Projets

Comment inférer des interactions écologiques à partir des représentations latentes de modèles profonds entraînés sur des données de biodiversité hétérogènes ? Des représentations interprétables, alignées sur des concepts, pour des données écologiques multimodales — de la découverte de concepts dans les modèles de fondation à des représentations interprétables par construction.

Combiner des neurones oscillants (AKOrN) et un objectif auto-supervisé inspiré de l’hippocampe (PhiNet) pour apprendre des encodeurs qui résistent aux perturbations adverses sans entraînement adverse. Accepté au workshop WiML @ NeurIPS 2025 ; prolongé dans une prépublication arXiv en 2026.

Imagerie passive : retrouver la fonction de Green entre deux capteurs en corrélant des signaux de bruit ambiant, et étudier comment une illumination limitée par les sources de bruit en 3D dégrade l’estimation.

Data challenge : classer des séquences d’ADN avec des noyaux sur chaînes implémentés de zéro (spectrum, mismatch, gapped k-mer), combinés par alignement noyau–cible et utilisés dans un SVM résolu avec OSQP.

Réimplémentation de PointNet pour la classification et la segmentation de nuages de points, et application à un jeu de données d’ARN.

Un réseau de neurones apprend des statistiques résumées de séquences d’ADN, qui alimentent un ABC séquentiel adaptatif à forêts aléatoires pour inférer les paramètres de modèles évolutifs à sites finis ajustés à des données de cancer.

Comparer régression logistique, forêts aléatoires, XGBoost, LSTM et CNN pour prédire la pluie à partir d’observations météorologiques quotidiennes, puis simplifier le modèle grâce à une analyse d’interprétabilité.

Synthèse de nanoparticules de ZnO et de CdS et réactions photocatalytiques pour produire de l’hydrogène à partir de déchets.

Comment la solution d’une EDP de propagation des ondes dépend de la géométrie du domaine, et sous quelles conditions la réflexion disparaît ou la transmission devient parfaite.