Aller au contenu

Thèses

Thèses labellisées par la Fédération

Louisa Bouzidi

(2025-2028) :  Prédiction et Réactivité avec Exploration Dynamique et Innovation par la Chimie Théorique (PREDICT), Encadrée par  Laurent JOUBERT (CARMeN), Luc BRUN (GREYC) et Benoit Gaüzère (LITIS).

Biographie : Titulaire d’un master en Science des données, parcours Mathématiques, Informatique et Sciences de l’Information, obtenu à l’université de Rouen Normandie, je me suis spécialisée au fil de mes stages et projets de master dans l’apprentissage automatique sur graphes. Ces expériences de recherche m’ont amenée à explorer différentes facettes des réseaux de neurones sur graphes : leur expressivité théorique, leur application à des problèmes concrets (par exemple en hydrologie), ou même leur explicabilité. C’est dans la continuité de ces travaux que s’inscrit cette thèse, qui applique ces architectures à un nouveau domaine : la chimie théorique.

Descriptif de la thèse : Anticiper la réactivité d’une molécule est un objectif fondamental de la chimie théorique. Des paramètres comme l’électrophilie ou la nucléophilie de Mayr permettent de quantifier cette tendance à réagir, mais leur mesure expérimentale demeure longue et coûteuse.
Cette thèse vise à explorer l’apport du machine learning pour la prédiction de ces paramètres. Plusieurs familles de modèles sont explorées et comparées, des approches classiques aux réseaux de neurones sur graphes géométriques (Geometric GNNs). Ces derniers représentent les molécules sous forme de graphes, où les atomes constituent les nœuds et les liaisons chimiques les arêtes, et intègrent explicitement la géométrie 3D via des informations telles que les distances interatomiques et les angles de liaisons, offrant ainsi une représentation plus naturelle et complète de la molécule que les modèles de ML traditionnels. Ces modèles sont également enrichis de propriétés électroniques calculées par des méthodes de chimie quantique pour tirer parti au mieux de la connaissance physico-chimique sous-jacente.

Bastien Auvray

(2024-2027) : Recherche de motifs à l’aide d’arbres cartésiens, Encadrée par Thierry Lecroq (LITIS), Julien David (GREYC) et Richard Groult (LITIS).

Biographie : Actuellement doctorant en informatique à l’Université de Rouen Normandie au sein du LITIS, ma thèse s’intitule « Recherche de motifs à l’aide d’arbres cartésiens ». Cette dernière s’inscrit dans la continuité d’un stage de M2 financé par la fédération. Mon sujet de recherche mêle algorithmique du texte et combinatoire.

Descriptif de la thèse : Le problème du pattern matching (trouver une ou toutes les occurrences d’un motif dans un texte) est un problème classique en informatique. L’algorithmique du texte propose de nombreuses solutions efficaces lorsque le motif et le texte sont des chaînes de caractères. Procéder à la recherche de motifs dans les séries temporelles se révèle plus délicat, et nécessite d’adapter la notion de motif. Un nouveau type de recherche de motifs est apparu en 2019 : le Cartesian Tree Matching, où on cherche des séquences qui partagent le même arbre cartésien (i.e. on conserve partiellement les relations d’ordre entre les éléments des deux séquences). Cette thèse a pour but d’enrichir les outils à disposition dans ce cadre, notamment concernant la recherche approchée et l’indexation. Les possibles domaines d’application sont nombreux : finance, musicologie, génomique, etc…

Publications communes

    • B. Auvray, J. David, R. Groult, T. Lecroq: « Approximate Cartesian Tree Matching: An Approach Using Swaps » In: String Processing and Information Retrieval (SPIRE) 2023

    • B. Auvray, J. David, R. Groult, T. Lecroq: « Cartesian Forest Matching » In: International Conference and Workshops on Algorithms and Computation (WALCOM) 2026
    • B. Auvray, J. David, S. Ghazawi, R. Groult, G. M. Landau, T. Lecroq: « Approximate Cartesian Tree Matching with One Difference » In: Theoretical Computer Science – revision under review

Mariana Brito-Azevedo 

(2024-2027) : Explicabilité des décisions dans un GNN (Graph Neural Network) avec des applications à la chémoinformatique, Encadrée par Jean-Luc Lamotte (GREYC), Luc Brun (GREYC) et Pierre Héroux (LITIS).

Biographie : Je m’appelle Mariana Brito Azevedo et je suis diplômée en Ingénierie Informatique de l’Université fédérale du Rio Grande do Norte (UFRN, Natal, Brésil). Je suis actuellement doctorante en Informatique à l’Université de Caen, Normandie, au sein du laboratoire GREYC, équipe CODAG. Ma thèse s’intitule « Explicabilité des décisions d’un GNN, application à la chémoinformatique ». Je travaille principalement sur les réseaux de neurones pour les graphes et les librairies pytorch et pytorch_geometric. J’ai également une expérience de recherche depuis 2022, où j’ai travaillé sur des applications de science des données dans le cadre d’un projet en partenariat avec l’entreprise énergétique Neoenergia et l’UFRN, ainsi que dans le projet Conect2AI, qui visait à développer des solutions IoT, de science des données et d’IA pour divers.

Descriptif de la thèse : Les modèles d’intelligence artificielle et les réseaux de neurones ont montré leur intérêt dans les phases amont de la conception de médicaments, notamment pour la prédiction de l’activité de molécules sur une cible biologique. Ce travail de thèse a pour objectif de développer des techniques afin d’expliquer aux chercheurs en sciences du médicament quelles structures chimiques sont importantes dans la prise de la décision. Ainsi, parmi les principaux objectifs de la thèse figurent le développement de modèles permettant de classer l’activité moléculaire dans des cibles biologiques et, à partir de ces modèles, le développement de techniques d’explicabilité visant à comprendre les résultats obtenus par GNN. Dans ce cas, l’objectif est de comprendre pourquoi une molécule est active sur une cible biologique.

Mariana a obtenu le prix de la meilleure présentation orale aux 12èmes journées de la Société Française de Chémoinformatique (SFCi) qui avaient lieu en décembre 2025. Félicitations à elle et son équipe encadrante !

Publications communes

  • M. Brito Azevedo, L. Brun, P. Héroux, J.L. Lamotte, R. Bureau, A. Lepailleur, « Graph Neural Network Based on Molecular and Pharmacophoric Features for Drug Design Applications » In: Brun, L., Carletti, V., Bougleux, S., Gaüzère, B. (eds) Graph-Based Representations in Pattern Recognition. GbRPR 2025, 2025

  • M. Brito Azevedo, L. Brun, P. Héroux, J.L. Lamotte. DotGreedX: Combining Scoring-Based Technique and Greedy Search for GNN Explainability. International Conference on Pattern Recognition (ICPR), 2026

 

Thèses soutenues par la Fédération

Les publications indiquées sur cette page sont uniquement les publications communes entre laboratoires de la fédération. Ces travaux ont aussi pu donner lieu à d’autres publications.

  • Lucas Deregnaucourt

    (2022-2025) : « Fusion multimodale adaptative pour l’aide à la navigation du véhicule intelligent en conditions météorologiques dégradées ». Encadré par Samia Ainouz (LITIS), Alexis Lechervy (GREYC) et Hind Laghmara (LITIS).

    Publications communes

    • L. Deregnaucourt, H. Laghmara, A. Lechervy, S. Ainouz: « A Conflict-Guided Evidential Multimodal Fusion for Semantic Segmentation. » In: IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2025.

    • L. Deregnaucourt, A. Lechervy, H. Laghmara, S. Ainouz: « An evidential deep network based on Dempster-Shafer theory for large dataset. » In: Advances and Applications of DSmT for Information Fusion, 907, 2023.

    • L. Deregnaucourt, H. Laghmara, A. Lechervy, S. Ainouz: « Fusion multimodale centrale RGB-polarimétrique pour l’analyse de scènes routières dans des conditions météorologiques dégradées. » In: 19è Journées Francophones des Jeunes Chercheurs en Vision par Ordinateur (JFJCVO), 2023.

  • Lilia Djoussouf

    (2021-2025) : « Cοntributiοn à la segmentatiοn naturelle d’images: Applicatiοns à une représentatiοn multimοdale d’images de peinture ». Encadré par Abderrahim El-Moataz-Billah (GREYC), Katerine Romeo (LITIS) et Edwige Pissaloux (LITIS).

    Publications communes

    • Marjorie Redon, Lilia Djoussouf, Katerine Romeo, Yvain Quéau, Abderrahim El Moataz: « A Comparison of Audio-Tactile Exploration Methods to Discover the Tapestry of the Apocalypse. » ICCHP (1) 2024: 481-488

  • Stevan Stanovic

    (2021-2025) : « Décimation de graphes pour les réseaux neuronaux sur graphes ». Encadré par Luc Brun (GREYC) et Benoit Gaüzère (LITIS).

    Publications communes:

    • S. Stanovic, B. Gaüzère, L. Brun: « Graph Neural Networks with maximal independent set-based pooling: Mitigating over-smoothing and over-squashing. » Pattern Recognition Letters 187 (2025): 14–20.

    • S. Stanovic, B. Gaüzère, L. Brun: « Maximal independent vertex set applied to graph pooling. » In: Joint IAPR International Workshops on Statistical Techniques in Pattern Recognition (SPR), 2022.

    • S. Stanovic, B. Gaüzère, L. Brun: « Maximal independent sets for pooling in graph neural networks. » In: International Workshop on Graph-Based Representations in Pattern Recognition (GbR), 2023.

    • S. Stanovic, B. Gaüzère, L. Brun: « Ensemble de sommets indépendant maximal appliqué au pooling sur graphes. » In: Congrès Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP), 2022.

  • Maksim Koptelov

    (2017-2020) : « Link prediction in bipartite multi-layer networks, with an application to drug-target interaction prediction. »

    Publications communes :

    • Koptelov M., Zimmermann A., Crémilleux B., Soualmia L. F., « LPbyCD: a new scalable and interpretable approach for Link Prediction via Community Detection in bipartite networks », Applied Network Science, volume 6(72), 2021.
    • Koptelov M., Zimmermann A., Crémilleux B., Soualmia L., « Link Prediction via Community Detection in Bipartite Multi-Layer Graphs », 35th ACM/SIGAPP Symposium On Applied Computing (SAC 2020), Brno, Czech Republic, ACM Press, pp. 430-439, April 2020.

  • Sovann En

    (2013-2016) : « Détection de patterns dans les documents anciens (Historical document image retrieval and pattern spotting) »

    Publications communes :

    • Sovann En, Stéphane Nicolas, Caroline Petitjean, Frédéric Jurie, Laurent Heutte, « New public dataset for spotting patterns in medieval document images », J. Electronic Imaging 26(1): 11010 (2017)

    • Sovann En, Caroline Petitjean, Stéphane Nicolas, Laurent Heutte, Frédéric Jurie, « Region Proposal for Pattern Spotting in Historical Document Images », ICFHR 2016: 367-372

    • Sovann En, Caroline Petitjean, Stéphane Nicolas, Laurent Heutte, Frédéric Jurie, « Pattern localization in historical document images via template matching »; ICPR 2016: 2054-2059

    • Sovann En, Frédéric Jurie, Stéphane Nicolas, Caroline Petitjean, Laurent Heutte, « Linear Discriminant Analysis for Zero-shot Learning Image Retrieval », VISAPP (2) 2015: 70-77