 | 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.
Alimo, R., Sam, D., Lakhmiri, D., Kahovec, B., & Divsalar, D. (mars 2021). Automated Data Accountability for Missions in Mars Rover Data [Communication écrite]. IEEE Aerospace Conference (AeroConf 2021), Big Sky, MT, USA (8 pages). Lien externe
Lakhmiri, D., & Le Digabel, S. (2022). Use of Static Surrogates in Hyperparameter Optimization. Operations Research Forum, 3(1). Lien externe
Lakhmiri, D., Alimo, R., & Le Digabel, S. (2022). Anomaly detection for data accountability of Mars telemetry data. Expert Systems With Applications, 189, 116060. Lien externe
Lakhmiri, D. (2021). Optimisation des hyperparamètres des réseaux de neurones profonds [Thèse de doctorat, Polytechnique Montréal]. Disponible
Lakhmiri, D., Le Digabel, S., & Tribes, C. (2021). HyperNOMAD: Hyperparameter Optimization of Deep Neural Networks Using Mesh Adaptive Direct Search. ACM Transactions on Mathematical Software, 47(3), 1-27. Lien externe
Lakhmiri, D., & Le Digabel, S. (2021). Use of static surrogates in hyperparameter optimization. (Rapport technique n° G-2021-10). Lien externe
Lakhmiri, D., Alimo, R., & Le Digabel, S. (2020). Tuning a variational autoencoder for data accountability problem in the Mars Science Laboratory ground data system. (Rapport technique n° 2020-31). Lien externe
Lakhmiri, D. (2016). Un environnement pour l'optimisation sans dérivées [Mémoire de maîtrise, École Polytechnique de Montréal]. Disponible
