Conception et analyse d’algorithmesThéorie des graphes et ses applicationsAlgorithmes combinatoiresAnalyse des réseaux sociauxSciences sociales computationnellesRéseaux complexesStructures de données et bases de donnéesFouille de graphesApprentissage automatique appliqué
Niveau des études supérieures · Université Concordia, Laboratoire d'algorithmes et de complexité, Département d'informatique et de génie logiciel · Montréal, Québec, Canada ·
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 face à Louvain, Leiden, Infomap, CNM et Label Propagation sur neuf réseaux réels (de 34 à 8 035 sommets) et des bancs d’essai LFR, obtenant les meilleurs scores F1 et ARI sur Karate Club et Political Blogs ainsi qu’un NMI de 0,88 sur Primary School, là où les méthodes fondées sur le flot et la propagation se réduisent à des partitions quasi triviales.
Proposer la modularité moyenne pondérée par distance géodésique (wGDM), une mesure de qualité de partition sans étiquettes et robuste à la taille des communautés.
Mener la première étude systématique de la sparsification par metric backbone combinée à Leiden, obtenant une réduction de 14 à 71 % des arêtes sur sept réseaux tout en préservant — et, sur les réseaux de contacts denses, en améliorant — la qualité de détection (F1 sur High School : 0,834 → 0,970).
Mettre en place un pipeline expérimental entièrement reproductible, incluant des graines aléatoires fixes, des implémentations de référence et des scripts d’évaluation automatisés.
Niveau des études supérieures · Université de Twente, Faculté d'EE, Math et CS - groupe FMT : Méthodes formelles et outils · Enschede, Pays-Bas ·
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.
Contribuer au pipeline XlateRefactor, évalué sur 241 commits et 71 dépôts avec environ 2 000 refactorisations validées en Java, Kotlin et C, dont tous les artefacts ont été publiés.
Nous avons publié un article dans la conférence IEEE SANER 2024[1]. Notre deuxième article, « XlateRefactor: A Language-Agnostic Pipeline for Cross-Language Refactoring Detection Using LLM-Based Code Translation », est actuellement en cours d’évaluation à JSME (révision majeure).
Niveau du premier cycle · Université Vali-e-Asr de Rafsanjan, Département de génie informatique · Rafsanjan, Kerman, Iran ·
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] (Q1), cité plus de 25 fois.