Documents dont l'auteur est "Nikanjam, Amin"

Réseau de collaboration

Veuillez patienter

Aide

Ce 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 mots

Aide

Un 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.

Article de revue

Jamshidi, S., Abdul Wahab, O., Herrero, R., Khomh, F., Bellaïche, M., Keivanpour, S., Shahabi, N., Nikanjam, A., & Wazed Nafi, K. (2026). Think Fast: Real-Time IoT Intrusion Reasoning Using IDS and LLMs at the Edge Gateway. IEEE Internet of Things Journal, 30 pages. Lien externe

Taraghi, M., Pequignot, Y., Nikanjam, A., Amine Merzouk, M., & Khomh, F. (2026). Efficiency at What Cost? Safety and Fairness in Parameter-Efficient Fine-Tuning of LLMs. IEEE Transactions on Artificial Intelligence, 15 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

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

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

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

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

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

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

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., 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

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., 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

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

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

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

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

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

Communication écrite

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

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

Abbassi, A. A., Da Silva, L., Nikanjam, A., & Khomh, F. (septembre 2025). A Taxonomy of Inefficiencies in LLM-Generated Python Code [Communication écrite]. International Conference on Software Maintenance and Evolution (ICSME 2025), Auckland, New Zealand. 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

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

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

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

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

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

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

Chapitre de livre

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

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

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