Recherche & Publications
Mes travaux de recherche en IA appliquée : fondations, alignement, prédiction
Modèles Résistants au Data Leakage pour la Prédiction du Risque de Conversion MCI vers la Démence
Stage pré-ingénieur de recherche : construire des modèles résistants au data leakage pour prédire le risque de conversion des troubles cognitifs légers (MCI) vers la démence à 2-5 ans, à travers les cohortes NACC, ADNI et Framingham.
Voir détails →
T-Grokk : le Bruit Dynamique de Labels Favorise le Grokking
Contrairement au bruit statique, corrompre les labels à chaque étape d'entraînement (bruit dynamique) agit comme une régularisation implicite : à 50% de bruit, le modèle atteint 100% d'accuracy test contre un échec total en bruit statique.
Voir détails →
Analyse des Dynamiques de Grokking en Présence de Bruit (ξ)
Comment la fraction de labels corrompus (ξ) influence la mémorisation et la généralisation (grokking) d'un MLP entraîné sur une tâche d'addition modulaire, jusqu'à un seuil critique où le modèle s'effondre.
Voir détails →Intérêts de Recherche
- Fondements des modèles et dynamiques d'apprentissage (grokking, robustesse au label noise)
- Alignement et fine-tuning de foundation models
- Prédiction clinique à horizon long (démence 2 à 5 ans, à partir de diagnostics et IRM précoces)
- Computer vision et apprentissage multimodal
- ML géospatial et foundation models pour l'observation de la Terre
- NLP / parole low-resource (langues africaines comme terrain exigeant)
- Machine learning compétitif et appliqué à grande échelle