Sitemap
A list of all the posts and pages found on the site. For you robots out there is an XML version available for digesting as well.
Pages
Mohammed-Yassine Habibi — doctorant à l’Inria Grenoble (équipe Thoth) et au LECA, Université Grenoble Alpes : représentations profondes interprétables pour la modélisation de la biodiversité et apprentissage auto-supervisé robuste.
Mohammed-Yassine Habibi — PhD student at Inria Grenoble (Thoth team) and LECA, Université Grenoble Alpes, working on interpretable deep representations for biodiversity modelling and on robust self-supervised learning.
Projets
Stages de recherche, projets de recherche et projets de cours de Mohammed-Yassine Habibi.
Projects
Research internships, research projects and course projects of Mohammed-Yassine Habibi.
Publications
Publications de Mohammed-Yassine Habibi sur l’apprentissage de représentations robuste et auto-supervisé.
Publications
Publications of Mohammed-Yassine Habibi on robust and self-supervised representation learning.
Posts
portfolio
Propagation des ondes sonores et géométries d’invisibilité
Published:
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.
Sound Wave Propagation and Invisibility Geometries
Published:
How the solution of a wave-propagation PDE depends on the geometry of the domain, and under which conditions reflection vanishes or transmission becomes perfect.
Synthèse de nanoparticules pour la production photocatalytique d’hydrogène
Published:
Synthèse de nanoparticules de ZnO et de CdS et réactions photocatalytiques pour produire de l’hydrogène à partir de déchets.
Nanoparticle Synthesis for Photocatalytic Hydrogen Production
Published:
Synthesis of ZnO and CdS nanoparticles and photocatalytic reactions to produce hydrogen from waste.
Machine Learning and Deep Learning for Rainfall Prediction
Published:
Comparing logistic regression, random forests, XGBoost, LSTMs and CNNs to predict rainfall from daily weather observations, then simplifying the model through interpretability analysis.
Apprentissage automatique et profond pour la prévision des précipitations
Published:
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.
Deep Learning and Approximate Bayesian Computation for Finite-Sites Model Inference
Published:
A neural network learns summary statistics of DNA sequences, which feed an adaptive sequential Monte Carlo ABC with random forests to infer the parameters of finite-sites evolutionary models fitted to cancer data.
Apprentissage profond et calcul bayésien approché pour l’inférence de modèles à sites finis
Published:
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.
PointNet pour la classification et la segmentation de nuages de points
Published:
Réimplémentation de PointNet pour la classification et la segmentation de nuages de points, et application à un jeu de données d’ARN.
PointNet for Point Cloud Classification and Segmentation
Published:
Re-implementation of PointNet for point cloud classification and segmentation, and application to an RNA dataset.
Méthodes à noyaux pour la classification de séquences d’ADN
Published:
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.
Kernel Methods for DNA Sequence Classification
Published:
Data challenge: classifying DNA sequences with string kernels implemented from scratch (spectrum, mismatch, gapped k-mer), combined through kernel–target alignment and plugged into an SVM solved with OSQP.
Estimation de la fonction de Green à partir de bruit ambiant avec illumination limitée en 3D
Published:
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.
Green’s Function Estimation from Ambient Noise with Limited Illumination in 3D
Published:
Passive imaging: recovering the Green’s function between two sensors by cross-correlating ambient noise signals, and studying how limited noise-source illumination in 3D degrades the estimate.
Neuroscience-Inspired Encoding and Learning for Robust Representations
Published:
Combining oscillatory neurons (AKOrN) with a hippocampus-inspired self-supervised objective (PhiNet) to learn encoders that resist adversarial perturbations without adversarial training. Accepted at the WiML workshop @ NeurIPS 2025; extended in a 2026 arXiv preprint.
Encodage et apprentissage inspirés des neurosciences pour des représentations robustes
Published:
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.
Thèse : aligner apprentissage profond et concepts écologiques — méthodes explicables pour la modélisation de la biodiversité
Published:
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.
PhD: Aligning Deep Learning with Ecological Concepts — Explainable Methods for Biodiversity Modelling
Published:
How can ecological interactions be inferred from the latent representations of deep models trained on heterogeneous biodiversity data? Interpretable, concept-aligned representations of multimodal ecological data — from post-hoc concept discovery in foundation models to representations that are interpretable by design.
publications
Neuroscience-Inspired Encoding and Learning: A Path to Robust Representation Learning
Published in WiML Workshop @ NeurIPS 2025, 2025
Combining Artificial Kuramoto Oscillatory Neurons (AKOrN) with PhiNet, a hippocampus-inspired non-contrastive self-supervised method, to obtain encoders that are more robust to adversarial perturbations — without adversarial training.
Recommended citation: Habibi, M.-Y., Ziu, K., & Yamada, M. (2025). "Neuroscience-Inspired Encoding and Learning: A Path to Robust Representation Learning." Women in Machine Learning (WiML) Workshop @ NeurIPS 2025.
Download Paper
Neuroscience-Inspired Encoding and Learning: A Path to Robust Representation Learning
Published in Workshop WiML @ NeurIPS 2025, 2025
Combiner des neurones oscillants de Kuramoto artificiels (AKOrN) avec PhiNet, une méthode auto-supervisée non contrastive inspirée de l’hippocampe, pour obtenir des encodeurs plus robustes aux perturbations adverses — sans entraînement adverse.
Recommended citation: Habibi, M.-Y., Ziu, K., & Yamada, M. (2025). "Neuroscience-Inspired Encoding and Learning: A Path to Robust Representation Learning." Women in Machine Learning (WiML) Workshop @ NeurIPS 2025.
Download Paper
Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning
Published in arXiv preprint arXiv:2609.08683, 2026
Oscillatory Predictive Learning (OPL) combines Artificial Kuramoto Oscillatory Neurons with predictive self-supervised pretraining (X-PhiNet): adversarial robustness emerges from architectural and representation-learning inductive biases, without adversarial training or test-time purification.
Recommended citation: Habibi, M.-Y., Ziu, K., Takáč, M., & Yamada, M. (2026). "Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning." arXiv preprint arXiv:2609.08683.
Download Paper
Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning
Published in Prépublication arXiv:2609.08683, 2026
L’Oscillatory Predictive Learning (OPL) combine des neurones oscillants de Kuramoto artificiels et un pré-entraînement auto-supervisé prédictif (X-PhiNet) : la robustesse adverse émerge des biais inductifs de l’architecture et de l’apprentissage de représentations, sans entraînement adverse ni purification au test.
Recommended citation: Habibi, M.-Y., Ziu, K., Takáč, M., & Yamada, M. (2026). "Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning." arXiv preprint arXiv:2609.08683.
Download Paper