Parsa Kamalipour

Assistant de recherche & Assistant d’enseignement & Maîtrise en informatique à l’Université Concordia @ Laboratoire d’algorithmes et de complexité.

Expérience de recherche

Intérêts de recherche :
  • Conception et analyse d’algorithmes
  • Théorie des graphes et ses applications
  • Algorithmes combinatoires
  • Analyse des réseaux sociaux
  • Sciences sociales computationnelles
  • Réseaux complexes
  • Structures de données et bases de données
  • Fouille de graphes
  • Apprentissage automatique appliqué

Assistant de recherche diplômé

Niveau des études supérieures, Université Concordia, Laboratoire d'algorithmes et de complexité, Département d'informatique et de génie logiciel, Montréal, Québec, Canada, [August, 17, 2024]

  • Recherche en conception et analyse d’algorithmes, théorie des graphes et analyse de réseaux sociaux
  • Travail au Laboratoire d’algorithmes et de complexité
  • Sous la supervision du professeur Hovhannes Harutyunyan
  • Date : Août 2024 – Présent
  • Mon rôle principal consistait à :
    • Concevoir Spider, un algorithme de détection de communautés dans les graphes combinant une expansion géodésique, un raffinement guidé par la modularité et un appariement glouton par fusion.
    • Évaluer les performances de Spider sur 14 réseaux réels (jusqu’à 8 035 nœuds et 183 663 arêtes) en comparaison avec Leiden, Louvain et Infomap, obtenant des améliorations de 8 à 15 % en NMI, modularité et score F1.
    • Appliquer une sparsification par metric backbone, permettant une réduction moyenne de 65 % des arêtes, et proposer la modularité moyenne pondérée par distance géodésique (wGDM) afin de normaliser et d’équilibrer la GDM pour l’évaluation locale de la qualité des communautés.
    • Mettre en place un pipeline expérimental entièrement reproductible, incluant des graines aléatoires fixes, des implémentations de référence et des scripts d’évaluation automatisés.
  • Nous avons publié deux articles à ce jour : la conférence IEEE SNAMS 2025[1] et la revue Computers[2]

Assistant de recherche à distance

Niveau des études supérieures, Université de Twente, Faculté d'EE, Math et CS - groupe FMT : Méthodes formelles et outils, Enschede, Pays-Bas, [August, 01, 2023]

  • Travail et collaboration avec le département « Électronique, mathématiques et informatique » de l’« Université de Twente ».
  • Domaine de recherche : Réusinage de logiciels
  • Groupe de recherche : groupe FMT - Méthodes formelles et outils
  • Date : Août 2023 – Mars 2024
  • Superviseur : Dr Iman Hemati Moghadam
  • Mon rôle clé consistait à :
    • Implémenter l’analyseur KotlinCode2Text et l’intégrer au cadre RefDetect pour la détection automatisée des refactorisations.
    • Construire deux jeux de données de refactorisation utilisés pour l’évaluation empirique dans l’étude SANER 2024.
    • Améliorer la fiabilité de l’analyse et le temps d’exécution grâce à un débogage ciblé et à des raffinements algorithmiques.
    • Étudier l’ingénierie de requêtes (prompt engineering) basée sur les LLM pour la traduction de code interlangage dans l’extraction de refactorisations.
  • Nous avons publié un article dans la conférence IEEE SANER 2024[1], et nous avons soumis notre 2e article dans ??? [2].

Assistant de recherche de premier cycle

Niveau du premier cycle, Université Vali-e-Asr de Rafsanjan, Département de génie informatique, Rafsanjan, Kerman, Iran, [August, 01, 2021]

  • Domaine de recherche : Détection de communautés (algorithmes de graphes)
  • Superviseure : Dr Fahimeh Dabaghi-Zarandi
  • Département : Département de « génie informatique » de l’« Université Vali-e-Asr de Rafsanjan ».
  • Date : Août 2021 – Mars 2024
  • Mon rôle clé consistait à :
    • Réaliser une revue exhaustive des travaux antérieurs en détection de communautés basée sur les graphes.
    • Concevoir et implémenter CRLG, un cadre de détection de communautés aléatoire exploitant à la fois l’information locale et globale du réseau.
    • Développer un mécanisme d’initialisation probabiliste pondérée ainsi qu’une assignation des communautés fondée sur la similarité, avec une fusion heuristique des communautés.
    • Implémenter et évaluer le cadre en MATLAB et Python, incluant la validation, les tests et l’optimisation des performances.
    • Évaluer la méthode sur des réseaux réels et des bancs d’essai GN/LFR, obtenant jusqu’à 10 % d’amélioration par rapport à LCDR, MOACO, Node2Vec-SC, NE-N2V, CDASS et TS selon les métriques NMI, modularité et densité.
  • Nous avons publié un article dans la revue JNCA[1].