Recherche
Papiers et travaux en cours
6 publications : 2 articles de revue, 2 articles de conférence et 2 prépublications. Les travaux doctoraux portent sur la convergence de la descente de gradient et de la descente de gradient stochastique pour les réseaux linéaires profonds. Les travaux appliqués portent sur la détection d'anomalies et la prévision de carburant sur une infrastructure en service. Chaque papier ci-dessous renvoie à sa version publiée ou à sa prépublication.
Profil Google Scholar, avec le nombre de citations →Publications
Convergence of gradient descent for learning linear neural networks
Springer Nature : Advances in Continuous and Discrete Models, 2024
Le papier prouve que la descente de gradient converge vers un point critique de la perte quadratique pour les réseaux linéaires profonds, sous une borne explicite sur le pas qui cesse de décroître exponentiellement quand le réseau s'approfondit. Pour les réseaux à 2 couches, la convergence est globale pour presque toutes les initialisations. À partir de 3 couches, la convergence vise un minimum global sur la variété de rang fixé. La borne a ensuite été vérifiée sur des réseaux tanh, et elle a tenu.
Analysis of stochastic gradient descent for learning linear neural networks
SampTA 2023
Le papier analyse directement la descente de gradient stochastique discrète sur des objectifs non convexes, sans supposer un gradient lipschitzien, propriété que les pertes de réseaux de neurones n'ont pas. Il borne la dynamique des itérés pour contrôler l'explosion du gradient et prouve la convergence sous des taux d'apprentissage décroissants et adaptatifs.
Convergence of stochastic gradient descent for learning linear neural networks
arXiv, 2026
Le papier étend les résultats de convergence de la descente de gradient à la descente de gradient stochastique par mini-lots, pour des réseaux linéaires profonds entraînés avec une perte quadratique régularisée. Il prouve que les itérés restent bornés presque sûrement, sans supposer un gradient lipschitzien ni des données blanchies. Les pseudo-trajectoires asymptotiques de l'approximation stochastique montrent ensuite que la descente de gradient stochastique converge presque sûrement vers l'ensemble des points critiques, avec des pas déterministes comme adaptatifs. À notre connaissance, c'est le premier résultat de convergence presque sûre pour la descente de gradient stochastique dans les réseaux linéaires profonds. Des expériences sur des réseaux dont la couche de sortie utilise tanh montrent le même comportement : itérés bornés et perte qui converge.
Anomaly detection in power generation plants using machine learning and neural networks
Applied Artificial Intelligence, 2020
Des classifieurs supervisés qui signalent une consommation de carburant anormale dans les données des groupes électrogènes diesel de stations de base télécoms au Cameroun, où vols de carburant et jauges défaillantes masquent la consommation réelle. Après ingénierie et sélection des variables, un perceptron multicouche obtient les meilleurs résultats : 96 % en validation croisée à K blocs, et une AUC précision-rappel de 0,98 sur des données déséquilibrées.
Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring
arXiv, 2026
Détection supervisée d'anomalies pour les groupes électrogènes diesel de centrales télécoms réparties au Cameroun. Des modèles d'ensemble (LightGBM, XGBoost) sont comparés à des modèles de référence sur des classes très déséquilibrées, rééquilibrées par SMOTE. SHAP explique chaque signalement, le Disparate Impact Ratio mesure l'équité entre groupes d'exploitation, et la Maximum Mean Discrepancy vérifie que le modèle tient d'une région à l'autre. LightGBM atteint un score F1 de 0,99 avec un biais minimal entre groupes.
Predicting fuel consumption in power generation plants using ML and neural networks
ICECET 2021
Des modèles de consommation de carburant pour les stations de base télécoms. Ce sont les travaux de prévision derrière le système d'alerte déployé qui a permis de tracer 84 617 litres de gasoil.
Travaux en cours
RAG hybride en quatre étapes pour les questions-réponses scientifiques
Recherche dense SPECTER2 entraînée sur le graphe de citations, recherche creuse BM25, fusion par rang réciproque, reclassement ColBERT v2 et porte CRAG sur 47 810 fragments QASPER. Dernière exécution sur 84 questions : précision des citations ALCE 0,8373, fidélité 0,7150. Le rappel du contexte reste le goulet ouvert, et la montée vers ColBERT v2 le vise directement.
Raisonnement des modèles de langage et évaluation de l'IA agentique
Consultant en recherche IA chez Outlier AI et Mercor depuis octobre 2025. Je cherche où le raisonnement d'un modèle casse sur des problèmes scientifiques difficiles et j'écris la correction qui devient le signal d'entraînement, je note les agents sur le choix des outils et leur tenue sur les tâches longues, et je conçois les grilles qui font noter de la même façon un groupe réparti.