Curriculum Vitae
par
Nistor GROZAVU
Candidat - poste Professeur des Universités
Laboratoire Informatique de Paris–Nord
Institut Galilée
Université PARIS 13
2021
Table of Contents
Table of Contents 1
1.1 Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Expérience profesionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Enseignement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Activité d’enseignement et d’encadrement sur ces dernières années . 5
1.4.2 Descriptions des principales interventions pédagogiques . . . . . . . 6
1.4.3 Résponsabilités pédagogiques . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Bilan de travaux de recherche après la thèse . . . . . . . . . . . . . . 7
1.5.1 Apprentissage numérique et fouille de données . . . . . . . . . . . . 7
1.6 Encadrement doctoral et scientifique . . . . . . . . . . . . . . . . . . . 12
1.7 Rayonnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7.1 Membre de Sociétes Scientifiques . . . . . . . . . . . . . . . . . . . . 15
1.7.2 Invitation dans des universités étrangères . . . . . . . . . . . . . . . 15
1.7.3 Comités de rédaction . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8 Valorisation et responsabilités scientifiques . . . . . . . . . . . . . . . 16
1.8.1 Résponsabilités scientifiques . . . . . . . . . . . . . . . . . . . . . . . 16
1.8.2 Organisation de manifestations scientifiques . . . . . . . . . . . . . . 17
1.8.3 Membre de comités de sélection . . . . . . . . . . . . . . . . . . . . . 18
1.8.4 Participation à des projets de recherche . . . . . . . . . . . . . . . . 18
1.9 Publications et production scientifique . . . . . . . . . . . . . . . . . . 21
1.9.1 Revues internationales avec comité de lecture (Total: 11) . . . . . . 21
1.9.2 Brevets (Total: 1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.3 Chapitre de livre (Total: 1) . . . . . . . . . . . . . . . . . . . . . . . 23
1.9.4 Conférences Internationales avec comité de lecture (Total: 44) . . . . 23
1.9.5 Revues francophone avec comité de lecture (Total: 2) . . . . . . . . 27
1.9.6 Communications orales (Total: 9) . . . . . . . . . . . . . . . . . . . 27
1
1.1 Identification
Nom : Grozavu
Prénom : Nistor
No. de qualification (CNU: 27) : 10227207240
Adresse personnelle : 21, rue Coysevox 75018 Paris, FRANCE
Date et lieu de naissance : 12 Mars 1984 à Chişinău, Moldavie
Situation de famille : Marié sans enfants
Téléphone personnel : 06 26 90 17 90
Nationalité : française, moldave
Téléphone professionnel : 01 49 40 36 09
Mél : Nistor.Grozavu@lipn.univ-paris13.fr
Page Web : http://www-lipn.univ-paris13.fr/˜grozavu/
Prime d’Excellence Scientifique (PES) pour la période 2013-present.
2
1.2 Formation
2020 Habilitation á Diriger des Recherches de l’Université Sorbonne Paris Nord.
Titre : Contributions à l’Apprentissage Collaboratif Non-supervisé
Soutenue le : 12 mars 2020 devant le jury composé de:
Rapporteurs :
1. Razvan ANDONIE, Professeur des Universités, Central Washington University,
USA
2. Cédric WEMMERT, Profeseur des Universités, Université de Strasbourg, France
3. Philippe PREUX, Professeur des Universités, Université de Lille, France
Examinateurs :
1. Younès BENNANI, Professeur des Universités, Université Paris 13(Parrain)
2. Gilles BERNARD, Professeur des Universités, Université Paris 8, France(Président
du jury)
3. Laure BERTI-EQUILLE, Professeur des Universités, Université de Aix-Marseille,
France
4. Nathalie PERNELLE, Professeur des Universités, Université Paris 13
5. Ali YAHYAOUY, Professeur des Universités, Université Sidi Mohamed Ben Ab-
dellah, Maroc
Principales matières/compétences professionnelles couvertes : Apprentissage non-
supervisé, clustering topologique, classification collaborative, apprentissage par con-
traintes, apprentissage des representations, apprentissage profond, apprentissage quan-
tique.
2009 : Doctorat en informatique de l’Université Paris 13.
Titre : Classification Topologique pondérée : approches modulaires, hybrides et collabo-
ratives
Soutenue le : 8 décembre 2009 devant le jury composé de:
Directeur de thèse : Younès Bennani Professeur Université Paris 13
Rapporteurs :
3
1. Michel VERLEYSEN Professeur Université Catholique de Louvain
2. Pascale KUNTZ Professeur Ecole Polytechnique de Nantes
Examinateurs :
1. Alexandre AUSSEM Professeur Université Lyon 1
2. Mustapha Lebbah Maître de conférences Université Paris 13
3. Jean-François MARCOTORCHINO Directeur scientifique THALES
4. Jean-Luc ZARADER Professeur Université Paris 6
5. Jan-Daniel ZUCKER Directeur de Recherche IRD (Président du jury)
Mention : Très Honorable
Principales matières/compétences professionnelles couvertes : Apprentissage non-
supervisé, Classification non-supervisée, clustering topologique, classification collabo-
rative, Caractérisation des classes, sélection de variables, causalité, analyse relation-
nelle, classification relationnelle topologique.
2006 : Master Informatique Fondamentale à l’Université de la Méditerranée, Marseille,
France boursier AUF (Agence Universitaire de la Francophonie).
Titre : Systèmes Communicants Sécurisés à Diffusion
Responsable de stage : M. Traian MUNTEAN
Principales matières/compétences professionnelles couvertes : le routage dans
les réseaux Ad Hoc, la sécurité du routage, Programmation et Logique, Algorith-
mique, Complexité, Programmation en nombre entiers, Fouille des données et
Entrepôt des données.
2005 : Ingénieur en Informatique à l’Université Technique de Moldavie, Chisinau, Mol-
davie.
Titre : Un Système Multi-Agents sur Internet (SMIInet)
Responsable : M. Liviu CARCEA
Principales matières/compétences professionnelles couvertes : Système multi-
agents en-ligne; Programmation objet orientée, analyse et concepts des logi-
ciels d’exploitation, modélisation des systèmes informatiques, mathématiques
discrètes, bases de données, structures de données et algorithmes, langages formels
et compilateurs.
4
1.3 Expérience profesionnelle
Sept.2009- présent : Maître de Conférences à l’Institut Galilée, Université Paris 13,
section 27
Sept.2008- Jun. 2009 : ATER à l’Institut Galilée, Université Paris 13
Nov.2006- Sept.2008 : Ingénieur de Recherche au LIPN UMR CNRS 7030, Université
Paris 13 (en tant que doctorant)
Avr. 2006- Jun.2006 : Université AIX Marseille 2, ESIL. Stage de recherche “Systèmes
Communicants Sécurises à Diffusion”;
1.4 Enseignement
1.4.1 Activité d’enseignement et d’encadrement sur ces dernières années
UE Diplôme 14-15 15-16 16-17 17-18 18-19 19-20
Conception de Base de Données M1 Info 24 24 24 12
Méthodes matricielles M1 Info 6 6 15
Science des Données Numériques M2 Info 24 24 24 18 18 18
Data Mining (Maroc, co-diplome) M2 Info 24
Deep Learning (Maroc, co-diplome) M2 Info 24
Deep Learning M2 Info 9 32 18
Traitement informatique des données* Sup 3 Info 45 45 45
Visualisation des données L3 Info 27 27 13,5 41,25 20,25 32
Programmation web* L3 Info 27 27 13,5 41,25 27 27
Programmation Web et Algo * CPII2 39 39
Intro Unix et Win* AIR1 12,5 11,5 11,5 11,5 11,5 11,5
Génie Logiciel* AIR1 39,5 37,5 21 21 21
Math-Info L1 Info 15
Base de Données Sup1 Info 15 18
Conduite et Gestion de Projet Sup2 Info 11
Stages, tutorat 74 43 48 25 119 58
Responsabilités* 14 14 24 24 24
Volume horaires 266 221 97 245,75 354,25 329,5
Responsable des UE avec 2-3 chargés de TP/TD
Note : En 2015-2016, j’ai été bénéfeciaire d’un CRCT pour un semestre.
5
1.4.2 Descriptions des principales interventions pédagogiques
Traitement numérique des données (Master 2)
Je suis responsable des TP et TD de ce cours. Le but de ce cours est de famil-
iariser les étudiants avec les fondements théoriques et algorithmiques des techniques
de reconnaissance statistiques et structurelles des formes.
Traitement informatique des données (INFO 3)
Je suis responsable de cette UE depuis 2015. Ce cours introduit les méthodes de base
de l’analyse des données et de l’apprentissage artificiel (statistiques de base, methodes
de projection, classification et clustering). Il en détaille les aspects théoriques et les
illustrent sur des exemples concrets.
Système d’exploitation (INFO1)
J’ai intervenu dans ce module comme responsable du cours depuis 2014. J’ai pré-
paré l’intégralité du cours et des TPs. Cet enseignement a permis aux étudiants
d’apprendre les concepts de base du fonctionnement du système Windows et LINUX
comme la création, suppression, accès aux répertoires, droits d’accès des utilisateurs,
ainsi que les scripts bash.
Visualisation des données (L3-M1)
Comme responsable de cette UE depuis 2016, j’ai preparé l’integralité des supports de
Cours et TP/TD. Le but de ce cours est de savoir associer à des données une structure
et son mode de représentation associé. Plan du cours : Outils élémentaires de visu-
alisation en statistique descriptive, données numériques, données symboliques, don-
nées complexes, « visual data mining », cartes factorielles, représentation de graphes,
représentation tridimensionnelle, utilisation de techniques de réalité virtuelle pour la
fouille de données.
Programmation Web et Algo (Classes Preparatoires)
J’ai intervenu dans ce module comme responsable du cours. J’ai préparé l’intégralité
du cours et des TPs. Cet enseignement a permis aux étudiants d’apprendre la pro-
grammation XHTML, CSS, XML, PHP et MySQL.
1.4.3 Résponsabilités pédagogiques
2017– Responsable de la Licence Informatique 3ième année à partir de 2017
2013–2016 Responsable de la formation “Apprentissage Informatique et Réseaux” 1er année pour
la période ;
2013– Membre élu du Conseil du Département Informatique (2013-present)
6
1. Responsable de plusieurs modules d’enseignement
2. Encadrement régulier de stagiaires L3, M1 pour un volume de 20heqTD/année.
3. Tuteur de stages en entreprise des étudiants en M2, INFO et AIR pour un volume de
25heqTD/année.
1.5 Bilan de travaux de recherche après la thèse
1.5.1 Apprentissage numérique et fouille de données
Mes travaux de recherche se situent dans le domaine de l’apprentissage numérique
(statistique et connexionniste) et de la fouille de données. Plus précisément, je m’intéresse
à l’apprentissage non supervisé (Clustering) à partir de données de différents types et dif-
férentes structures. Mon attention s’est portée sur la révision des méthodes de classi-
fication non supervisée à base de prototypes. J’effectue mes recherches au Laboratoire
d’Informatique de Paris Nord (LIPN UMR 7030 CNRS), à l’Université Paris 13. Mes
travaux actuels s’inscrivent dans le cadre général des algorithmes d’analyse des données
complexes. Je continue à explorer et enrichir les thématiques de recherche suivantes :
L’apprentissage collaboratif non-supervisée;
L’apprentissage non-supervisé pour la transformation d’espace
Intégration de connaissances ontologiques en apprentissage non-supervisé
Mes recherches actuelles se situent dans l’un des axes de l’équipe A3 qui est l’Apprentissage
collaboratif et incrémental non supervisé.Cet axe comporte plusieurs directions:
Collaboration verticale, horizontale, directionnelle
Apprentissage avec mémoire, par transfert, à partir de flux de données
Apprentissage collaboratif par contraintes
Apprentissage évolutif
Sélection non supervisée de variables
Pour le premier axe (Apprentissage automatique collaboratif) j’ai proposé plusieurs
méthodes pour faire collaborer plusieurs classifications à base de prototypes (SOM et GTM)
entre elles en préservant la confidentialité des données. Les travaux proposés, notamment
durant la thèse de Mohamed Ghassany [3] et Jérémie Sublime [1] portent sur l’apprentissage
collaboratif non-supervisé. Or, dans les travaux de thèse de Hatim Chahdi [2] dont j’ai été
7
le co-encadrant nous nous sommes intéressés à l’intégration des connaissances dans le pro-
cessus de clustering. Dans le cadre de la classification collaborative et selon la structure
des bases de données en collaboration, on distingue trois principaux types de collabora-
tion : horizontale, verticale et hybride [6; 7]. Nous nous intéressons particulièrement à la
collaboration horizontale.
La collaboration horizontale est la plus difficile, car dans ce cas les groupes des
données sont décrits dans différents espaces : chaque base de données est décrite par des at-
tributs différents, mais possède les mêmes individus que les autres bases. Le problème est :
comment faire collaborer des partitionnements issus d’une collection de classifications à par-
tir de caractéristiques différentes ? Pour ce type de problème, la validation des résultats de
la collaboration devient difficile, car tous les partitionnements sont ’corrects’ mais obtenus
avec différentes représentations. Au contraire, la collaboration verticale consiste à faire
collaborer des classifications non supervisées issues de différentes bases de données décrites
par les mêmes attributs, mais ne possédant pas les mêmes individus. Lorsque les collabora-
teurs partagent certains individus et certains attributs seulement, on parle de collaboration
hybride. Dans le cadre de ces travaux, nous avons étudié la collaboration horizontale en-
tre plusieurs classifications non supervisées issues chacune d’une carte auto-organisatrice.
Chaque base de données est classifiée grâce à l’approche SOM (Self Organizing Maps), et
afin de simplifier le formalisme, les cartes des différentes bases de données ont les mêmes
dimensions (nombre de neurones) et la même structure (topologie). Dans le cas d’un parti-
tionnement horizontal, toutes les bases de données sont décrites par les mêmes individus,
mais dans différents espaces de description (décrits par différentes variables) : le nombre
d’individus est le même, mais le nombre de variables est différent.
L’idée fondatrice du principe de la collaboration horizontale entre les différentes cartes
SOM est la suivante : si un individu de la [ii]-ème base de données est projeté sur le k-ème
neurone de la [ii]-ème carte SOM, alors ce même individu dans la [jj]-ème base de données
se projettera sur le même neurone k de la [jj]-ème carte ou sur un de ses neurones voisins.
En d’autres termes, les neurones qui correspondent sur les différentes cartes doivent capter
les mêmes individus. C’est pourquoi nous avons rajouté à la fonction objectif classique des
cartes SOM un terme supplémentaire reflétant ce principe de collaboration. Nous avons
pondéré cette fonction par un paramètre de collaboration qui est fixé et qui représentera la
confiance de collaboration entre la classification [ii] et la classification [jj]. Pour fixer les
idées, donnons quelques définitions et notations. Nous considérons que P est le nombre de
bases de données (ou de classifications) amenées à collaborer, nous considérons N le nombre
d’individus. Pour chaque site [ii] une carte SOM notée G[ii] est utilisée, l’ensemble de
vecteurs référents de la carte G[ii] est noté par w
[ii]
. Pour simplifier le nombre de neurones
est considéré indépendant de [ii], nous notons ce nombre par |G|. Avec ces précisions la
8
fonction objectif classique de SOM penalisée par le facteur α
[ii],[jj]
s’écrit :
R
[ii]
Q
(w
[ii]
) =
P
X
jj=1
jj6=ii
α
[ii],[jj]
N
X
n=1
|G|
X
k=1
K
[ii]
k,
χ
(x
n
)
kx
[ii]
n
-w
[ii]
k
k
2
. (1.1)
Dans l’équation 1.1, on a utilisé la fonction d’affectation qui permet de trouver le neurone
gagnant (BMU : Best Match Unit) quie est définie par :
χ
(x
n
) = arg min
k
(kx
n
w
k
k
2
). (1.2)
Cette fonction sélectionne le neurone dont le référent (prototype) est le plus proche au sens
de la distance Euclidienne de la donnée x
n
. Rappelons que sur une carte SOM et deux
neurones k et k
0
, δ(k, k
0
) est la distance entre les deux neurones, elle est définie comme
étant la longueur de la plus courte chaîne permettant de relier les cellules k et k
0
sur la
carte SOM. Rappelons aussi que K
[ii]
(k,k
0
)
est la fonction de voisinage sur la carte SOM[ii]
entre deux cellules k et k
0
. Elle dépend de la distance entre les deux neurones et elle est
définie de la manière suivante :
K
[ii]
k,k
0
= exp
δ
2
(k, k
0
)
T
2
!
,
T représente la température qui permet de contrôler la taille du voisinage d’influence
d’une cellule sur la carte, celle-ci décroît avec le paramètre T. On peut faire décroître la
valeur de T entre deux valeurs T
max
et T
min
.
Formellement, la fonction objectif pour l’apprentissage collaboratif topologique est com-
pose de deux termes :
R
[ii]
H
(w
[ii]
) = R
[ii]
Q
(w
[ii]
) + R
[ii]
CollH
(w
[ii]
). (1.3)
Le deuxième terme de (1.3) corresponde à la fonction objectif de la procédure collaborative
procedure penalisée par le facteur β
[ii],[jj]
= (α
[ii],[jj]
)
2
:
R
[ii]
CollH
(w
[ii]
) =
P
X
jj=1
jj6=ii
β
[ii],[jj]
N
X
n=1
|G|
X
k=1
L
k
([ii], [jj])kx
[ii]
n
-w
[ii]
k
k
2
. (1.4)
avec
L
k
([ii], [jj]) =
K
[ii]
k,
χ
(x
n
)
K
[jj]
k,
χ
(x
n
)
2
. (1.5)
Dans ce contexte, de l’apprentissage non-supervisé collaboratif, j’ai mené plusieurs
travaux de recherche dans directions différentes : l’apprentissage topologique collaboratif,
9
l’apprentissage hybride collaboratif ainsi que l’insertion de l’information ontologique dans
le processus de l’apprentissage.
L’apprentissage non-supervisé pour la transformation d’espace est le deuxième axe auquel
j’ai contribué. L’apprentissage non-supervisé est souvent utilisé pour le clustering des don-
nées et rarement comme un procédé de prétraitement de données. Toutefois, il existe un
certain nombre de méthodes qui produisent de nouvelles représentations de données à par-
tir des données non étiquetés. Ces méthodes non supervisées sont parfois utilisées comme
un outil de prétraitement pour des modèles d’apprentissage supervisé. Etant donné une
matrice de données représentée comme des vecteurs de variables (N observations en lignes
et d caractéristiques en colonnes), le but de la transformation non supervisée de l’espace de
description est de produire une autre matrice de données de dimension (N ; d
0
) (la représen-
tation transformée de d
0
nouvelles variables latentes) ou une matrice de similarité entre
les données de dimension (N ; N). L’application d’une méthode supervisée sur la matrice
transformée doit fournir de meilleurs résultats par rapport à la base de données initiale. La
transformation de l’espace de description se fait suivant deux étapes successives. Dans un
premier temps, nous décomposons la matrice "sparse" des données selon la méthode SVD
(Singular Value Decomposition). Ensuite, la matrice des variables latentes obtenue après
cette décomposition est utilisée pour l’apprentissage d’un modèle topologique de type lwo-
SOM [8], qui permet de détecter et de pondérer les caractéristiques pertinentes. Le codage
final de chaque donnée est basé sur les distances de chaque donnée à chaque prototype du
modèle lwo-SOM. Cette dernière matrice des distances représente la nouvelle description
des données.
Un quatrième axe est l’Intégration de connaissances ontologiques en apprentissage non-
supervisé. Nous nous intéressons dans ce travail aux ontologies exprimées en OWL (Web
Ontology Language). OWL est un langage du web sémantique introduit par le W3C conçu
dans le but de représenter une connaissance riche et complexe.
Il emprunte pour cela de nombreux éléments de modélisation aux logiques de descrip-
tion [5] et offres différentes compromises entre l’expressivité exprimée par l’ontologie d’un
côté, et la complexité et la décidabilité des mécanismes de raisonnement de l’autre. Les
10
mécanismes de raisonnement offrent globalement des services s’articulant sur deux types
de services : des services pour la vérification de consistance et d’autres pour l’inférence.
Ces services d’inférences permettent d’inférer de nouvelles connaissances, comme déduire
le type des instances d’une base de connaissances à partir des spécifications proposées par
les concepts de ces connaissances. Nous proposons d’utiliser ce service d’inférence pour
classifier les instances. Les différents travaux menés sur le raisonnement à travers les on-
tologies ont prouvé l’efficacité qu’offrent ces mécanismes pour la classification, notamment
dans l’utilisation des ontologies comme connaissances à priori. Le raisonnement à travers
les ontologies nécessite un temps de calcul important et ne garantit pas une classification
de toutes les instances due à l’utilisation de logiques de description adoptant l’hypothèse
du “monde ouvert”. Néanmoins les classifications effectuées à base de connaissances sont
de très bonne qualité. Nous proposons dans ce travail d’utiliser les ontologies comme con-
naissances à priori pour améliorer le résultat du GTM: Generative Topographic Mapping
(Figure 1). Dans notre méthode, nous procédons d’abord à une classification automatique
à base de prototypes. Les prototypes résultants sont transformés par la suite en graphe
RDF / OWL. Une fois le graphe obtenu, nous procédons à une classification à base de con-
naissances (Raisonnement ) des différents prototypes. Le raisonnement sur les prototypes
permet un allégement considérable du temps de calcul. Nous exploitons par la suite les
résultats de cette classification pour guider et injecter des connaissances dans une nouvelle
classification automatique.
Depuis 2017, en participant à la co-encadrement de la thèse de Kaoutar Benalmine, je
m’intéresse à l’apprentissage artificiel quantique. Nous avons entamé des travaux sur le
clustering quantique à base de barycentres le problème de calcul des distances devint
compliqué parce que le calcul quantique nécessite un circuit compliqué avec un nombre des
qubits varie avec la variation de la dimension des points. Actuellement nous utilisons le
simulateur quantique d’IBM qui nous permet de tester l’approche de clustering quantique.
Les premierès tests sur ce simulateur sont très encourageants.
Références
[1] Sublime J., Matei B., Cabanes G., Grozavu N., Bennani Y., Cornuejols A. (2017),
“Entropy Based Probabilistic Collaborative Clustering”, Pattern Recognition, 2017, The
Journal of Pattern Recognition Society, Elsevier.
[2] Chahdi H, Grozavu N., Mougenot I., Berti-Equille L. et Bennani Y.. On the use of
ontology as a priori knowledge into constrained clustering. IEEE International Conference
on Data Science and Advanced Analytics (DSAA), Montreal, Canada, 2016
[3] Ghassany M., Grozavu N., Bennani Y. (2013), “Collaborative Multi-View Cluster-
ing”,in Proc. IJCNN, IEEEInternational Joint Conference on Neural Network, Dallas, TX-
August 4-9, 2013. (rank A)
11
[4] Grozavu N., Bennani Y. (2010), “Topological Collaborative Clustering”,in Australian
Journal of Intelligent Information Processing Systems (AJIIPS), 12(3), 2010. Machine
Learning Applications (Part I). (rank A)
[5] Baader, F. (2003). The description logic handbook : theory, implementation, and
applications . Cambridge university press.
[6]Pedrycz, W. (2005). Interpretation of clusters in the framework of shadowed sets.
Pattern Recogn. Lett. 26 (15), 2439–2449.
[7] Pedrycz, W. et K. Hirota (2008). A consensus-driven fuzzy clustering. Pattern
Recogn. Lett. 29 (9), 1333–1343.
[8] Grozavu N., Bennani Y.,Lebbah M. (2009), “From variable weighting to cluster char-
acterization in topographic unsupervised learning”,Proc. IJCNN ‘09, International Joint
Conference on Neural Network, p.1005-1010, 14-19 June 2009, Atlanta, Georgia, USA,
(rank A) .
1.6 Encadrement doctoral et scientifique
2019 present : Thèse (participation au co-encadrement)
Doctorant : Marc CHEVALLIER
Sujet de thèse : L’Apprentissage Artificiel au service de la qualité de données :
détection de contraintes
2019 present : Thèse (participation au co-encadrement)
Doctorant : Ahmed Zaiou
Sujet de thèse : Exploring Risk Analysis Using Quantum Algorithms
2016 : PostDoctorat (participation au co-encadrement)
Post-Doc : Antoine Lachaud
Sujet : Apprentissage Topologique Collaboratif
2013-2014 : PostDoctorat (participation au co-encadrement)
Post-Doc : Mohamed Hindawi
Sujet de thèse : Clustering Collaboratif Vertical
2017 : Thèse (participation au co-encadrement)
Doctorante : Benlamine K.
Sujet de thèse : Apprentissage non supervisé quantique de représentations de don-
nées évolutives
12
2014 2019 : Thèse (participation au co-encadrement)
Doctorant : Falih I.
Sujet de thèse : Algorithmes efficaces pour l’analyse de grands graphes multiplex
2013 2017 : Thèse (participation au co-encadrement)
Doctorant : Hatim Chahdi
Sujet de thèse : Qualité des données et des connaissances et contrôle de l’apprentissage
collaboratif
2010 2014 : Thèse (participation au co-encadrement)
Doctorant : Mohamad Ghassany
Sujet de thèse : Contributions To Collaborative Clustering
Objectifs : Etudier l’état de l’art concernant les méthodes d’apprentissage collab-
oratif; Proposer des nouvelles techniques permettant de collaborer plusieurs ré-
sultats de clustering en utilisant les GTM;
2019 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Ahmed ZAIOU
Durée : 6 mois
Sujet de stage : Apprentissage artificiel non-superrvisé quantique
2018 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Sofiya KOBYLYANSKAYA
Durée : 6 mois
Sujet de stage : Analyse statistique des données linguistiques, détection des sen-
timents à partir des textes
2017 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Svitlana Kalashnyk
Durée : 6 mois
Sujet de stage : Apprentissage à base de reseuax de neuronnes pour le traitement
de données textuelles
2016 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Taofik Lawal
Durée : 6 mois
13
Sujet de stage : Détection des Opinions à partir de données “tweets”
2014 : Stage d’initiation à la recherche M2Recherche (co-encadrement)
Stagiaire : Dorin Tulei
Durée : 6 mois
Sujet de stage : Apprentissage en temps réel de données de type “tweet”
2013 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Aboubakr Taleb
Durée : 6 mois
Sujet de stage : Apprentissage Incrémental appliqué au flux de données
2012 : Stage d’initiation à la recherche M2Recherche
Stagiaire: Bartcus Marius
Durée : 5 mois
Sujet de stage : Factorisation matricielle pour l’apprentissage par transfert
2011 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Altinisik N.
Durée : 5 mois
Sujet de stage : Classification non supervisée distribuée et directionnelle
2009 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Kahina Aouicha
Durée : 5 mois (stage en cours)
Sujet de stage : L’anonymat et la Classification non-supervise collaborative.
2008 : Stage d’initiation à la recherche M2Recherche
Stagiaire : Massinissa Chelli
Durée : 5 mois
Sujet de stage : Discrétisation de données à travers une pondération locale en ap-
prentissage non-supervisé.
14
1.7 Rayonnement
1.7.1 Membre de Sociétes Scientifiques
1. IEEE, http://www.ieeefrance.org/
2. International Neural Network Society (INNS)
3. Société Francophone de la Classification (SFC), http://www.sfc-classification.net/
4. Société Française de la Statistique (SFDS), http://www.sfds.asso.fr/
5. Membre fondateur du groupe INNS Autonomous Machine Learning (AML), http://autonomoussystems.org/default.html
Collaborations scientifiques
1. Collaboration avec l’Université de Kobe (Japon), à partir de 2011,
2. Collaborations dans le cadre du PRES Sorbonne Paris Cité avec LIPADE, l’Université
Paris Descartes et le SYLED, Université Sorbonne Nouvelle Paris 3(projet blanc
USPC déposé);
3. Collaboration avec le laboratoire “HUMAN LANGUAGE ENGINEERING LABO-
RATORY”, Université Technique de Moldavie, Chisinau, Moldavie, à partir de 2011;
item Collaborations avec Tokyo Institute of Technology, Japan et le Department of
Electrical and Electronic Engineering at Graduate Scool of Engineering, Kobe Uni-
verity, Kobe, Japan (co-organisations de plusieurs manifestations)
4. Collaborations avec Middlesex University, London, UK, avec Charles Sturt University,
Bathurst, Australia, avec Bournemouth University, Dorset, UK (projet FP7 déposé).
1.7.2 Invitation dans des universités étrangères
1. Séjour scientifique à Ellensburg State University, WA, USA, mai-juin 2017
2. Séjour scientifique à l’Université de Kobe (Japon), mars 2016,
3. Invitations pour un séjour scientifique à Vyatka State University, Kirov (Russie), mars
2013;
4. Séjour scientifique à l’Université Technique de Moldavie (septembre 2011), laboratoire
LILU, Moldavie: travaux sur la reconnaissance automatique de la parole;
5. Invitation à l’Université Washington University in St. Louis, ‘Division of Bioinfor-
matics and Outcomes Research, Department of Radiaiton Oncology’, USA, juin 2009,
15
1.7.3 Comités de rédaction
1. Journal Kowledge and Information Systems, à partir de 2015
2. Journal of Neural Networks, à partir de 2012
3. Conférences IJCNN, WCCI, ICONIP, AICIT, SFC, Cap, EGC.
1.8 Valorisation et responsabilités scientifiques
1.8.1 Résponsabilités scientifiques
2013–2016 Membre du Comité d’Experts section 27 de l’Université Paris 13
2013–2016 Membre de la Commission Relations Internationales du LIPN CNRS UMR 7030
Co-organisateur d’une ecole d’été internationale et plusieurs ateliers internationaux
Réalisation de logiciel de recherche : En collaboration avec THALES S.A. j’ai par-
ticipé au développement d’un système de recherche d’information visuelle.
Concours International : Participation au Challenge Internationale sur l’Apprentissage
non supervisé et par Transfert (Unsupervised and Transfer Learning Challenge) classé
5ième: http://www.causality.inf.ethz.ch/unsupervised-learning.php?page=results#cont
Responsable du Groupe de Travail International ‘Autonomous Machine Leanring Spe-
cial Interest Group’ (dans le cadre de la société INNS) qui compte plus de 100 membres
(depuis sa création en 2010).
Renforcement d’un nouvel axe de recherche dans l’équipede recherche A3 de LIPN :
Apprentissage non supervisé collaboratif et évolutif
Tutoriels :
1. Topological and Graph clustering, International Joint Conference on Neural Net-
works, IJCNN 2017, Alaska USA
2. Topological and Graph-based clustering : Recent algorithmic advances, (Tuto-
rial) - 23th International conference on neural information Processing (ICONIP
2016), 19 October, Kyoto : R. Kanawati, N. Grozavu
3. Tutoriel ‘Topological Collaborative Learning’ at 2nd ALML workshop, Kilarney,
Ireland : N. Grozavu
16
1.8.2 Organisation de manifestations scientifiques
1. Organisation du 6eme edition du workshop ALML2020 (International Workshop on
Advances in Learning from/with Multiple Learners), IJCNN’20, Edinbourg Scot-
land, July 2020, Online
2. Organisation du workshop Machine Learning : methods and applications, ECCO’19,
Chisinau Moldova, October 2019
3. Organisation du 5eme edition du workshop ALML2019 (International Workshop on
Advances in Learning from/with Multiple Learners), IJCNN’19, Budapesta Hun-
gary, July 2019
4. Co-organisation de l’ecole d’été internationale Machine Learning and Applications,
Brasov Romania, July 2019
5. Organisation du workshop ALML2018 (International Workshop on Advances in Learn-
ing from/with Multiple Learners), WCCI - World Congres on Computational Intelli-
gence 2018, Rio de Janeiro Bresil, July 2018
6. Organisation du workshop ALML2017 (International Workshop on Advances in Learn-
ing from/with Multiple Learners), IJCNN’17, Alaska USA, Mai 2017
7. Membre du Comité d’Organisation de la Conférence AAFD-SFC, 2016 Marrakesh
(Maroc)
8. Organisation de la Session Spéciale “Topological and Graph Based Clustering Meth-
ods”, ICONIP 2016
9. Organisation du workshop ALML2014 et ALML2016 (International Workshop on Ad-
vances in Learning from/with Multiple Learners)
10. Membre du comité d’organisation de la Session Spéciale “Special Session on Active
Learning and Experimental Design (ALED)”, IJCNN 2013.
11. Organisation de la Session Spéciale “Incremental Machine Learning: Methods and
Applications (IML’2013)”, International Joint Conference on Neural Networks, Dallas,
USA, 2013;
12. Organisation de la Session Spéciale “Co-Clustering of Large and High Dimensional
Data”, International Conference on Neural Information Processing, Doha, Qatar;
13. Organisation de la Session Spéciale “WCCI 2012 Special Session on Nonnegative Ma-
trix factorization paradigm for unsupervised learning”, World Congress on Computa-
tional Intelligence 2012, Australia
17
14. Co-organisation de la Session Spéciale ‘Combining Multiple Learners’ à ICONIP 2011
(2011 International Conference on Neural Information Processing ), Shanghai, China:
http://iconip2011.sjtu.edu.cn/S8.html
15. Organisation de la session spéciale “Automated Supervised and Unsupervised Learn-
ing " à IJCNN 2011 (International Joint Conference on Neural Networks), San José,
USA: http://www.ijcnn2011.org/special_section.php
16. Organisation de la session spéciale pour la conférence ICNNAI (International Confer-
ence on Neural Networks and Artificial Intelligence), 2010: Incremental Topological
Learning Models and Dimensional Reduction (https://sites.google.com/site/itlmdm/).
17. Membre du comité d’organisation de l’école d’hiver sur le thème “ Apprentissage
Statistique et Data Mining (http://sites.google.com/site/ecoleegc/), Hammamet,
Tunisie 2010;
1.8.3 Membre de comités de sélection
1. Membre du comité de sélection du poste de MCF (section 27) au département d’Informatique,
Institut Galilée, Université Paris 13, 2013, (27MCF0242)
2. Membre de la commission ad hoc du poste PRAG (math-info) au département GMP,
l’IUT de Saint-Denis, Université Paris 13, (CMP: PRCE 0410)
3. Membre du comité de sélection du poste de MCF (section 26) au département IMATH,
équipe pédagogique SB (Statistique et Bioinformatique), CNAM, 2012, (27MCF4043)
Membre du comité éditorial et de programme
1. Membre du comité éditorial du “Journal of Pattern Recognition In Physics” (http://www.pattern-
recognition-in-physics.net)
2. AICIT conférences (http://www.aicit.org/)
3. World Congress on Computational Intelligence
4. International Joint Conference on Neural Networks
1.8.4 Participation à des projets de recherche
ANR Pro-TEXT (2019-2023) - co-Porteur local
Pro-TEXT (Processes of Textualization: Linguistic, Psycholinguistic, and Machine
Learning Modeling) is an innovative interdisciplinary project putting under scrutiny
18
a new research object, the dynamics of the textualisation process. The aim is to
elucidate the way a complex and globally constrained unit, the text, is built out of
simple and locally constrained linguistic units. For this, we will conduct pioneering
research on the recurrent features of bursts of writing in French (a burst is a linguistic
sequence produced between two pauses, e.g.: [pause] une cousine qui [pause] peut venir
partager du temps avec elle pendant [pause] le [pause] w [pause] eek [pause] [pause]
end. [pause]). We will combine multi-parametric linguistic description, behavioural
data (pauses, chronometry), and machine learning algorithms. This approach will
lead to a comprehensive linguistic analysis by providing insights into the relation
between incremental regularities of the textualisation process and the cognitive and
contextual constraints of language performance. Furthermore, the Pro-TEXT project
will develop methods and tools to model these regularities and provide evidence about
patterns of text processing.
PEPS-CNRS MultiText (2017-2018) - co-Porteur du projet
Le Projet que j’ai co-dirigé avec M. Guénaël Cabanes porte sur Apprentissage Artificiel
Multi-Vues pour l’Analyse de Textes. La fouille de textes suscite une forte attention
ces dernières années en raison des grands volumes de données disponibles, les appli-
cations de tchats ou encore les forums web. L’analyse de ces données présente de
nombreuses difficultés liées à la fois à leur important volume, mais surtout à leur
caractère hétérogène et distribué. Ce projet s’inscrit dans la dynamique actuelle
d’analyse de données issues de différent sources et a pour objectif de combiner des tech-
niques d’analyse de données dynamiques et multi-vues avec des techniques d’analyse
d’émotions et d’expressions dans les corpus de textes. L’objectif de ce projet est de
mettre au point des méthodes d’apprentissage non-supervisé efficace pour l’analyse
de ces données, de façon à détecter de façon dynamique des tendances ou des change-
ments comportementaux.
ANR COCLICO (2012-2016)
Le projet COLCICO (COllaboration, CLassification, Incrémentalité et COnnaissances)
est un projet de recherche visant à étudier et proposer une méthode générique inno-
vante permettant une analyse multi-échelle de grands volumes de données spatio-
temporelles fournies en continue de qualité très variable, mettant en œuvre une ap-
proche multi stratégie incrémentale dans laquelle la collaboration entre les différentes
méthodes de fouille de données sera guidée par des connaissances à la fois du do-
maine thématique (Géosciences, Géographie) formalisées en ontologies et du domaine
de l’analyse (connaissances sur les méthodes), et garantissant un objectif de qualité
finale prenant en compte à la fois la qualité des données et celles des connaissances.
FUI HERMES (2012-2015)
Membre du Comité Scientifique de HERMES et responsable de la tache de ‘Derive de
19
concepts’ Le projet HERMES (RELATION CLIENT PERSONNALISEE ET CON-
TEXTUALISEE) a pour objectif de construire une plate forme de marketing con-
textuel générique, modulaire, industrialisée et automatisée capable :
1. D’extraire des données provenant de tous les canaux (caisse, web, email, centre
d’appel, réseaux sociaux, devices ... )
2. De déterminer les contextes d’achat du client ainsi que les canaux pertinents
d’interaction avec ce client
3. De communiquer avec les systèmes opérationnels sur tous les canaux (notamment
avec les devices en magasin et les réseaux sociaux ... )
PEPS-CNRS AIDEM (2012-2014) - Porteur du projet
AIDEM est un projet de recherche visant à proposer une méthode innovante permet-
tant une analyse de grands volumes de données textuelles émotionnelles en temps réel
issus des forums de discussions. Ce projet a aussi comme but la détection et la car-
actérisation de l’évolution temporelle des émotions (la caractérisation de bi-clusters
évolutifs). L’originalité du projet consiste à proposer des méthodes incrémentales sus-
ceptibles de prendre en compte, d’une part, les dynamiques du discours et, d’autre
part, les phénomènes contextuels. Il s’agira par exemple d’identifier des constellations
émotionnelles et d’étudier leur évolution au fil d’un forum de discussions.
JCJC INS2I 2015 A3FD (2015) - Porteur du projet
A3FD est un projet de recherche visant à proposer des méthodes innovantes pour
l’analyse autonome de grands volumes de données temporelles en rassemblant une
équipe constituée de deux jeunes chercheurs. Ces méthodes devront permettre la
détection et la caractérisation de l’évolution temporelle des clusters en choisissant de
manière autonome les valeurs optimales des paramètres des algorithmes. Ce type
de méthodes n’existe pas actuellement malgré un besoin important. Nous validerons
les méthodes proposées sur des données applicatives réelles pour l’identification de
groupes d’opinions et d’expressions émotionnelles à partir de données de types tweets
et l’étude de leur évolution dans le temps.
ANR E-FRAUD BOX (2010-2013)
Le projet E-fraud Box vise à développer une boîte à outils intégrée, dédiée à la détec-
tion et à l’investigation de la fraude à la carte bancaire sur Internet. Cette boîte à
outils est basée sur : des algorithmes d’apprentissage capables de modéliser les com-
portements frauduleux, de suivre la dynamique de la fraude dans le temps et d’étudier
les interactions entre les transactions. des moteurs de détection et d’investigation de
la fraude combinant les résultats des modèles. Les moteurs seront utilisés pour :
construire des faisceaux d’indice caractérisant des comportements frauduleux et des
scénarios de fraude, identifier les nouveaux modes opératoires des fraudeurs.
20
ANR CADI (2008-2010)
Le projet CADI (Composants Avancés pour la Distribution) vise à produire un proto-
type de composants logiciels pour la Distribution, tant brick-and-mortar (magasins)
que vente en ligne (site de e-commerce). Nos recherches se situent dans les axes:
Analyse de comportement d’achat et l’Analyse des communautés.
ANR Infom@gic (2007-2010)
Infom@gic, un projet sur une période de trois ans, a eu le but de mettre en place un lab-
oratoire industriel de sélection, de tests, d’intégration et de validation d’applications
opérationnelles des meilleures technologies franciliennes dans le domaine de l’ingénierie
des connaissances. Ce laboratoire s’appuie sur une plate-forme commune qui couvre
les grands domaines de l’analyse d’information quelles que soient les sources (données
structurées, texte, images et sons) :
la recherche et l’indexation;
l’extraction de connaissances;
la fusion d’informations multimédias.
Elle inclue des applications pour les secteurs de l’e-Education et de la gestion des
patrimoines culturels numériques. Notre rôle: Nos recherches dans le cadre du ce
projet se situent dans l’axe ‘Fusion d’information multimodales’.
1.9 Publications et production scientifique
Ci-dessous le rank A correspond au classement officiel d’ERA, CORE (http://core.edu.au).
1.9.1 Revues internationales avec comité de lecture (Total: 11)
1. Sublime J., Grozavu N., Matei B.: "Topological Virtual Point Augmentation applied
to Supervised Clustering for distributed databases with imbalanced classes", Pattern
Recognition journal, under review. (rank A)
2. Benlamine K., Falih I., Grozavu N., Matei B., Bennani Y.,: "Stability for Non-
Negative Matrix Factorization". International Journal on Machine Learinng, under
review. (rank A)
3. Parisa Rastin, Matei B., Guénaël Cabanes, Grozavu N., Bennani Y. (2019): Impact
of Learners’ Quality and Diversity in Collaborative Clustering. J. Artif. Intell. Soft
Comput. Res. 9(2): 149-165, 2019
4. Zouinina S., Rogovschi N., Grozavu N., Matei B., Ozawa S.: (2019) "t-Distributed
Stochastic Neighbor Embedding Spectral Clustering using higher order approxima-
21
tions", in Australian Journal of Intelligent Information Processing Systems (AJIIPS),
2019. (rank A)
5. Sublime J., Matei B., Cabanes G., Grozavu N., Bennani Y., Cornuejols A. (2017),
“Entropy Based Probabilistic Collaborative Clustering”, Pattern Recognition, 2017,
The Journal of Pattern Recognition Society, Elsevier.
6. Sublime J., Grozavu N., Cabanes G., Bennani Y., Cornuejols A.: “From horizontal
to vertical collaborative clustering using generative topographic maps”. Int. J. Hybrid
Intell. Syst. 12(4): 245-256 (2015)
7. Ghassany M., Grozavu N., Bennani Y. (2012), “Collaborative Clustering Using Pro-
totype Based Techniques”, in IJCIA, International Journal of Computational Intelli-
gence and Applications, Vol. 11, No. 3, 1250017, 17 pages, Imperial College Press,
DOI: 10.1142/S1469026812500174, (rank A) .
8. Labiod L., Grozavu N., Bennani Y. (2011), “Simultaneous Topological Categori-
cal Data Clustering and Cluster Characterization”, in IJC, International Journal of
Computing, ISSN 1727-6209.
9. Grozavu N., Bennani Y. (2010), “Topological Collaborative Clustering”,in Aus-
tralian Journal of Intelligent Information Processing Systems (AJIIPS), 12(3), 2010.
Machine Learning Applications (Part I). (rank A)
10. Labiod L., Grozavu N., Bennani Y. (2010), “Relational Topological Map”. Interna-
tional Journal of Computational Intelligence and Applications 9(4): 353-370 (2010),
(rank A) .
11. Grozavu N., Bennani Y., Lebbah M. (2010), “Cluster-dependent features selection
through a weighting learning paradigm”, in "Advances In Knowledge Discovery and
Management", series "Studies in Computational Intelligence", 2010 Volume 292/2010
F. Guillet, G. Ritschard, D. Zighed and H. Briand (eds), EGC (best of volume), pp.
133-147, Springer. Invited paper.
1.9.2 Brevets (Total: 1)
1. Benhadda H., Bennani Y., Lebbah M., Grozavu N., (2009) SYSTEM FOR SEARCH-
ING VISUAL INFORMATION, WO/2010/066774 - PCT/EP2009/066702
22
1.9.3 Chapitre de livre (Total: 1)
1. Lebbah M., Bennani Y., Benhadda H., Grozavu N., (2009), “Relational Analysis for
Clustering Consensus”, Invited Book Chapter in Machine Learning, ISBN 978-953-
7619,IN-TECH Publisher.
1.9.4 Conférences Internationales avec comité de lecture (Total: 44)
1. Chevallier M., Rogovschi N., Boufares F., Grozavu N. and Clairmont C.: "Seeding
initial population, in genetic algorithm for features selection", SoCPaR, december
2020, Online
2. Benlamine K., Bennani Y., Matei B., and GGrozavu N.: "Quantum Semi Non-
Negative Matrix Factorization", SoCPaR, december 2020, Online
3. Benlamine K., Bennani Y., Grozavu N., Matei B.: "Quantum Collaborative K-
means", IJCNN 2020: 1-7, Edinbourg - Scotland. (rank A)
4. Benlamine K., Grozavu N., Bennani Y., Matei B.: "Distance estimation for Quan-
tum Prototypes based Clustering" in Proc. of ICONIP 2019, Sydney, Australia
5. Benlamine K., Grozavu N., Bennani Y., Matei B.: Collaborative Non-negative Ma-
trix Factorization. ICANN (4) 2019: 655-666
6. Zouinina S., Grozavu N., Bennani Y., Abdelouahid Lyhyaoui, Rogovschi N.: A
Topological k-Anonymity Model Based on Collaborative Multi-view Clustering. ICANN
(3) 2018: 817-827
7. Falih I., Grozavu N., Kanawati R., Bennani Y., Matei B.: Collaborative Multi-View
Attributed Networks Mining. IJCNN 2018: 1-8
8. Jérémie Sublime, Denis Maurel, Grozavu N., Matei B., Bennani Y.: Optimizing
exchange confidence during collaborative clustering. IJCNN 2018: 1-8
9. Benlamine K., Grozavu N., Bennani Y., Rogovschi N., Haddadou K., Amamou A.:
Domain Name Recommendation based on Neural Network. INNS Conference on Big
Data 2018: 60-70
10. Falih I., Grozavu N., Kanawati R., Bennani Y.: Topological multi-view clustering
for collaborative filtering. INNS Conference on Big Data 2018: 306-312
11. Zouinina S., Grozavu N., Bennani Y., Abdelouahid Lyhyaoui, Rogovschi N.: Ef-
ficient k-Anonymization through Constrained Collaborative Clustering. SSCI 2018:
405-411
23
12. Falih I., Grozavu N., Kanawati R., Bennani Y.: Community detection in Attributed
Network. WWW (Companion Volume) 2018: 1299-1306
13. Rogovschi N., Kitazono J., Grozavu N., Omori T., Ozawa S.: t-Distributed stochas-
tic neighbor embedding spectral clustering. IJCNN 2017: 1628-1632
14. Lachaud A., Grozavu N., Matei B., Bennani Y. (2017), “Collaborative Clustering
between Different Topological Partitions”, IEEE International Joint Conference on
Neural Network (IEEE IJCNN), Anchorage, Alaska, USA, May 14-19, 2017.
15. Falih I., Grozavu N., Kanawati R., Bennani Y. (2017), Multiplex Network Clus-
tering based Collaborative Filtering ”, in Proc. ISI’17 : 61st International Statistical
Institute World Statistics Congress, 16-21 July, Marrakech, Kingdom of Morocco.
16. Rogovschi N., Grozavu N., Bennani Y., Ozawa S. (2017), t-Distributed Stochastic
Neighbor Embedding based Self Organizing Maps ”, in Proc. ISI’17 : 61st Interna-
tional Statistical Institute World Statistics Congress, 16-21 July, Marrakech, Kingdom
of Morocco.
17. Falih I., Grozavu N., Kanawati R., Bennani Y. (2017), ANCA: Attributed Net-
work Clustering Algorithm ”, in Proc. Complex Networks’17, The 6th International
Conference on Complex Networks and Their Applications, November 29 - December
01 2017, Lyon, France.
18. Chahdi H, Grozavu N., Mougenot I., Bennani Y. et Berti-Equille L.. Towards
ontology reasoning for topological cluster labeling. 23rd International Conference on
Neural Information Processing (ICONIP 2016), Kyoto, Japan, volume 9949 de Lecture
Notes in Computer Science, pages 156–164, 2016.
19. Chahdi H, Grozavu N., Mougenot I., Berti-Equille L. et Bennani Y.. On the use
of ontology as a priori knowledge into constrained clustering. IEEE International
Conference on Data Science and Advanced Analytics (DSAA), Montreal, Canada,
2016
20. Rogovschi N, Grozavu N., Labiod L.: “Spectral Clustering Trough Topological
Learning for Large Datasets”. ICONIP (2) 2015: 216-223 (rank A)
21. Falih I., Grozavu N., Kanawati R., Bennani Y.: “A Recommendation System Based
on Unsupervised Topological Learning”. ICONIP (2) 2015: 224-232 (rank A)
22. Sublime J., Grozavu N., Bennani Y., Cornuejols A.: “Collaborative clustering with
heterogeneous algorithms. IJCNN 2015: 1-8 (rank A)
24
23. Grozavu N., Rogovschi N., Cabanes G., Troya-Galvis A., Gancarski P.: “VHR
satellite image segmentation based on topological unsupervised learning”. MVA 2015:
543-546
24. Grozavu N., Cabanes G., Bennani Y.: “Diversity analysis in collaborative cluster-
ing”. IJCNN 2014: 1754-1761 (rank A)
25. Rogovschi N., Grozavu N.: “Opinion retrieval through unsupervised topological
learning”. IJCNN 2014: 3130-3134 (rank A)
26. Grozavu N., Bennani Y. (2013), “Structural memory based under-sampling for im-
balanced distributions”,in Proc. ECDA, European Conference on Data Analysis, July
10 - 12, 2013 in Luxembourg.
27. Nikulin V., Rogovschi N., Grozavu N., (2013) “Incremental Learning from Several
Different Microarrays”, in Proc. IJCNN, IEEEInternational Joint Conference on Neu-
ral Network, Dallas, TX- August 4-9, 2013. (rank A)
28. Ghassany M., Grozavu N., Bennani Y. (2013), “Collaborative Multi-View Cluster-
ing”,in Proc. IJCNN, IEEEInternational Joint Conference on Neural Network, Dallas,
TX- August 4-9, 2013. (rank A)
29. Ghassany M., Grozavu N., Bennani Y. Collaborative generative topographic map-
ping. In Proceedings of the 19th International Conference On Neural Information
Processing (ICONIP 2012), Part II, volume 7664 of Lecture Notes in Computer Sci-
ence, pages 591-598, Doha, Qatar, nov 2012. Springer, (rank A) .
30. Grozavu N., Bennani Y., Labiod L. Feature space transformation for transfer learn-
ing. In Proceedings of the International Joint Conference on Neural Networks (IJCNN
2012), pages 2637-2642. IEEE, 2012, (rank A) .
31. Grozavu N., Bennani Y. (2011), “Simultaneous pattern and variable weighting dur-
ing topological clustering”,in Lecture Notes in Computer Science, LNCS Springer,
Proc of ICONIP’11 : 18th International Conference on Neural Information Process-
ing, p. 570-579, Nov 14-17, 2011, Shanghai, China, (rank A) .
32. Grozavu N., Ghassany M., Bennani Y. (2011), “Learning Confidence Exchange in
Collaborative Clustering ”,in Proc. of IJCNN, IEEE International Joint Conference
on Neural Network, San Jose, California, 2011, (rank A) .
33. Rogovschi N., Grozavu N., A Content-based Image Retrieval System Based on Un-
supervised Topological Learning, in Proc. ICMIA’10 : IEEE International Conference
on Data Mining and Intelligent Information Technology Applications, 2010, p.398-394,
Seoul, Korea, 2010
25
34. Labiod L., Grozavu N., Bennani Y. (2010), “Relationship between the modularity
criterion and the relational analysis”,in Proc. ICMIA’10 : IEEE International Confer-
ence on Data Mining and Intelligent Information Technology Applications, p.229-236,
November 30 - December 2 , 2010, Seoul, Korea.
35. Grozavu N., Labiod L., Bennani Y. (2010), “Autonomous cluster characterization
for categorical data”,in Proc.ICMLA’10,IEEE International Conference on Machine
Learning and Applications, p. 607-613, Washington D.C., USA on December 12-14,
2010-USA.
36. Labiod L., Grozavu N., Bennani Y. (2010), “Clustering Categorical Data Using an
Extended Modularity Measure”,inLNCS Springer of ICONIP’10 : 17th International
Conference on Neural Information Processing, 22nd 25th November 2010 in Sydney,
Australia, (rank A) .
37. Grozavu N., Labiod L., Bennani Y. (2010), “Dimensionality reduction for binary
data”,in Proc. ICNNAI’10,International Conference on Neural Network and Artificial
Intelligence, pages 37-41, 1-4 June 2010 in Brest, Belarus.
38. Labiod L., Grozavu N., Bennani Y. (2010) “Topological organization for Categor-
ical Data Clustering”, International Conference on Neural Networks and Artificial
Intelligence, ICNNAI’10, pages 30-36, Brest, Belarus.
39. Labiod L., Grozavu N., Bennani Y. (2010) “Relational Topographic clustering (RTC)”,
International Joint Conference on Neural Networks, IJCNN’10, Barcelona, Spain,
2010, (rank A) .
40. Labiod L., Grozavu N., Bennani Y. (2010), Clustering Categorical Data Using an
Extended Modularity Measure, ICONIP 2010 : 17th International Conference on
Neural Information Processing, p.310-320, 22nd 25th November 2010 in Sydney,
Australia, (rank A) .
41. Grozavu N., Bennani Y. (2009), “A new competitive strategy for Self Organizing
Map Learning”, Proceedings of the (ICMLA’09), International Conference on Machine
Learning and Applications, p.689-692, 13-15 Dec. 2009, Miami Beach, Florida, USA.
42. Grozavu N., Bennani Y. (2009), “Voting Memory based Self-Organizing Map”,
TopoLearn’09: International Workshop on Topological Learning, ISMIS’09, Interna-
tional Symposium on Methodologies for Intelligent Systems, Prague, September 14 -
17, 2009.
43. Grozavu N., Rogovschi N. (2009), “Mining Visual Data”, ICMCS09, October 1-4
2009, Chisinau, Moldavie.
26
44. Grozavu N., Bennani Y.,Lebbah M. (2009), “From variable weighting to cluster
characterization in topographic unsupervised learning”,Proc. IJCNN ‘09, Interna-
tional Joint Conference on Neural Network, p.1005-1010, 14-19 June 2009, Atlanta,
Georgia, USA, (rank A) .
1.9.5 Revues francophone avec comité de lecture (Total: 2)
1. Labiod L., Grozavu N., Bennani Y. (2011), “Classification Relationnelle Topographique”,
Numéro spécial de la Revue d’Intelligence Artificielle (RIA), V.25, n.3, Revue des Sci-
ences et Technologies de l’Information, p.393-410, Editions Hermès Science., Invited
paper.
2. Labiod L., Grozavu N., Bennani Y. (2011),Formulation Condorcéenne de la modu-
larité; RNTI, Revue des Nouvelles Technologies de l’Information, (2011).
1.9.6 Communications orales (Total: 9)
1. “Clustering using t-SNE method”, Kobe University, Kobe (JAPON), March 2016,
Invited Talk
2. “Collaborative Clustering”, Kobe University, Kobe (JAPON), Mai 2015, Invited Talk
3. “Topological Unsupervised Clustering”, Vyatka State University, Kirov (Russia), In-
vited Talk
4. “Unuspervised Collaborative Clustering and Images processing”, LILU, Technical Uni-
versity of Moldova, 2011, Chisinau, Moldavie, Invited talk
5. “Apprentissage topologique non-supervisé pour la recherche d’informations visuelles”,
séminaire Image, ENSICAEN, 29 avril 2010, Caen, France
6. “Apprentissage non-supervisé et la sélection des variables”, Université Paris 6, 2010
7. “Caractérisation automatique des groupes”, ISIR - Institut des Systèmes Intelligents
et de Robotique, 2010
8. “Unsupervised cluster characterization”, scientific talk, Washington University in St.
Louis, USA, juin 2009, Invited talk
9. “Pondération locale des observations dans un cadre non-supervisé”, 2009, Université
Paris 13
27