Curriculum Vitae

par

Nistor GROZAVU

Candidat - poste Professeur des Universités

Laboratoire Informatique de Paris–Nord

Institut Galilée

Université PARIS 13

2021

Table of Contents

Table of Contents 1

1.1 Identiﬁcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Expérience profesionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.4 Enseignement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.4.1 Activité d’enseignement et d’encadrement sur ces dernières années . 5

1.4.2 Descriptions des principales interventions pédagogiques . . . . . . . 6

1.4.3 Résponsabilités pédagogiques . . . . . . . . . . . . . . . . . . . . . . 6

1.5 Bilan de travaux de recherche après la thèse . . . . . . . . . . . . . . 7

1.5.1 Apprentissage numérique et fouille de données . . . . . . . . . . . . 7

1.6 Encadrement doctoral et scientiﬁque . . . . . . . . . . . . . . . . . . . 12

1.7 Rayonnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.7.1 Membre de Sociétes Scientiﬁques . . . . . . . . . . . . . . . . . . . . 15

1.7.2 Invitation dans des universités étrangères . . . . . . . . . . . . . . . 15

1.7.3 Comités de rédaction . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.8 Valorisation et responsabilités scientiﬁques . . . . . . . . . . . . . . . 16

1.8.1 Résponsabilités scientiﬁques . . . . . . . . . . . . . . . . . . . . . . . 16

1.8.2 Organisation de manifestations scientiﬁques . . . . . . . . . . . . . . 17

1.8.3 Membre de comités de sélection . . . . . . . . . . . . . . . . . . . . . 18

1.8.4 Participation à des projets de recherche . . . . . . . . . . . . . . . . 18

1.9 Publications et production scientiﬁque . . . . . . . . . . . . . . . . . . 21

1.9.1 Revues internationales avec comité de lecture (Total: 11) . . . . . . 21

1.9.2 Brevets (Total: 1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.9.3 Chapitre de livre (Total: 1) . . . . . . . . . . . . . . . . . . . . . . . 23

1.9.4 Conférences Internationales avec comité de lecture (Total: 44) . . . . 23

1.9.5 Revues francophone avec comité de lecture (Total: 2) . . . . . . . . 27

1.9.6 Communications orales (Total: 9) . . . . . . . . . . . . . . . . . . . 27

1.1 Identiﬁcation

Nom : Grozavu

Prénom : Nistor

No. de qualiﬁcation (CNU: 27) : 10227207240

Adresse personnelle : 21, rue Coysevox 75018 Paris, FRANCE

Date et lieu de naissance : 12 Mars 1984 à Chişinău, Moldavie

Situation de famille : Marié sans enfants

Téléphone personnel : 06 26 90 17 90

Nationalité : française, moldave

Téléphone professionnel : 01 49 40 36 09

Mél : Nistor.Grozavu@lipn.univ-paris13.fr

Page Web : http://www-lipn.univ-paris13.fr/˜grozavu/

Prime d’Excellence Scientiﬁque (PES) pour la période 2013-present.

1.2 Formation

2020 Habilitation á Diriger des Recherches de l’Université Sorbonne Paris Nord.

Titre : Contributions à l’Apprentissage Collaboratif Non-supervisé

Soutenue le : 12 mars 2020 devant le jury composé de:

Rapporteurs :

1. Razvan ANDONIE, Professeur des Universités, Central Washington University,

USA

2. Cédric WEMMERT, Profeseur des Universités, Université de Strasbourg, France

3. Philippe PREUX, Professeur des Universités, Université de Lille, France

Examinateurs :

1. Younès BENNANI, Professeur des Universités, Université Paris 13(Parrain)

2. Gilles BERNARD, Professeur des Universités, Université Paris 8, France(Président

du jury)

3. Laure BERTI-EQUILLE, Professeur des Universités, Université de Aix-Marseille,

France

4. Nathalie PERNELLE, Professeur des Universités, Université Paris 13

5. Ali YAHYAOUY, Professeur des Universités, Université Sidi Mohamed Ben Ab-

dellah, Maroc

Principales matières/compétences professionnelles couvertes : Apprentissage non-

supervisé, clustering topologique, classiﬁcation collaborative, apprentissage par con-

traintes, apprentissage des representations, apprentissage profond, apprentissage quan-

tique.

2009 : Doctorat en informatique de l’Université Paris 13.

Titre : Classiﬁcation Topologique pondérée : approches modulaires, hybrides et collabo-

ratives

Soutenue le : 8 décembre 2009 devant le jury composé de:

Directeur de thèse : Younès Bennani Professeur Université Paris 13

Rapporteurs :

1. Michel VERLEYSEN Professeur Université Catholique de Louvain

2. Pascale KUNTZ Professeur Ecole Polytechnique de Nantes

Examinateurs :

1. Alexandre AUSSEM Professeur Université Lyon 1

2. Mustapha Lebbah Maître de conférences Université Paris 13

3. Jean-François MARCOTORCHINO Directeur scientiﬁque THALES

4. Jean-Luc ZARADER Professeur Université Paris 6

5. Jan-Daniel ZUCKER Directeur de Recherche IRD (Président du jury)

Mention : Très Honorable

Principales matières/compétences professionnelles couvertes : Apprentissage non-

supervisé, Classiﬁcation non-supervisée, clustering topologique, classiﬁcation collabo-

rative, Caractérisation des classes, sélection de variables, causalité, analyse relation-

nelle, classiﬁcation relationnelle topologique.

2006 : Master Informatique Fondamentale à l’Université de la Méditerranée, Marseille,

France – boursier AUF (Agence Universitaire de la Francophonie).

Titre : Systèmes Communicants Sécurisés à Diﬀusion

Responsable de stage : M. Traian MUNTEAN

Principales matières/compétences professionnelles couvertes : le routage dans

les réseaux Ad Hoc, la sécurité du routage, Programmation et Logique, Algorith-

mique, Complexité, Programmation en nombre entiers, Fouille des données et

Entrepôt des données.

2005 : Ingénieur en Informatique à l’Université Technique de Moldavie, Chisinau, Mol-

davie.

Titre : Un Système Multi-Agents sur Internet (SMIInet)

Responsable : M. Liviu CARCEA

Principales matières/compétences professionnelles couvertes : Système multi-

agents en-ligne; Programmation objet orientée, analyse et concepts des logi-

ciels d’exploitation, modélisation des systèmes informatiques, mathématiques

discrètes, bases de données, structures de données et algorithmes, langages formels

et compilateurs.

1.3 Expérience profesionnelle

Sept.2009- présent : Maître de Conférences à l’Institut Galilée, Université Paris 13,

section 27

Sept.2008- Jun. 2009 : ATER à l’Institut Galilée, Université Paris 13

Nov.2006- Sept.2008 : Ingénieur de Recherche au LIPN UMR CNRS 7030, Université

Paris 13 (en tant que doctorant)

Avr. 2006- Jun.2006 : Université AIX Marseille 2, ESIL. Stage de recherche “Systèmes

Communicants Sécurises à Diﬀusion”;

1.4 Enseignement

1.4.1 Activité d’enseignement et d’encadrement sur ces dernières années

UE Diplôme 14-15 15-16 16-17 17-18 18-19 19-20

Conception de Base de Données M1 Info 24 24 24 12

Méthodes matricielles M1 Info 6 6 15

Science des Données Numériques M2 Info 24 24 24 18 18 18

Data Mining (Maroc, co-diplome) M2 Info 24

Deep Learning (Maroc, co-diplome) M2 Info 24

Deep Learning M2 Info 9 32 18

Traitement informatique des données* Sup 3 Info 45 45 45

Visualisation des données L3 Info 27 27 13,5 41,25 20,25 32

Programmation web* L3 Info 27 27 13,5 41,25 27 27

Programmation Web et Algo * CPII2 39 39

Intro Unix et Win* AIR1 12,5 11,5 11,5 11,5 11,5 11,5

Génie Logiciel* AIR1 39,5 37,5 21 21 21

Math-Info L1 Info 15

Base de Données Sup1 Info 15 18

Conduite et Gestion de Projet Sup2 Info 11

Stages, tutorat 74 43 48 25 119 58

Responsabilités* 14 14 24 24 24

Volume horaires 266 221 97 245,75 354,25 329,5

∗ Responsable des UE avec 2-3 chargés de TP/TD

Note : En 2015-2016, j’ai été bénéfeciaire d’un CRCT pour un semestre.

1.4.2 Descriptions des principales interventions pédagogiques

• Traitement numérique des données (Master 2)

Je suis responsable des TP et TD de ce cours. Le but de ce cours est de famil-

iariser les étudiants avec les fondements théoriques et algorithmiques des techniques

de reconnaissance statistiques et structurelles des formes.

• Traitement informatique des données (INFO 3)

Je suis responsable de cette UE depuis 2015. Ce cours introduit les méthodes de base

de l’analyse des données et de l’apprentissage artiﬁciel (statistiques de base, methodes

de projection, classiﬁcation et clustering). Il en détaille les aspects théoriques et les

illustrent sur des exemples concrets.

• Système d’exploitation (INFO1)

J’ai intervenu dans ce module comme responsable du cours depuis 2014. J’ai pré-

paré l’intégralité du cours et des TPs. Cet enseignement a permis aux étudiants

d’apprendre les concepts de base du fonctionnement du système Windows et LINUX

comme la création, suppression, accès aux répertoires, droits d’accès des utilisateurs,

ainsi que les scripts bash.

• Visualisation des données (L3-M1)

Comme responsable de cette UE depuis 2016, j’ai preparé l’integralité des supports de

Cours et TP/TD. Le but de ce cours est de savoir associer à des données une structure

et son mode de représentation associé. Plan du cours : Outils élémentaires de visu-

alisation en statistique descriptive, données numériques, données symboliques, don-

nées complexes, « visual data mining », cartes factorielles, représentation de graphes,

représentation tridimensionnelle, utilisation de techniques de réalité virtuelle pour la

fouille de données.

• Programmation Web et Algo (Classes Preparatoires)

J’ai intervenu dans ce module comme responsable du cours. J’ai préparé l’intégralité

du cours et des TPs. Cet enseignement a permis aux étudiants d’apprendre la pro-

grammation XHTML, CSS, XML, PHP et MySQL.

1.4.3 Résponsabilités pédagogiques

2017– Responsable de la Licence Informatique 3ième année à partir de 2017

2013–2016 Responsable de la formation “Apprentissage Informatique et Réseaux” 1er année pour

la période ;

2013– Membre élu du Conseil du Département Informatique (2013-present)

1. Responsable de plusieurs modules d’enseignement

2. Encadrement régulier de stagiaires L3, M1 pour un volume de 20heqTD/année.

3. Tuteur de stages en entreprise des étudiants en M2, INFO et AIR pour un volume de

25heqTD/année.

1.5 Bilan de travaux de recherche après la thèse

1.5.1 Apprentissage numérique et fouille de données

Mes travaux de recherche se situent dans le domaine de l’apprentissage numérique

(statistique et connexionniste) et de la fouille de données. Plus précisément, je m’intéresse

à l’apprentissage non supervisé (Clustering) à partir de données de diﬀérents types et dif-

férentes structures. Mon attention s’est portée sur la révision des méthodes de classi-

ﬁcation non supervisée à base de prototypes. J’eﬀectue mes recherches au Laboratoire

d’Informatique de Paris Nord (LIPN – UMR 7030 CNRS), à l’Université Paris 13. Mes

travaux actuels s’inscrivent dans le cadre général des algorithmes d’analyse des données

complexes. Je continue à explorer et enrichir les thématiques de recherche suivantes :

• L’apprentissage collaboratif non-supervisée;

• L’apprentissage non-supervisé pour la transformation d’espace

• Intégration de connaissances ontologiques en apprentissage non-supervisé

Mes recherches actuelles se situent dans l’un des axes de l’équipe A3 qui est l’Apprentissage

collaboratif et incrémental non supervisé.Cet axe comporte plusieurs directions:

• Collaboration verticale, horizontale, directionnelle

• Apprentissage avec mémoire, par transfert, à partir de ﬂux de données

• Apprentissage collaboratif par contraintes

• Apprentissage évolutif

• Sélection non supervisée de variables

Pour le premier axe (Apprentissage automatique collaboratif) j’ai proposé plusieurs

méthodes pour faire collaborer plusieurs classiﬁcations à base de prototypes (SOM et GTM)

entre elles en préservant la conﬁdentialité des données. Les travaux proposés, notamment

durant la thèse de Mohamed Ghassany [3] et Jérémie Sublime [1] portent sur l’apprentissage

collaboratif non-supervisé. Or, dans les travaux de thèse de Hatim Chahdi [2] dont j’ai été

le co-encadrant nous nous sommes intéressés à l’intégration des connaissances dans le pro-

cessus de clustering. Dans le cadre de la classiﬁcation collaborative et selon la structure

des bases de données en collaboration, on distingue trois principaux types de collabora-

tion : horizontale, verticale et hybride [6; 7]. Nous nous intéressons particulièrement à la

collaboration horizontale.

La collaboration horizontale est la plus diﬃcile, car dans ce cas les groupes des

données sont décrits dans diﬀérents espaces : chaque base de données est décrite par des at-

tributs diﬀérents, mais possède les mêmes individus que les autres bases. Le problème est :

comment faire collaborer des partitionnements issus d’une collection de classiﬁcations à par-

tir de caractéristiques diﬀérentes ? Pour ce type de problème, la validation des résultats de

la collaboration devient diﬃcile, car tous les partitionnements sont ’corrects’ mais obtenus

avec diﬀérentes représentations. Au contraire, la collaboration verticale consiste à faire

collaborer des classiﬁcations non supervisées issues de diﬀérentes bases de données décrites

par les mêmes attributs, mais ne possédant pas les mêmes individus. Lorsque les collabora-

teurs partagent certains individus et certains attributs seulement, on parle de collaboration

hybride. Dans le cadre de ces travaux, nous avons étudié la collaboration horizontale en-

tre plusieurs classiﬁcations non supervisées issues chacune d’une carte auto-organisatrice.

Chaque base de données est classiﬁée grâce à l’approche SOM (Self Organizing Maps), et

aﬁn de simpliﬁer le formalisme, les cartes des diﬀérentes bases de données ont les mêmes

dimensions (nombre de neurones) et la même structure (topologie). Dans le cas d’un parti-

tionnement horizontal, toutes les bases de données sont décrites par les mêmes individus,

mais dans diﬀérents espaces de description (décrits par diﬀérentes variables) : le nombre

d’individus est le même, mais le nombre de variables est diﬀérent.

L’idée fondatrice du principe de la collaboration horizontale entre les diﬀérentes cartes

SOM est la suivante : si un individu de la [ii]-ème base de données est projeté sur le k-ème

neurone de la [ii]-ème carte SOM, alors ce même individu dans la [jj]-ème base de données

se projettera sur le même neurone k de la [jj]-ème carte ou sur un de ses neurones voisins.

En d’autres termes, les neurones qui correspondent sur les diﬀérentes cartes doivent capter

les mêmes individus. C’est pourquoi nous avons rajouté à la fonction objectif classique des

cartes SOM un terme supplémentaire reﬂétant ce principe de collaboration. Nous avons

pondéré cette fonction par un paramètre de collaboration qui est ﬁxé et qui représentera la

conﬁance de collaboration entre la classiﬁcation [ii] et la classiﬁcation [jj]. Pour ﬁxer les

idées, donnons quelques déﬁnitions et notations. Nous considérons que P est le nombre de

bases de données (ou de classiﬁcations) amenées à collaborer, nous considérons N le nombre

d’individus. Pour chaque site [ii] une carte SOM notée G[ii] est utilisée, l’ensemble de

vecteurs référents de la carte G[ii] est noté par w

[ii]

. Pour simpliﬁer le nombre de neurones

est considéré indépendant de [ii], nous notons ce nombre par |G|. Avec ces précisions la

fonction objectif classique de SOM penalisée par le facteur α

[ii],[jj]

s’écrit :

[ii]

) =

jj=1

jj6=ii

[ii],[jj]

n=1

|G|

k=1

[ii]

)

[ii]

-w

[ii]

. (1.1)

Dans l’équation 1.1, on a utilisé la fonction d’aﬀectation qui permet de trouver le neurone

gagnant (BMU : Best Match Unit) quie est déﬁnie par :

) = arg min

(kx

− w

). (1.2)

Cette fonction sélectionne le neurone dont le référent (prototype) est le plus proche au sens

de la distance Euclidienne de la donnée x

. Rappelons que sur une carte SOM et deux

neurones k et k

, δ(k, k

) est la distance entre les deux neurones, elle est déﬁnie comme

étant la longueur de la plus courte chaîne permettant de relier les cellules k et k

sur la

carte SOM. Rappelons aussi que K

[ii]

(k,k

)

est la fonction de voisinage sur la carte SOM[ii]

entre deux cellules k et k

. Elle dépend de la distance entre les deux neurones et elle est

déﬁnie de la manière suivante :

[ii]

k,k

= exp

−

(k, k

)

où T représente la température qui permet de contrôler la taille du voisinage d’inﬂuence

d’une cellule sur la carte, celle-ci décroît avec le paramètre T. On peut faire décroître la

valeur de T entre deux valeurs T

max

et T

min

Formellement, la fonction objectif pour l’apprentissage collaboratif topologique est com-

pose de deux termes :

[ii]

) = R

[ii]

) + R

[ii]

Coll−H

[ii]

). (1.3)

Le deuxième terme de (1.3) corresponde à la fonction objectif de la procédure collaborative

procedure penalisée par le facteur β

[ii],[jj]

= (α

[ii],[jj]

)

[ii]

Coll−H

[ii]

) =

jj=1

jj6=ii

[ii],[jj]

n=1

|G|

k=1

([ii], [jj])kx

[ii]

-w

[ii]

. (1.4)

avec

([ii], [jj]) =



[ii]

)

− K

[jj]

)



. (1.5)

Dans ce contexte, de l’apprentissage non-supervisé collaboratif, j’ai mené plusieurs

travaux de recherche dans directions diﬀérentes : l’apprentissage topologique collaboratif,

l’apprentissage hybride collaboratif ainsi que l’insertion de l’information ontologique dans

le processus de l’apprentissage.

L’apprentissage non-supervisé pour la transformation d’espace est le deuxième axe auquel

j’ai contribué. L’apprentissage non-supervisé est souvent utilisé pour le clustering des don-

nées et rarement comme un procédé de prétraitement de données. Toutefois, il existe un

certain nombre de méthodes qui produisent de nouvelles représentations de données à par-

tir des données non étiquetés. Ces méthodes non supervisées sont parfois utilisées comme

un outil de prétraitement pour des modèles d’apprentissage supervisé. Etant donné une

matrice de données représentée comme des vecteurs de variables (N observations en lignes

et d caractéristiques en colonnes), le but de la transformation non supervisée de l’espace de

description est de produire une autre matrice de données de dimension (N ; d

) (la représen-

tation transformée de d

nouvelles variables latentes) ou une matrice de similarité entre

les données de dimension (N ; N). L’application d’une méthode supervisée sur la matrice

transformée doit fournir de meilleurs résultats par rapport à la base de données initiale. La

transformation de l’espace de description se fait suivant deux étapes successives. Dans un

premier temps, nous décomposons la matrice "sparse" des données selon la méthode SVD

(Singular Value Decomposition). Ensuite, la matrice des variables latentes obtenue après

cette décomposition est utilisée pour l’apprentissage d’un modèle topologique de type lwo-

SOM [8], qui permet de détecter et de pondérer les caractéristiques pertinentes. Le codage

ﬁnal de chaque donnée est basé sur les distances de chaque donnée à chaque prototype du

modèle lwo-SOM. Cette dernière matrice des distances représente la nouvelle description

des données.

Un quatrième axe est l’Intégration de connaissances ontologiques en apprentissage non-

supervisé. Nous nous intéressons dans ce travail aux ontologies exprimées en OWL (Web

Ontology Language). OWL est un langage du web sémantique introduit par le W3C conçu

dans le but de représenter une connaissance riche et complexe.

Il emprunte pour cela de nombreux éléments de modélisation aux logiques de descrip-

tion [5] et oﬀres diﬀérentes compromises entre l’expressivité exprimée par l’ontologie d’un

côté, et la complexité et la décidabilité des mécanismes de raisonnement de l’autre. Les

mécanismes de raisonnement oﬀrent globalement des services s’articulant sur deux types

de services : des services pour la vériﬁcation de consistance et d’autres pour l’inférence.

Ces services d’inférences permettent d’inférer de nouvelles connaissances, comme déduire

le type des instances d’une base de connaissances à partir des spéciﬁcations proposées par

les concepts de ces connaissances. Nous proposons d’utiliser ce service d’inférence pour

classiﬁer les instances. Les diﬀérents travaux menés sur le raisonnement à travers les on-

tologies ont prouvé l’eﬃcacité qu’oﬀrent ces mécanismes pour la classiﬁcation, notamment

dans l’utilisation des ontologies comme connaissances à priori. Le raisonnement à travers

les ontologies nécessite un temps de calcul important et ne garantit pas une classiﬁcation

de toutes les instances due à l’utilisation de logiques de description adoptant l’hypothèse

du “monde ouvert”. Néanmoins les classiﬁcations eﬀectuées à base de connaissances sont

de très bonne qualité. Nous proposons dans ce travail d’utiliser les ontologies comme con-

naissances à priori pour améliorer le résultat du GTM: Generative Topographic Mapping

(Figure 1). Dans notre méthode, nous procédons d’abord à une classiﬁcation automatique

à base de prototypes. Les prototypes résultants sont transformés par la suite en graphe

RDF / OWL. Une fois le graphe obtenu, nous procédons à une classiﬁcation à base de con-

naissances (Raisonnement ) des diﬀérents prototypes. Le raisonnement sur les prototypes

permet un allégement considérable du temps de calcul. Nous exploitons par la suite les

résultats de cette classiﬁcation pour guider et injecter des connaissances dans une nouvelle

classiﬁcation automatique.

Depuis 2017, en participant à la co-encadrement de la thèse de Kaoutar Benalmine, je

m’intéresse à l’apprentissage artiﬁciel quantique. Nous avons entamé des travaux sur le

clustering quantique à base de barycentres où le problème de calcul des distances devint

compliqué parce que le calcul quantique nécessite un circuit compliqué avec un nombre des

qubits varie avec la variation de la dimension des points. Actuellement nous utilisons le

simulateur quantique d’IBM qui nous permet de tester l’approche de clustering quantique.

Les premierès tests sur ce simulateur sont très encourageants.

Références

[1] Sublime J., Matei B., Cabanes G., Grozavu N., Bennani Y., Cornuejols A. (2017),

“Entropy Based Probabilistic Collaborative Clustering”, Pattern Recognition, 2017, The

Journal of Pattern Recognition Society, Elsevier.

[2] Chahdi H, Grozavu N., Mougenot I., Berti-Equille L. et Bennani Y.. On the use of

ontology as a priori knowledge into constrained clustering. IEEE International Conference

on Data Science and Advanced Analytics (DSAA), Montreal, Canada, 2016

[3] Ghassany M., Grozavu N., Bennani Y. (2013), “Collaborative Multi-View Cluster-

ing”,in Proc. IJCNN, IEEEInternational Joint Conference on Neural Network, Dallas, TX-

August 4-9, 2013. (rank A)

[4] Grozavu N., Bennani Y. (2010), “Topological Collaborative Clustering”,in Australian

Journal of Intelligent Information Processing Systems (AJIIPS), 12(3), 2010. Machine

Learning Applications (Part I). (rank A)

[5] Baader, F. (2003). The description logic handbook : theory, implementation, and

applications . Cambridge university press.

[6]Pedrycz, W. (2005). Interpretation of clusters in the framework of shadowed sets.

Pattern Recogn. Lett. 26 (15), 2439–2449.

[7] Pedrycz, W. et K. Hirota (2008). A consensus-driven fuzzy clustering. Pattern

Recogn. Lett. 29 (9), 1333–1343.

[8] Grozavu N., Bennani Y.,Lebbah M. (2009), “From variable weighting to cluster char-

acterization in topographic unsupervised learning”,Proc. IJCNN ‘09, International Joint

Conference on Neural Network, p.1005-1010, 14-19 June 2009, Atlanta, Georgia, USA,

(rank A) .

1.6 Encadrement doctoral et scientiﬁque

2019 – present : Thèse (participation au co-encadrement)

Doctorant : Marc CHEVALLIER

Sujet de thèse : L’Apprentissage Artiﬁciel au service de la qualité de données :

détection de contraintes

2019 – present : Thèse (participation au co-encadrement)

Doctorant : Ahmed Zaiou

Sujet de thèse : Exploring Risk Analysis Using Quantum Algorithms

2016 : PostDoctorat (participation au co-encadrement)

Post-Doc : Antoine Lachaud

Sujet : Apprentissage Topologique Collaboratif

2013-2014 : PostDoctorat (participation au co-encadrement)

Post-Doc : Mohamed Hindawi

Sujet de thèse : Clustering Collaboratif Vertical

2017 – : Thèse (participation au co-encadrement)

Doctorante : Benlamine K.

Sujet de thèse : Apprentissage non supervisé quantique de représentations de don-

nées évolutives

2014 – 2019 : Thèse (participation au co-encadrement)

Doctorant : Falih I.

Sujet de thèse : Algorithmes eﬃcaces pour l’analyse de grands graphes multiplex

2013 – 2017 : Thèse (participation au co-encadrement)

Doctorant : Hatim Chahdi

Sujet de thèse : Qualité des données et des connaissances et contrôle de l’apprentissage

collaboratif

2010 – 2014 : Thèse (participation au co-encadrement)

Doctorant : Mohamad Ghassany

Sujet de thèse : Contributions To Collaborative Clustering

Objectifs : Etudier l’état de l’art concernant les méthodes d’apprentissage collab-

oratif; Proposer des nouvelles techniques permettant de collaborer plusieurs ré-

sultats de clustering en utilisant les GTM;

2019 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Ahmed ZAIOU

Durée : 6 mois

Sujet de stage : Apprentissage artiﬁciel non-superrvisé quantique

2018 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Soﬁya KOBYLYANSKAYA

Durée : 6 mois

Sujet de stage : Analyse statistique des données linguistiques, détection des sen-

timents à partir des textes

2017 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Svitlana Kalashnyk

Durée : 6 mois

Sujet de stage : Apprentissage à base de reseuax de neuronnes pour le traitement

de données textuelles

2016 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Taoﬁk Lawal

Durée : 6 mois

Sujet de stage : Détection des Opinions à partir de données “tweets”

2014 : Stage d’initiation à la recherche M2Recherche (co-encadrement)

Stagiaire : Dorin Tulei

Durée : 6 mois

Sujet de stage : Apprentissage en temps réel de données de type “tweet”

2013 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Aboubakr Taleb

Durée : 6 mois

Sujet de stage : Apprentissage Incrémental appliqué au ﬂux de données

2012 : Stage d’initiation à la recherche M2Recherche

Stagiaire: Bartcus Marius

Durée : 5 mois

Sujet de stage : Factorisation matricielle pour l’apprentissage par transfert

2011 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Altinisik N.

Durée : 5 mois

Sujet de stage : Classiﬁcation non supervisée distribuée et directionnelle

2009 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Kahina Aouicha

Durée : 5 mois (stage en cours)

Sujet de stage : L’anonymat et la Classiﬁcation non-supervise collaborative.

2008 : Stage d’initiation à la recherche M2Recherche

Stagiaire : Massinissa Chelli

Durée : 5 mois

Sujet de stage : Discrétisation de données à travers une pondération locale en ap-

prentissage non-supervisé.

1.7 Rayonnement

1.7.1 Membre de Sociétes Scientiﬁques

1. IEEE, http://www.ieeefrance.org/

2. International Neural Network Society (INNS)

3. Société Francophone de la Classiﬁcation (SFC), http://www.sfc-classiﬁcation.net/

4. Société Française de la Statistique (SFDS), http://www.sfds.asso.fr/

5. Membre fondateur du groupe INNS – Autonomous Machine Learning (AML), http://autonomoussystems.org/default.html

Collaborations scientiﬁques

1. Collaboration avec l’Université de Kobe (Japon), à partir de 2011,

2. Collaborations dans le cadre du PRES Sorbonne Paris Cité avec LIPADE, l’Université

Paris Descartes et le SYLED, Université Sorbonne Nouvelle – Paris 3(projet blanc

USPC déposé);

3. Collaboration avec le laboratoire “HUMAN LANGUAGE ENGINEERING LABO-

RATORY”, Université Technique de Moldavie, Chisinau, Moldavie, à partir de 2011;

item Collaborations avec Tokyo Institute of Technology, Japan et le Department of

Electrical and Electronic Engineering at Graduate Scool of Engineering, Kobe Uni-

verity, Kobe, Japan (co-organisations de plusieurs manifestations)

4. Collaborations avec Middlesex University, London, UK, avec Charles Sturt University,

Bathurst, Australia, avec Bournemouth University, Dorset, UK (projet FP7 déposé).

1.7.2 Invitation dans des universités étrangères

1. Séjour scientiﬁque à Ellensburg State University, WA, USA, mai-juin 2017

2. Séjour scientiﬁque à l’Université de Kobe (Japon), mars 2016,

3. Invitations pour un séjour scientiﬁque à Vyatka State University, Kirov (Russie), mars

2013;

4. Séjour scientiﬁque à l’Université Technique de Moldavie (septembre 2011), laboratoire

LILU, Moldavie: travaux sur la reconnaissance automatique de la parole;

5. Invitation à l’Université Washington University in St. Louis, ‘Division of Bioinfor-

matics and Outcomes Research, Department of Radiaiton Oncology’, USA, juin 2009,

1.7.3 Comités de rédaction

1. Journal Kowledge and Information Systems, à partir de 2015

2. Journal of Neural Networks, à partir de 2012

3. Conférences IJCNN, WCCI, ICONIP, AICIT, SFC, Cap, EGC.

1.8 Valorisation et responsabilités scientiﬁques

1.8.1 Résponsabilités scientiﬁques

2013–2016 Membre du Comité d’Experts section 27 de l’Université Paris 13

2013–2016 Membre de la Commission Relations Internationales du LIPN CNRS UMR 7030

• Co-organisateur d’une ecole d’été internationale et plusieurs ateliers internationaux

Réalisation de logiciel de recherche : En collaboration avec THALES S.A. j’ai par-

ticipé au développement d’un système de recherche d’information visuelle.

Concours International : Participation au Challenge Internationale sur l’Apprentissage

non supervisé et par Transfert (Unsupervised and Transfer Learning Challenge) classé

5ième: http://www.causality.inf.ethz.ch/unsupervised-learning.php?page=results#cont

Responsable du Groupe de Travail International ‘Autonomous Machine Leanring Spe-

cial Interest Group’ (dans le cadre de la société INNS) qui compte plus de 100 membres

(depuis sa création en 2010).

Renforcement d’un nouvel axe de recherche dans l’équipede recherche A3 de LIPN :

Apprentissage non supervisé collaboratif et évolutif

Tutoriels :

1. Topological and Graph clustering, International Joint Conference on Neural Net-

works, IJCNN 2017, Alaska USA

2. Topological and Graph-based clustering : Recent algorithmic advances, (Tuto-

rial) - 23th International conference on neural information Processing (ICONIP

2016), 19 October, Kyoto : R. Kanawati, N. Grozavu

3. Tutoriel ‘Topological Collaborative Learning’ at 2nd ALML workshop, Kilarney,

Ireland : N. Grozavu

1.8.2 Organisation de manifestations scientiﬁques

1. Organisation du 6eme edition du workshop ALML2020 (International Workshop on

Advances in Learning from/with Multiple Learners), IJCNN’20, Edinbourg – Scot-

land, July 2020, Online

2. Organisation du workshop Machine Learning : methods and applications, ECCO’19,

Chisinau – Moldova, October 2019

3. Organisation du 5eme edition du workshop ALML2019 (International Workshop on

Advances in Learning from/with Multiple Learners), IJCNN’19, Budapesta – Hun-

gary, July 2019

4. Co-organisation de l’ecole d’été internationale Machine Learning and Applications,

Brasov – Romania, July 2019

5. Organisation du workshop ALML2018 (International Workshop on Advances in Learn-

ing from/with Multiple Learners), WCCI - World Congres on Computational Intelli-

gence 2018, Rio de Janeiro – Bresil, July 2018

6. Organisation du workshop ALML2017 (International Workshop on Advances in Learn-

ing from/with Multiple Learners), IJCNN’17, Alaska – USA, Mai 2017

7. Membre du Comité d’Organisation de la Conférence AAFD-SFC, 2016 – Marrakesh

(Maroc)

8. Organisation de la Session Spéciale “Topological and Graph Based Clustering Meth-

ods”, ICONIP 2016

9. Organisation du workshop ALML2014 et ALML2016 (International Workshop on Ad-

vances in Learning from/with Multiple Learners)

10. Membre du comité d’organisation de la Session Spéciale “Special Session on Active

Learning and Experimental Design (ALED)”, IJCNN 2013.

11. Organisation de la Session Spéciale “Incremental Machine Learning: Methods and

Applications (IML’2013)”, International Joint Conference on Neural Networks, Dallas,

USA, 2013;

12. Organisation de la Session Spéciale “Co-Clustering of Large and High Dimensional

Data”, International Conference on Neural Information Processing, Doha, Qatar;

13. Organisation de la Session Spéciale “WCCI 2012 Special Session on Nonnegative Ma-

trix factorization paradigm for unsupervised learning”, World Congress on Computa-

tional Intelligence 2012, Australia

14. Co-organisation de la Session Spéciale ‘Combining Multiple Learners’ à ICONIP 2011

(2011 International Conference on Neural Information Processing ), Shanghai, China:

http://iconip2011.sjtu.edu.cn/S8.html

15. Organisation de la session spéciale “Automated Supervised and Unsupervised Learn-

ing " à IJCNN 2011 (International Joint Conference on Neural Networks), San José,

USA: http://www.ijcnn2011.org/special_section.php

16. Organisation de la session spéciale pour la conférence ICNNAI (International Confer-

ence on Neural Networks and Artiﬁcial Intelligence), 2010: Incremental Topological

Learning Models and Dimensional Reduction (https://sites.google.com/site/itlmdm/).

17. Membre du comité d’organisation de l’école d’hiver sur le thème “ Apprentissage

Statistique et Data Mining ” (http://sites.google.com/site/ecoleegc/), Hammamet,

Tunisie 2010;

1.8.3 Membre de comités de sélection

1. Membre du comité de sélection du poste de MCF (section 27) au département d’Informatique,

Institut Galilée, Université Paris 13, 2013, (27MCF0242)

2. Membre de la commission ad hoc du poste PRAG (math-info) au département GMP,

l’IUT de Saint-Denis, Université Paris 13, (CMP: PRCE 0410)

3. Membre du comité de sélection du poste de MCF (section 26) au département IMATH,

équipe pédagogique SB (Statistique et Bioinformatique), CNAM, 2012, (27MCF4043)

Membre du comité éditorial et de programme

1. Membre du comité éditorial du “Journal of Pattern Recognition In Physics” (http://www.pattern-

recognition-in-physics.net)

2. AICIT conférences (http://www.aicit.org/)

3. World Congress on Computational Intelligence

4. International Joint Conference on Neural Networks

1.8.4 Participation à des projets de recherche

ANR Pro-TEXT (2019-2023) - co-Porteur local

Pro-TEXT (Processes of Textualization: Linguistic, Psycholinguistic, and Machine

Learning Modeling) is an innovative interdisciplinary project putting under scrutiny

a new research object, the dynamics of the textualisation process. The aim is to

elucidate the way a complex and globally constrained unit, the text, is built out of

simple and locally constrained linguistic units. For this, we will conduct pioneering

research on the recurrent features of bursts of writing in French (a burst is a linguistic

sequence produced between two pauses, e.g.: [pause] une cousine qui [pause] peut venir

partager du temps avec elle pendant [pause] le [pause] w [pause] eek [pause] – [pause]

end. [pause]). We will combine multi-parametric linguistic description, behavioural

data (pauses, chronometry), and machine learning algorithms. This approach will

lead to a comprehensive linguistic analysis by providing insights into the relation

between incremental regularities of the textualisation process and the cognitive and

contextual constraints of language performance. Furthermore, the Pro-TEXT project

will develop methods and tools to model these regularities and provide evidence about

patterns of text processing.

PEPS-CNRS MultiText (2017-2018) - co-Porteur du projet

Le Projet que j’ai co-dirigé avec M. Guénaël Cabanes porte sur Apprentissage Artiﬁciel

Multi-Vues pour l’Analyse de Textes. La fouille de textes suscite une forte attention

ces dernières années en raison des grands volumes de données disponibles, les appli-

cations de tchats ou encore les forums web. L’analyse de ces données présente de

nombreuses diﬃcultés liées à la fois à leur important volume, mais surtout à leur

caractère hétérogène et distribué. Ce projet s’inscrit dans la dynamique actuelle

d’analyse de données issues de diﬀérent sources et a pour objectif de combiner des tech-

niques d’analyse de données dynamiques et multi-vues avec des techniques d’analyse

d’émotions et d’expressions dans les corpus de textes. L’objectif de ce projet est de

mettre au point des méthodes d’apprentissage non-supervisé eﬃcace pour l’analyse

de ces données, de façon à détecter de façon dynamique des tendances ou des change-

ments comportementaux.

ANR COCLICO (2012-2016)

Le projet COLCICO (COllaboration, CLassiﬁcation, Incrémentalité et COnnaissances)

est un projet de recherche visant à étudier et proposer une méthode générique inno-

vante permettant une analyse multi-échelle de grands volumes de données spatio-

temporelles fournies en continue de qualité très variable, mettant en œuvre une ap-

proche multi stratégie incrémentale dans laquelle la collaboration entre les diﬀérentes

méthodes de fouille de données sera guidée par des connaissances à la fois du do-

maine thématique (Géosciences, Géographie) formalisées en ontologies et du domaine

de l’analyse (connaissances sur les méthodes), et garantissant un objectif de qualité

ﬁnale prenant en compte à la fois la qualité des données et celles des connaissances.

FUI HERMES (2012-2015)

Membre du Comité Scientiﬁque de HERMES et responsable de la tache de ‘Derive de

concepts’ Le projet HERMES (RELATION CLIENT PERSONNALISEE ET CON-

TEXTUALISEE) a pour objectif de construire une plate forme de marketing con-

textuel générique, modulaire, industrialisée et automatisée capable :

1. D’extraire des données provenant de tous les canaux (caisse, web, email, centre

d’appel, réseaux sociaux, devices ... )

2. De déterminer les contextes d’achat du client ainsi que les canaux pertinents

d’interaction avec ce client

3. De communiquer avec les systèmes opérationnels sur tous les canaux (notamment

avec les devices en magasin et les réseaux sociaux ... )

PEPS-CNRS AIDEM (2012-2014) - Porteur du projet

AIDEM est un projet de recherche visant à proposer une méthode innovante permet-

tant une analyse de grands volumes de données textuelles émotionnelles en temps réel

issus des forums de discussions. Ce projet a aussi comme but la détection et la car-

actérisation de l’évolution temporelle des émotions (la caractérisation de bi-clusters

évolutifs). L’originalité du projet consiste à proposer des méthodes incrémentales sus-

ceptibles de prendre en compte, d’une part, les dynamiques du discours et, d’autre

part, les phénomènes contextuels. Il s’agira par exemple d’identiﬁer des constellations

émotionnelles et d’étudier leur évolution au ﬁl d’un forum de discussions.

JCJC INS2I 2015 A3FD (2015) - Porteur du projet

A3FD est un projet de recherche visant à proposer des méthodes innovantes pour

l’analyse autonome de grands volumes de données temporelles en rassemblant une

équipe constituée de deux jeunes chercheurs. Ces méthodes devront permettre la

détection et la caractérisation de l’évolution temporelle des clusters en choisissant de

manière autonome les valeurs optimales des paramètres des algorithmes. Ce type

de méthodes n’existe pas actuellement malgré un besoin important. Nous validerons

les méthodes proposées sur des données applicatives réelles pour l’identiﬁcation de

groupes d’opinions et d’expressions émotionnelles à partir de données de types tweets

et l’étude de leur évolution dans le temps.

ANR E-FRAUD BOX (2010-2013)

Le projet E-fraud Box vise à développer une boîte à outils intégrée, dédiée à la détec-

tion et à l’investigation de la fraude à la carte bancaire sur Internet. Cette boîte à

outils est basée sur : des algorithmes d’apprentissage capables de modéliser les com-

portements frauduleux, de suivre la dynamique de la fraude dans le temps et d’étudier

les interactions entre les transactions. des moteurs de détection et d’investigation de

la fraude combinant les résultats des modèles. Les moteurs seront utilisés pour :

construire des faisceaux d’indice caractérisant des comportements frauduleux et des

scénarios de fraude, identiﬁer les nouveaux modes opératoires des fraudeurs.

ANR CADI (2008-2010)

Le projet CADI (Composants Avancés pour la Distribution) vise à produire un proto-

type de composants logiciels pour la Distribution, tant brick-and-mortar (magasins)

que vente en ligne (site de e-commerce). Nos recherches se situent dans les axes:

Analyse de comportement d’achat et l’Analyse des communautés.

ANR Infom@gic (2007-2010)

Infom@gic, un projet sur une période de trois ans, a eu le but de mettre en place un lab-

oratoire industriel de sélection, de tests, d’intégration et de validation d’applications

opérationnelles des meilleures technologies franciliennes dans le domaine de l’ingénierie

des connaissances. Ce laboratoire s’appuie sur une plate-forme commune qui couvre

les grands domaines de l’analyse d’information quelles que soient les sources (données

structurées, texte, images et sons) :

– la recherche et l’indexation;

– l’extraction de connaissances;

– la fusion d’informations multimédias.

Elle inclue des applications pour les secteurs de l’e-Education et de la gestion des

patrimoines culturels numériques. Notre rôle: Nos recherches dans le cadre du ce

projet se situent dans l’axe ‘Fusion d’information multimodales’.

1.9 Publications et production scientiﬁque

Ci-dessous le rank A correspond au classement oﬃciel d’ERA, CORE (http://core.edu.au).

1.9.1 Revues internationales avec comité de lecture (Total: 11)

1. Sublime J., Grozavu N., Matei B.: "Topological Virtual Point Augmentation applied

to Supervised Clustering for distributed databases with imbalanced classes", Pattern

Recognition journal, under review. (rank A)

2. Benlamine K., Falih I., Grozavu N., Matei B., Bennani Y.,: "Stability for Non-

Negative Matrix Factorization". International Journal on Machine Learinng, under

review. (rank A)

3. Parisa Rastin, Matei B., Guénaël Cabanes, Grozavu N., Bennani Y. (2019): Impact

of Learners’ Quality and Diversity in Collaborative Clustering. J. Artif. Intell. Soft

Comput. Res. 9(2): 149-165, 2019

4. Zouinina S., Rogovschi N., Grozavu N., Matei B., Ozawa S.: (2019) "t-Distributed

Stochastic Neighbor Embedding Spectral Clustering using higher order approxima-

tions", in Australian Journal of Intelligent Information Processing Systems (AJIIPS),

2019. (rank A)

5. Sublime J., Matei B., Cabanes G., Grozavu N., Bennani Y., Cornuejols A. (2017),

“Entropy Based Probabilistic Collaborative Clustering”, Pattern Recognition, 2017,

The Journal of Pattern Recognition Society, Elsevier.

6. Sublime J., Grozavu N., Cabanes G., Bennani Y., Cornuejols A.: “From horizontal

to vertical collaborative clustering using generative topographic maps”. Int. J. Hybrid

Intell. Syst. 12(4): 245-256 (2015)

7. Ghassany M., Grozavu N., Bennani Y. (2012), “Collaborative Clustering Using Pro-

totype Based Techniques”, in IJCIA, International Journal of Computational Intelli-

gence and Applications, Vol. 11, No. 3, 1250017, 17 pages, Imperial College Press,

DOI: 10.1142/S1469026812500174, (rank A) .

8. Labiod L., Grozavu N., Bennani Y. (2011), “Simultaneous Topological Categori-

cal Data Clustering and Cluster Characterization”, in IJC, International Journal of

Computing, ISSN 1727-6209.

9. Grozavu N., Bennani Y. (2010), “Topological Collaborative Clustering”,in Aus-

tralian Journal of Intelligent Information Processing Systems (AJIIPS), 12(3), 2010.

Machine Learning Applications (Part I). (rank A)

10. Labiod L., Grozavu N., Bennani Y. (2010), “Relational Topological Map”. Interna-

tional Journal of Computational Intelligence and Applications 9(4): 353-370 (2010),

(rank A) .

11. Grozavu N., Bennani Y., Lebbah M. (2010), “Cluster-dependent features selection

through a weighting learning paradigm”, in "Advances In Knowledge Discovery and

Management", series "Studies in Computational Intelligence", 2010 Volume 292/2010

F. Guillet, G. Ritschard, D. Zighed and H. Briand (eds), EGC (best of volume), pp.

133-147, Springer. Invited paper.

1.9.2 Brevets (Total: 1)

1. Benhadda H., Bennani Y., Lebbah M., Grozavu N., (2009) SYSTEM FOR SEARCH-

ING VISUAL INFORMATION, WO/2010/066774 - PCT/EP2009/066702

1.9.3 Chapitre de livre (Total: 1)

1. Lebbah M., Bennani Y., Benhadda H., Grozavu N., (2009), “Relational Analysis for

Clustering Consensus”, Invited Book Chapter in Machine Learning, ISBN 978-953-

7619,IN-TECH Publisher.

1.9.4 Conférences Internationales avec comité de lecture (Total: 44)

1. Chevallier M., Rogovschi N., Boufares F., Grozavu N. and Clairmont C.: "Seeding

initial population, in genetic algorithm for features selection", SoCPaR, december

2020, Online

2. Benlamine K., Bennani Y., Matei B., and GGrozavu N.: "Quantum Semi Non-

Negative Matrix Factorization", SoCPaR, december 2020, Online

3. Benlamine K., Bennani Y., Grozavu N., Matei B.: "Quantum Collaborative K-

means", IJCNN 2020: 1-7, Edinbourg - Scotland. (rank A)

4. Benlamine K., Grozavu N., Bennani Y., Matei B.: "Distance estimation for Quan-

tum Prototypes based Clustering" in Proc. of ICONIP 2019, Sydney, Australia

5. Benlamine K., Grozavu N., Bennani Y., Matei B.: Collaborative Non-negative Ma-

trix Factorization. ICANN (4) 2019: 655-666

6. Zouinina S., Grozavu N., Bennani Y., Abdelouahid Lyhyaoui, Rogovschi N.: A

Topological k-Anonymity Model Based on Collaborative Multi-view Clustering. ICANN

(3) 2018: 817-827

7. Falih I., Grozavu N., Kanawati R., Bennani Y., Matei B.: Collaborative Multi-View

Attributed Networks Mining. IJCNN 2018: 1-8

8. Jérémie Sublime, Denis Maurel, Grozavu N., Matei B., Bennani Y.: Optimizing

exchange conﬁdence during collaborative clustering. IJCNN 2018: 1-8

9. Benlamine K., Grozavu N., Bennani Y., Rogovschi N., Haddadou K., Amamou A.:

Domain Name Recommendation based on Neural Network. INNS Conference on Big

Data 2018: 60-70

10. Falih I., Grozavu N., Kanawati R., Bennani Y.: Topological multi-view clustering

for collaborative ﬁltering. INNS Conference on Big Data 2018: 306-312

11. Zouinina S., Grozavu N., Bennani Y., Abdelouahid Lyhyaoui, Rogovschi N.: Ef-

ﬁcient k-Anonymization through Constrained Collaborative Clustering. SSCI 2018:

405-411

12. Falih I., Grozavu N., Kanawati R., Bennani Y.: Community detection in Attributed

Network. WWW (Companion Volume) 2018: 1299-1306

13. Rogovschi N., Kitazono J., Grozavu N., Omori T., Ozawa S.: t-Distributed stochas-

tic neighbor embedding spectral clustering. IJCNN 2017: 1628-1632

14. Lachaud A., Grozavu N., Matei B., Bennani Y. (2017), “Collaborative Clustering

between Diﬀerent Topological Partitions”, IEEE International Joint Conference on

Neural Network (IEEE IJCNN), Anchorage, Alaska, USA, May 14-19, 2017.

15. Falih I., Grozavu N., Kanawati R., Bennani Y. (2017), “ Multiplex Network Clus-

tering based Collaborative Filtering ”, in Proc. ISI’17 : 61st International Statistical

Institute World Statistics Congress, 16-21 July, Marrakech, Kingdom of Morocco.

16. Rogovschi N., Grozavu N., Bennani Y., Ozawa S. (2017), “ t-Distributed Stochastic

Neighbor Embedding based Self Organizing Maps ”, in Proc. ISI’17 : 61st Interna-

tional Statistical Institute World Statistics Congress, 16-21 July, Marrakech, Kingdom

of Morocco.

17. Falih I., Grozavu N., Kanawati R., Bennani Y. (2017), “ ANCA: Attributed Net-

work Clustering Algorithm ”, in Proc. Complex Networks’17, The 6th International

Conference on Complex Networks and Their Applications, November 29 - December

01 2017, Lyon, France.

18. Chahdi H, Grozavu N., Mougenot I., Bennani Y. et Berti-Equille L.. Towards

ontology reasoning for topological cluster labeling. 23rd International Conference on

Neural Information Processing (ICONIP 2016), Kyoto, Japan, volume 9949 de Lecture

Notes in Computer Science, pages 156–164, 2016.

19. Chahdi H, Grozavu N., Mougenot I., Berti-Equille L. et Bennani Y.. On the use

of ontology as a priori knowledge into constrained clustering. IEEE International

Conference on Data Science and Advanced Analytics (DSAA), Montreal, Canada,

2016

20. Rogovschi N, Grozavu N., Labiod L.: “Spectral Clustering Trough Topological

Learning for Large Datasets”. ICONIP (2) 2015: 216-223 (rank A)

21. Falih I., Grozavu N., Kanawati R., Bennani Y.: “A Recommendation System Based

on Unsupervised Topological Learning”. ICONIP (2) 2015: 224-232 (rank A)

22. Sublime J., Grozavu N., Bennani Y., Cornuejols A.: “Collaborative clustering with

heterogeneous algorithms.” IJCNN 2015: 1-8 (rank A)

23. Grozavu N., Rogovschi N., Cabanes G., Troya-Galvis A., Gancarski P.: “VHR

satellite image segmentation based on topological unsupervised learning”. MVA 2015:

543-546

24. Grozavu N., Cabanes G., Bennani Y.: “Diversity analysis in collaborative cluster-

ing”. IJCNN 2014: 1754-1761 (rank A)

25. Rogovschi N., Grozavu N.: “Opinion retrieval through unsupervised topological

learning”. IJCNN 2014: 3130-3134 (rank A)

26. Grozavu N., Bennani Y. (2013), “Structural memory based under-sampling for im-

balanced distributions”,in Proc. ECDA, European Conference on Data Analysis, July

10 - 12, 2013 in Luxembourg.

27. Nikulin V., Rogovschi N., Grozavu N., (2013) “Incremental Learning from Several

Diﬀerent Microarrays”, in Proc. IJCNN, IEEEInternational Joint Conference on Neu-

ral Network, Dallas, TX- August 4-9, 2013. (rank A)

28. Ghassany M., Grozavu N., Bennani Y. (2013), “Collaborative Multi-View Cluster-

ing”,in Proc. IJCNN, IEEEInternational Joint Conference on Neural Network, Dallas,

TX- August 4-9, 2013. (rank A)

29. Ghassany M., Grozavu N., Bennani Y. Collaborative generative topographic map-

ping. In Proceedings of the 19th International Conference On Neural Information

Processing (ICONIP 2012), Part II, volume 7664 of Lecture Notes in Computer Sci-

ence, pages 591-598, Doha, Qatar, nov 2012. Springer, (rank A) .

30. Grozavu N., Bennani Y., Labiod L. Feature space transformation for transfer learn-

ing. In Proceedings of the International Joint Conference on Neural Networks (IJCNN

2012), pages 2637-2642. IEEE, 2012, (rank A) .

31. Grozavu N., Bennani Y. (2011), “Simultaneous pattern and variable weighting dur-

ing topological clustering”,in Lecture Notes in Computer Science, LNCS Springer,

Proc of ICONIP’11 : 18th International Conference on Neural Information Process-

ing, p. 570-579, Nov 14-17, 2011, Shanghai, China, (rank A) .

32. Grozavu N., Ghassany M., Bennani Y. (2011), “Learning Conﬁdence Exchange in

Collaborative Clustering ”,in Proc. of IJCNN, IEEE International Joint Conference

on Neural Network, San Jose, California, 2011, (rank A) .

33. Rogovschi N., Grozavu N., A Content-based Image Retrieval System Based on Un-

supervised Topological Learning, in Proc. ICMIA’10 : IEEE International Conference

on Data Mining and Intelligent Information Technology Applications, 2010, p.398-394,

Seoul, Korea, 2010

34. Labiod L., Grozavu N., Bennani Y. (2010), “Relationship between the modularity

criterion and the relational analysis”,in Proc. ICMIA’10 : IEEE International Confer-

ence on Data Mining and Intelligent Information Technology Applications, p.229-236,

November 30 - December 2 , 2010, Seoul, Korea.

35. Grozavu N., Labiod L., Bennani Y. (2010), “Autonomous cluster characterization

for categorical data”,in Proc.ICMLA’10,IEEE International Conference on Machine

Learning and Applications, p. 607-613, Washington D.C., USA on December 12-14,

2010-USA.

36. Labiod L., Grozavu N., Bennani Y. (2010), “Clustering Categorical Data Using an

Extended Modularity Measure”,inLNCS Springer of ICONIP’10 : 17th International

Conference on Neural Information Processing, 22nd – 25th November 2010 in Sydney,

Australia, (rank A) .

37. Grozavu N., Labiod L., Bennani Y. (2010), “Dimensionality reduction for binary

data”,in Proc. ICNNAI’10,International Conference on Neural Network and Artiﬁcial

Intelligence, pages 37-41, 1-4 June 2010 in Brest, Belarus.

38. Labiod L., Grozavu N., Bennani Y. (2010) “Topological organization for Categor-

ical Data Clustering”, International Conference on Neural Networks and Artiﬁcial

Intelligence, ICNNAI’10, pages 30-36, Brest, Belarus.

39. Labiod L., Grozavu N., Bennani Y. (2010) “Relational Topographic clustering (RTC)”,

International Joint Conference on Neural Networks, IJCNN’10, Barcelona, Spain,

2010, (rank A) .

40. Labiod L., Grozavu N., Bennani Y. (2010), Clustering Categorical Data Using an

Extended Modularity Measure, ICONIP 2010 : 17th International Conference on

Neural Information Processing, p.310-320, 22nd – 25th November 2010 in Sydney,

Australia, (rank A) .

41. Grozavu N., Bennani Y. (2009), “A new competitive strategy for Self Organizing

Map Learning”, Proceedings of the (ICMLA’09), International Conference on Machine

Learning and Applications, p.689-692, 13-15 Dec. 2009, Miami Beach, Florida, USA.

42. Grozavu N., Bennani Y. (2009), “Voting Memory based Self-Organizing Map”,

TopoLearn’09: International Workshop on Topological Learning, ISMIS’09, Interna-

tional Symposium on Methodologies for Intelligent Systems, Prague, September 14 -

17, 2009.

43. Grozavu N., Rogovschi N. (2009), “Mining Visual Data”, ICMCS09, October 1-4

2009, Chisinau, Moldavie.

44. Grozavu N., Bennani Y.,Lebbah M. (2009), “From variable weighting to cluster

characterization in topographic unsupervised learning”,Proc. IJCNN ‘09, Interna-

tional Joint Conference on Neural Network, p.1005-1010, 14-19 June 2009, Atlanta,

Georgia, USA, (rank A) .

1.9.5 Revues francophone avec comité de lecture (Total: 2)

1. Labiod L., Grozavu N., Bennani Y. (2011), “Classiﬁcation Relationnelle Topographique”,

Numéro spécial de la Revue d’Intelligence Artiﬁcielle (RIA), V.25, n.3, Revue des Sci-

ences et Technologies de l’Information, p.393-410, Editions Hermès Science., Invited

paper.

2. Labiod L., Grozavu N., Bennani Y. (2011),Formulation Condorcéenne de la modu-

larité; RNTI, Revue des Nouvelles Technologies de l’Information, (2011).

1.9.6 Communications orales (Total: 9)

1. “Clustering using t-SNE method”, Kobe University, Kobe (JAPON), March 2016,

Invited Talk

2. “Collaborative Clustering”, Kobe University, Kobe (JAPON), Mai 2015, Invited Talk

3. “Topological Unsupervised Clustering”, Vyatka State University, Kirov (Russia), In-

vited Talk

4. “Unuspervised Collaborative Clustering and Images processing”, LILU, Technical Uni-

versity of Moldova, 2011, Chisinau, Moldavie, Invited talk

5. “Apprentissage topologique non-supervisé pour la recherche d’informations visuelles”,

séminaire Image, ENSICAEN, 29 avril 2010, Caen, France

6. “Apprentissage non-supervisé et la sélection des variables”, Université Paris 6, 2010

7. “Caractérisation automatique des groupes”, ISIR - Institut des Systèmes Intelligents

et de Robotique, 2010

8. “Unsupervised cluster characterization”, scientiﬁc talk, Washington University in St.

Louis, USA, juin 2009, Invited talk

9. “Pondération locale des observations dans un cadre non-supervisé”, 2009, Université

Paris 13