 | 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.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Majidi, F., Khomh, F., Li, H., & Nikanjam, A. (2025). An efficient model maintenance approach for MLOps. Empirical Software Engineering, 31(1), 48 pages. Lien externe
Tambon, F., Nikanjam, A., Zid, C., Khomh, F., & Antoniol, G. (2025). TaskEval: Assessing Difficulty of Code Generation Tasks for Large Language Models. ACM Transactions on Software Engineering and Methodology. Lien externe
Nouwou Mindom, P. S., Da Silva, L. M. P., Nikanjam, A., & Khomh, F. (2025). Continuously Learning Bug Locations. ACM Transactions on Software Engineering and Methodology. Lien externe
Majdinasab, V., Nikanjam, A., & Khomh, F. (2025). DeepCodeProbe: Evaluating Code Representation Quality in Models Trained on Code. Empirical Software Engineering, 30(6), 169 (53 pages). Lien externe
Jamshidi, S., Wazed Nafi, K., Nikanjam, A., & Khomh, F. (2025). Evaluating machine learning-driven intrusion detection systems in IoT: Performance and energy consumption. Computers & Industrial Engineering, 204, 111103 (17 pages). Lien externe
Jamshidi, S., Nikanjam, A., Wazed Nafi, K., & Khomh, F. (2025). Understanding the impact of IoT security patterns on CPU usage and energy consumption: a dynamic approach for selecting patterns with deep reinforcement learning. International Journal of Information Security, 24(2), 40 pages. Lien externe
Jamshidi, S., Amirnia, A., Nikanjam, A., Wazed Nafi, K., Khomh, F., & Keivanpour, S. (2025). Self-adaptive cyber defense for sustainable IoT: A DRL-based IDS optimizing security and energy efficiency. Journal of Network and Computer Applications, 104176. Lien externe
Tambon, F., Moradidakhel, A., Nikanjam, A., Khomh, F., Desmarais, M. C., & Antoniol, G. (2025). Bugs in large language models generated code: an empirical study. Empirical Software Engineering, 30(3), 48 pages. Lien externe
Jamshidi, S., Nikanjam, A., Wazed Nafi, K., Khomh, F., & Rasta, R. (2025). Application of deep reinforcement learning for intrusion detection in Internet of Things: A systematic review. Internet of Things, 31, 101531 (29 pages). Lien externe
Jamshidi, S., Nikanjam, A., Wazed Nafi, K., & Khomh, F. (août 2025). Deep Reinforcement Learning-Based Intrusion Detection System: Defending Edge Gateways Against Mirai and Gafgyt [Communication écrite]. 12th International Conference on Future Internet of Things and Cloud (FiCloud 2025), Istanbul, Turkiye. Lien externe
Jamshidi, S., Nikanjam, A., Wazed Nafi, K., & Khomh, F. (juillet 2025). A Dynamic Security Pattern Selection Framework Using Deep Reinforcement Learning [Communication écrite]. International Conference on Software Services Engineering (SSE 2025), Helsinki, Finland. Lien externe
Majdinasab, V., Nikanjam, A., & Khomh, F. (2024). Trained Without My Consent: Detecting Code Inclusion In Language Models Trained on Code. ACM Transactions on Software Engineering and Methodology. Lien externe
Islam, M. R., Roy, B., Hassan, M., & Nikanjam, A. (novembre 2024). Just-in-Time and Real-Time Bug-Inducing Commit Prediction Using a Federated Learning Approach [Communication écrite]. 34th International Conference on Collaborative Advances in Software and COmputiNg (CASCON 2024), Toronto, ON, Canada. Lien externe
Morovati, M. M., Nikanjam, A., Tambon, F., Khomh, F., & Jiang, Z. M. (2024). Bug characterization in machine learning-based systems. Empirical Software Engineering, 29(1), 14 (29 pages). Lien externe
Morovati, M. M., Tambon, F., Taraghi, M., Nikanjam, A., & Khomh, F. (2024). Common challenges of deep reinforcement learning applications development: an empirical study. Empirical Software Engineering, 29, 95 (33 pages). Lien externe
Côté, P.-O., Nikanjam, A., Ahmed, N., Humeniuk, D., & Khomh, F. (2024). Data cleaning and machine learning: a systematic literature review. Automated Software Engineering, 31(2), 54 (75 pages). Lien externe
Moradidakhel, A., Nikanjam, A., Majdinasab, V., Khomh, F., & Desmarais, M. C. (2024). Effective test generation using pre-trained Large Language Models and mutation testing. Information and Software Technology, 171, 107468 (17 pages). Lien externe
Jamshidi, S., Amirnia, A., Nikanjam, A., & Khomh, F. (avril 2024). Enhancing Security and Energy Efficiency of Cyber-Physical Systems using Deep Reinforcement Learning [Communication écrite]. 15th International Conference on Ambient Systems, Networks and Technologies Networks (ANT 2024) / The 7th International Conference on Emerging Data and Industry 4.0 (EDI40 2024), Hasselt, Belgium. Publié dans Procedia Computer Science, 238. Lien externe
Moradidakhel, A., Nikanjam, A., Khomh, F., Desmarais, M. C., & Washizaki, H. (2024). Generative AI for Software Development: A Family of Studies on Code Generation. Dans Generative AI for Effective Software Development (p. 151-172). Lien externe
Mindom, P. S. N., Nikanjam, A., & Khomh, F. (2024). Harnessing pre-trained generalist agents for software engineering tasks. Empirical Software Engineering, 30(1). Lien externe
Moradidakhel, A., Nikanjam, A., Khomh, F., Desmarais, M. C., & Washizaki, H. (2024). An Overview on Large Language Models. Dans Generative AI for Effective Software Development (p. 3-21). Lien externe
Côté, P.-O., Nikanjam, A., Bouchoucha, R., Basta, I., Abidi, M., & Khomh, F. (2024). Quality issues in machine learning software systems. Empirical Software Engineering, 29(6), 149 (47 pages). Lien externe
Tambon, F., Nikanjam, A., An, L., Khomh, F., & Antoniol, G. (2024). Silent bugs in deep learning frameworks: an empirical study of Keras and TensorFlow. Empirical Software Engineering, 29(1), 10 (34 pages). Lien externe
Bouchoucha, R., Haj Yahmed, A., Patil, D., Rajendran, J., Nikanjam, A., Anbil Parthipan, S. C., & Khomh, F. (octobre 2024). Toward Debugging Deep Reinforcement Learning Programs with RLExplorer [Communication écrite]. IEEE International Conference on Software Maintenance and Evolution (ICSME 2024), Flagstaff, AZ, USA. Lien externe
Jamshidi, S., Nikanjam, A., Hamdaqa, M. A., & Khomh, F. (2023). Attack Detection by Using Deep Learning for Cyber-Physical System. Dans Artificial Intelligence for Cyber-Physical Systems Hardening (Vol. 2, p. 155-179). Lien externe
Morovati, M. M., Nikanjam, A., Khomh, F., & Jiang, Z. M. (2023). Bugs in machine learning-based systems: a faultload benchmark. Empirical Software Engineering, 28(3), 33 pages. Lien externe
Morovati, M. M., Nikanjam, A., Khomh, F., & Jiang, Z. M. (2023). Bugs in machine learning-based systems: a faultload benchmark [Ensemble de données]. Lien externe
Nouwou Mindom, P. S., Nikanjam, A., & Khomh, F. (2023). A comparison of reinforcement learning frameworks for software testing tasks. Empirical Software Engineering, 28(5), 111 (76 pages). Lien externe
Yahmed, A. H., Allah Abbassi, A., Nikanjam, A., Li, H., & Khomh, F. (octobre 2023). Deploying deep reinforcement learning systems: a taxonomy of challenges [Communication écrite]. IEEE International Conference on Software Maintenance and Evolution (ICSME 2023), Bogota, Colombia. Lien externe
Moradidakhel, A., Majdinasab, V., Nikanjam, A., Khomh, F., Desmarais, M. C., & Jiang, Z. M. (2023). GitHub Copilot AI pair programmer: Asset or Liability? Journal of Systems and Software, 203, 111734 (23 pages). Lien externe
Tambon, F., Majfinasab, V., Nikanjam, A., Khomh, F., & Antoniol, G. (avril 2023). Mutation testing of deep reinforcement learning based on real faults [Communication écrite]. 16th IEEE Conference on Software Testing, Verification and Validation (ICST 2023), Dublin, Ireland. Lien externe
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
Openja, M., Nikanjam, A., Yahmed, A. H., Khomh, F., & Jiang, Z. M. J. (octobre 2022). An Empirical Study of Challenges in Converting Deep Learning Models [Communication écrite]. 39th IEEE International Conference on Software Maintenance and Evolution (ICSME 2022), Limassol, Cyprus. 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
Tambon, F., Laberge, G., An, L., Nikanjam, A., Mindom, P. S. N., Pequignot, Y., Khomh, F., Antoniol, G., Merlo, E., & Laviolette, F. (2022). How to certify machine learning based safety-critical systems? A systematic literature review. Automated Software Engineering, 29(2). Lien externe
Mahdavimoghadam, M., Nikanjam, A., & Abdoos, M. (2022). Improved reinforcement learning in cooperative multi-agent environments using knowledge transfer. Journal of Supercomputing, 78(8), 10455-10479. Lien externe
Shajoonnezhad, N., & Nikanjam, A. (2022). A stochastic variance-reduced coordinate descent algorithm for learning sparse Bayesian network from discrete high-dimensional data. International Journal of Machine Learning and Cybernetics, 14(3), 947-958. Lien externe
Roy, S., Laberge, G., Roy, B., Khomh, F., Nikanjam, A., & Mondal, S. (octobre 2022). Why Don't XAI Techniques Agree? Characterizing the Disagreements Between Post-hoc Explanations of Defect Predictions [Communication écrite]. IEEE International Conference on Software Maintenance and Evolution (ICSME 2022), Limassol, Cyprus. Lien externe
Rivera-Landos, E., Khomh, F., & Nikanjam, A. (décembre 2021). The Challenge of Reproducible ML: An Empirical Study on The Impact of Bugs [Communication écrite]. 21st International Conference on Software Quality, Reliability and Security (QRS 2021), Hainan, China. Lien externe
Nikanjam, A., & Khomh, F. (septembre 2021). Design Smells in Deep Learning Programs: An Empirical Study [Communication écrite]. IEEE International Conference on Software Maintenance and Evolution (ICSME 2021), Luxembourg, Netherlands. Lien externe
Mindom, P. S. N., Nikanjam, A., Khomh, F., & Mullins, J. (décembre 2021). On Assessing The Safety of Reinforcement Learning algorithms Using Formal Methods [Communication écrite]. 21st International Conference on Software Quality, Reliability and Security (QRS 2021), Hainan, China. Lien externe
