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