 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Yahmed, A. H., Bouchoucha, R., Ben Braiek, H., & Khomh, F. (septembre 2023). An Intentional Forgetting-Driven Self-Healing Method for Deep Reinforcement Learning Systems [Communication écrite]. 38th IEEE/ACM International Conference on Automated Software Engineering (ASE 2023), Echternach, Luxembourg. Lien externe
Ben Braiek, H., & Khomh, F. (2023). Testing Feedforward Neural Networks Training Programs. ACM Transactions on Software Engineering and Methodology, 32(4), 1-61. Lien externe
Ben Braiek, H. (2022). Debugging and Testing Deep Learning Software Systems [Thèse de doctorat, Polytechnique Montréal]. Disponible
Nikanjam, A., Ben Braiek, H., Morovati, M. M., & Khomh, F. (2022). Automatic Fault Detection for Deep Learning Programs Using Graph Transformations. ACM Transactions on Software Engineering and Methodology, 31(1), 1-27. Lien externe
Yahmed, A. H., Ben Braiek, H., Khomh, F., Bouzidi, S., & Zaatour, R. (2022). DiverGet: a Search-Based Software Testing approach for Deep Neural Network Quantization assessment. Empirical Software Engineering, 27(7), 193 (32 pages). Lien externe
Nikanjam, A., Morovati, M. M., Khomh, F., & Ben Braiek, H. (2022). Faults in deep reinforcement learning programs: a taxonomy and a detection approach. Automated Software Engineering, 29(1), 8 (32 pages). Lien externe
Ben Braiek, H., Reid, T., & Khomh, F. (2022). Physics-guided adversarial machine learning for aircraft systems simulation. IEEE Transactions on Reliability, 72(3), 1161-1175. Lien externe
Ben Braiek, H., Tfaily, A., Khomh, F., Reid, T., & Guida, C. (octobre 2022). SmOOD: Smoothness-based Out-of-Distribution Detection Approach for Surrogate Neural Networks in Aircraft Design [Communication écrite]. 37th IEEE/ACM International Conference on Automated Software Engineering (ASE 2022), Rochester, MI, USA (13 pages). Lien externe
Jebnoun, H., Ben Braiek, H., Rahman, M. M., & Khomh, F. (juin 2020). The scent of deep learning code : an empirical study [Communication écrite]. 17th International Conference on Mining Software Repositories (MSR 2020), Seoul, Republic of Korea. Lien externe
Ben Braiek, H., & Khomh, F. (2020). On testing machine learning programs. Journal of Systems and Software, 164, 110542 (18 pages). Lien externe
Ben Braiek, H. (2019). Towards Debugging and Testing Deep Learning Systems [Mémoire de maîtrise, Polytechnique Montréal]. Disponible
Ben Braiek, H., & Khomh, F. (septembre 2019). DeepEvolution: A Search-Based Testing Approach for Deep Neural Networks [Communication écrite]. IEEE International Conference on Software Maintenance and Evolution (ICSME 2019), Cleveland, OH, United states. Lien externe
Ben Braiek, H., & Khomh, F. (juillet 2019). TFCheck : A TensorFlow Library for Detecting Training Issues in Neural Network Programs [Communication écrite]. 19th IEEE International Conference on Software Quality, Reliability and Security (QRS 2019), Sofia, Bulgaria. Lien externe
Ben Braiek, H., Khomh, F., & Adams, B. (mai 2018). The open-closed principle of modern machine learning frameworks [Communication écrite]. 15th International Conference on Mining Software Repositories (MSR 2018), Gothenburg, Sweden. Lien externe
