADAS avec preuve d’efficacité end-to-end

Directeur(s)
Hanene AZZAG
Date de début
2025-10-01

Interpretability for Multiple Instance Learning for Medical Imaging

EL YACOUBA BILLI Abdoulaye

Directeur(s)
Thomas PAPASTERGIOU, Céline ROUVEIROL
Date de début
2025-09-01

Apprentissage collaboratif multimodal

BELGHADI Mohammed

Directeur(s)
Younès BENNANI
Date de début
2024-10-01

Nouvelles approches pour l’enrichissement des grands modèles de langage à base de graphes de connaissances multimodales.

OUKID ILYES

Directeur(s)
Hanene AZZAG, Nadi TOMEH
Date de début
2024-10-01

Désapprentissage pour la mitigation d’attaques en apprentissage fédéré

KERZAZI Achraf

Directeur(s)
Younès BENNANI, Younès BENNANI
Date de début
2024-09-02

Apprentissage de profils d’apprenants à partir de traces complexes hétérogènes dans le cloud MarioNUM

BOUZERIRA Abdelmounaim

Directeur(s)
Basarab MATEI, Rushed KANAWATI
Date de début
2024-09-01

Segmentation et Reconstruction 3D de structures anatomiques par apprentissage profond auto-supervisé

MARRAKCHI Ghassen

Directeur(s)
Basarab MATEI
Date de début
2023-11-01

Securing Machine Learning Algorithms

DIONGUE Mbaye

Directeur(s)
Younès BENNANI
Date de début
2023-09-01

Collaborative Multimodal Learning

BARBARA Abir

Directeur(s)
Younès BENNANI
Date de début
2022-09-14

Modular Geometric Machine Learning

BEN SALEM Nosseiba

Directeur(s)
Younès BENNANI
Date de début
2022-09-01

Apprentissage de Modèles Linéaires Parcimonieux pour Données Parcimonieuses, Application à la métagénomique

THÉPAUT Solène

Directeur(s)
Yann CHEVALEYRE
Date de début
2016-09-01

Apprentissage Bayésien pour l’aggrégation de préférences en Choix Social

BELAHCENE Khaled

Directeur(s)
Yann CHEVALEYRE, Nicolas MAUDET
Date de début
2015-09-01

Apprentissage non supervisé profond de représentations de données évolutives

COHEN Raphaël

Directeur(s)
Younès BENNANI, Basarab MATEI
Date de début
2014-09-01

DESOLLE Antoine

Directeur(s)
Henry SOLDANO
Date de début
2011-09-01