Abdel Ghani Labassi

Biographie

Je poursuis actuellement mon doctorat au Département de mathématiques appliquées et statistiques à l'université Johns Hopkins, à Baltimore, Maryland, États-Unis. Mes recherches portent sur l'optimisation et l'apprentissage automatique, en particulier le développement de nouvelles méthodes pour résoudre efficacement des problèmes à grande échelle, sous la supervision de Mateo Dìaz.

J'ai obtenu ma maîtrise en informatique au Département d'informatique et recherche opérationnelle à l'Université de Montréal, Québec, Canada, co-supervisé par Andrea Lodi et Didier Chételat. J'y ai également obtenu un baccalauréat bidisciplinaire en mathématiques et informatique. Pendant mes études de premier cycle, j'ai acquis de l'expérience en tant que stagiaire ingénieur logiciel chez Noviflow Inc. à Montréal, travaillant sur le développement d'applications web et des projets de visualisation de données. J'ai également contribué à des tâches d'ingénierie de l'apprentissage automatique en tant que stagiaire à l'agence CERIST en Algérie.

Recherche

Mes intérêts de recherche portent sur l'optimisation et les statistiques pour l'apprentissage automatique. Voici quelques-uns de mes projets :

• Techniques d'optimisation inverse pour l'interprétabilité des grands modèles de langage : étude de nouvelles techniques pour améliorer l'interprétabilité des grands modèles.
• Nouvel algorithme d'optimisation pour l'apprentissage automatique composite : développement de nouveaux algorithmes pour améliorer l'évolutivité des problèmes d'apprentissage automatique.

Publications

• Apprendre à comparer les nœuds dans Branch and Bound avec GNN, A.G. Labassi, Didier Chetelat, Andrea Lodi. Présenté à NeurIPS, 2022.

Enseignement

J'ai été assistant d'enseignement pour les cours suivants :

• Optimisation pour la finance - Université Johns Hopkins, 2022-2023
• Optimisation des flots de réseau - Université Johns Hopkins, 2022-2023
• Introduction à l'algorithmique - Université de Montréal, 2019-2022

Projets

• Compétition de classification de commentaires Reddit sur Kaggle - Notre équipe s'est classée 4ème sur 103 équipes en utilisant un modèle BERT.
• Clustering non supervisé de tweets pour la santé mentale - Collaboration avec Santé Canada pour détecter des signes de dépression et de tendances suicidaires à partir de tweets.

Contact

Si vous souhaitez me contacter, n'hésitez pas à m'envoyer un courriel à alabass1@jhu.edu ou à connecter sur LinkedIn.