Mokhtar Zhadi ALAYA Enseignant-chercheur

Des recherches en lien avec vos problématiques de données

Mes travaux portent sur les fondements, les algorithmes et les applications du machine learning et du deep learning. Ils associent statistique, optimisation et informatique, avec un intérêt particulier pour les données complexes, les séries temporelles et le transfert d’apprentissage entre différents contextes.

Détection d’anomalies dans les séries temporelles

Je travaille sur des méthodes d’apprentissage permettant de repérer des comportements inhabituels dans des données évoluant au cours du temps. Je suis notamment coauteur de PatchTrAD, une méthode fondée sur les Transformers, présentée à EUSIPCO en 2025.

Adaptation de modèles à de nouveaux contextes

Mes recherches sur l’adaptation de domaine étudient comment exploiter des données provenant d’un contexte pour apprendre dans un autre. Elles concernent notamment la segmentation d’images et les situations où les données annotées sont limitées.

Fusion de données et applications aux matériaux

En collaboration avec le laboratoire Roberval, je participe à des travaux sur la fusion de données de capteurs et les méthodes d’apprentissage pour le suivi de l’état de matériaux composites. Ces recherches relient données expérimentales, modélisation et analyse.

Transport optimal pour le machine learning

Le transport optimal fournit des outils pour comparer et rapprocher des distributions de données. Mes travaux portent sur ses fondements et ses applications à l’apprentissage. Je suis également coauteur de la publication consacrée à la bibliothèque POT : Python Optimal Transport.

Ces travaux constituent des points d’appui scientifiques pour discuter de votre projet. Les méthodes pertinentes et leur faisabilité sont à évaluer en fonction de vos objectifs et de vos données.

Consulter mes projets, les résumés des travaux et la liste complète de mes publications

Sélection de publications

Revues internationales

• Kechaou M., Alaya M. Z., Hérault R., Gasso G. (2025). Adversarial Semi-Supervised Domain Adaptation for Semantic Segmentation: A New Role for Labeled Target Samples. Computer Vision and Image Understanding, vol. 253.
• Alaya M. Z., Bérar M., Gasso G., Rakotomamonjy A. (2024). Gaussian-Smoothed Sliced Probability Divergences. Transactions on Machine Learning Research.
• Bouhadida M., Mazzi A., Brovchenko M., Vinchon T., Alaya M. Z., Monange W., Trompier F. (2023). Neutron Spectrum Unfolding using two Architectures of Convolutional Neural Networks. Nuclear Engineering and Technology, vol. 55, p. 2276–2282.
• Alaya M. Z., Bérar M., Gasso G., Rakotomamonjy A. (2022). Theoretical guarantees for bridging metric measure embedding and optimal transport. Neurocomputing, vol. 468, p. 416–430.
• Flamary R. et al., dont Alaya M. Z. (2021). POT: Python Optimal Transport. Journal of Machine Learning Research, vol. 22, no 78, p. 1–8.
• Alaya M. Z., Bussy S., Gaïffas S., Guilloux A. (2019). Binarsity: a penalization for one-hot encoded features in linear supervised learning. Journal of Machine Learning Research, vol. 20, no 118, p. 1–34.

Conférences internationales

• Vilhes S.-M., Gasso G., Alaya M. Z. (2025). PatchTrAD: A Patch-Based Transformer focusing on Patch-Wise Reconstruction Error for Time Series Anomaly Detection. EUSIPCO 2025.
• Chapel L., Alaya M. Z., Gasso G. (2020). Partial optimal transport with applications on positive-unlabeled learning. NeurIPS 2020, vol. 33, p. 2903–2913.
• Kechaou M., Hérault R., Alaya M. Z., Gasso G. (2020). Open set domain adaptation using optimal transport. ECML PKDD 2020, p. 412–435.
• Alaya M. Z., Bérar M., Gasso G., Rakotomamonjy A. (2019). Screening Sinkhorn algorithm for regularized optimal transport. NeurIPS 2019, vol. 32, p. 12169–12179.

Vous avez une problématique à explorer ? Échangeons avec UTEAM.