Accueil › Annuaire des chercheurs › Hanane Azzag
Hanane Azzag
Affiliation : Centre National de la Recherche Scientifique · Université Sorbonne Paris Nord · Laboratoire d'Informatique de Paris-Nord
- 24Publications (affiliation française)
- 216Publications au total
- 928Citations
- 16Indice h
Profil de recherche
Hanane Azzag compte 24 publications référencées (2015–2026). Ses travaux paraissent principalement dans « arXiv (Cornell University) », « HAL » et « Neural Computing and Applications ». Son article le plus cité, « Transfer learning from synthetic labels for histopathological images classification » (2021), a été cité 27 fois. 12 de ces publications datent des trois dernières années d’activité. Ses travaux sont cosignés avec au moins 12 chercheurs, notamment dans des établissements de Algérie, Tunisie.
C’est vous ? Faites connaître vos travaux
Créez gratuitement votre profil DzCademia et ajoutez vos articles : ils apparaîtront plus facilement sur Google et dans les assistants d’IA comme ChatGPT. Plus de personnes pourront vous lire et vous citer.
Créer mon profil gratuit Ajouter mes publicationsDomaines de recherche
- Advanced Clustering Algorithms Research
- Data Visualization and Analytics
- Neural Networks and Applications
- Data Mining and Machine Learning Applications
- Metaheuristic Optimization Algorithms Research
Publications (24)
- Game Theory Meets Statistical Physics: A Novel Deep Neural Networks Design
- NeuroGame Transformer: Gibbs-Inspired Attention Driven by Game Theory and Statistical Physics
- A Collective Variational Principle Unifying Bayesian Inference, Game Theory, and Thermodynamics
- Coalition Free Energy and Adaptive Precision in Multi-Agent Cooperation
- MonoASR: un modèle de reconnaissance vocale multilingue frugal et unifié
- LoRA-ASR: A Parameter-Efficient and Scalable Model for Multilingual ASR
- Redesigning deep neural networks: Bridging game theory and statistical physics
- OneEncoder: a lightweight framework for efficient multimodal training
- Distributed Collapsed Gibbs Sampler for Dirichlet Process Mixture Models in Federated Learning
- Lightweight Cross-Modal Representation Learning
- Adaptative Context Normalization: A Boost for Deep Learning in Image Processing
- Game Theory Meets Statistical Mechanics in Deep Learning Design
- Context Normalization Layer with Applications
- Regions of interest selection in histopathological images using subspace and multi-objective stream clustering
- Transfer learning from synthetic labels for histopathological images classification
- A New Subspace Multi-Objective Approach for the Clustering and Selection of Regions of Interests in Histopathological Images
- Subspace data stream clustering with global and local weighting models
- Soft Subspace Growing Neural Gas for Data Stream Clustering
- Soft Subspace Topological Clustering over Evolving Data Stream
- An ant-based new clustering model for graph proximity construction
- A Distributed Rough Set Theory Algorithm based on Locality Sensitive Hashing for an Efficient Big Data Pre-processing
- CL-AntInc Algorithm for Clustering Binary Data Streams Using the Ants Behavior
- How to use ants for data stream clustering
- Clustering of Binary Data Sets Using Artificial Ants Algorithm
Revues de publication
- arXiv (Cornell University) × 3
- HAL × 3
- Neural Computing and Applications × 2
- IEEE Congress on Evolutionary Computation (CEC) × 2
- Lecture notes in computer science × 2
- IEEE Transactions on Cybernetics × 1
Publications par année
- 20266
- 20252
- 20244
- 20231
- 20221
- 20212
- 20201
- 20193
- 20181
- 20161
Collaborations
Établissements partenaires : Données et algorithmes pour une ville intelligente et durable · Université de Versailles Saint-Quentin-en-Yvelines · Université Paris-Saclay · Laboratoire d'Informatique, du Traitement de l'Information et des Systèmes · University of Sfax
Pays des co-auteurs : Algérie · Tunisie
Co-auteurs
- Mustapha Lebbah
- Bilal Faye
- Mohammed Oualid Attaoui
- Djamel Bouchaffra
- Nesrine Masmoudi
- Cyrille Bertelle
- Ilyes Oukid
- Mohammed Ghesmoune
- Mustapha Lebbah
- Cyrille Bertelle
- Djamel Bouchaffra
- Djamel Bouchaffra
Données bibliographiques issues d’OpenAlex (base ouverte).
Pourquoi choisir Dzcademia ?
Pour donner à vos travaux plus de chances d’être découverts et recommandés par les IA. Profils, articles et communications : donnez à votre recherche une présence publique structurée. Les métadonnées intégrées aident les moteurs de recherche et les assistants IA à identifier vos travaux et à comprendre leurs références.
Commenter avec Google
Connecte-toi avec Google pour commenter directement sur cette page.