Thèmes de recherche
Description détaillée des quatre principaux domaines de recherche et de leurs interconnexions.
Mes recherches couvrent l'apprentissage automatique, le calcul évolutionnaire, l'optimisation et les neurosciences computationnelles. Il existe un degré élevé de chevauchement entre ces domaines — les méthodes évolutionnaires sont appliquées pour optimiser les architectures neuronales, les modèles graphiques probabilistes sont utilisés à la fois en apprentissage automatique et dans les algorithmes évolutionnaires, et les méthodes de ML sous-tendent les travaux en neurosciences. Cliquez sur n'importe quel domaine pour des informations plus détaillées et les liens vers les publications.
Apprentissage automatique
Modèles graphiques probabilistes, réseaux de neurones, NLP, classification, ML adverse, explicabilité et méthodes d'augmentation de données.
Calcul évolutionnaire
Algorithmes d'estimation de distribution (EDA), programmation génétique, neuroévolution et optimisation multi-objectif évolutionnaire.
Optimisation
Paysages de fitness, optimisation combinatoire et multi-objectif, problèmes d'ordonnancement et approches basées sur le RL.
Neurosciences
Interfaces cerveau-ordinateur, traitement visuel inconscient, neurofeedback décodé, analyse MEG/EEG.
Apprentissage automatique
Modèles graphiques probabilistes (PGM)
Recherche sur l'apprentissage et l'inférence dans les modèles graphiques, incluant les réseaux bayésiens, les réseaux de Markov, les machines de Boltzmann restreintes et les modèles basés sur les copules. Applications à l'apprentissage non supervisé, à la détection d'anomalies et à l'apprentissage de représentations.
Réseaux de neurones, Deep Learning & Recherche d'architecture neuronale
Recherche d'architecture neuronale (NAS), modèles génératifs (GAN, VAE), réseaux de neurones informés par la physique (PINN), apprentissage multi-tâches, classification semi-supervisée et approches neuroévolutionnaires.
Traitement du langage naturel (NLP)
Classification hiérarchique multi-label, LLM pour la sélection de caractéristiques et l'explication d'anomalies, participation à la Chaire ENIA en IA et Technologie du Langage.
Apprentissage automatique adverse & Explicabilité
Génération d'exemples adverses dans le domaine audio et d'autres domaines, attaques adverses sur les méthodes de ML explicables, explications tenant compte de l'incertitude et réseaux de neurones auto-explicables.
Calcul évolutionnaire
Algorithmes d'estimation de distribution (EDA)
Recherche fondamentale sur les EDA — apprentissage de modèles probabilistes de solutions prometteuses pour guider la recherche. Applications en optimisation combinatoire, optimisation continue et apprentissage automatique. Co-auteur d'une monographie clé sur le sujet (Springer, 2002).
Neuroévolution & Recherche d'architecture neuronale
Méthodes évolutionnaires pour optimiser les architectures et les poids des réseaux de neurones. Modèles NAS factorisés, modèles multi-réseaux hétérogènes et algorithmes neuroévolutionnaires pilotés par la couverture des neurones.
Optimisation
Ordonnancement & Optimisation combinatoire
Ordonnancement d'ateliers flexible utilisant l'apprentissage par renforcement profond, la programmation par contraintes, le RL hors ligne et le clonage comportemental. Ordonnancement en temps réel pour les applications industrielles.
Optimisation multi-objectif & Paysages de fitness
Optimisation combinatoire bi-objectif, MOEA, analyse des paysages de fitness et benchmarking des problèmes de RL multi-objectifs continus.
Neurosciences
Décodage cérébral & Neurofeedback
Adaptation de domaine pour le décodage cérébral à travers les paradigmes d'imagerie. Développement de DecNefLab, un cadre de simulation modulaire pour la recherche sur le neurofeedback décodé. Travaux en collaboration avec le BCBL.
Traitement visuel inconscient & BCI
Étude des propriétés du traitement inconscient de l'information visuelle dans le cerveau humain à l'aide d'analyses basées sur le ML des données MEG/EEG. Recherche sur les interfaces cerveau-ordinateur.