Abdelkarim EL OUAFI

– Développé une métrique déterministe de détection des hallucinations procédurales dans les réponses de LLM, réduisant de 30 % les erreurs de planification; travaux associés soumis à UAI 2026. – Conçu un système RAG combinant agents LLM et interventions contrefactuelles pour renforcer la fiabilité des réponses fondées sur la recherche d'information. – Développé un modèle génératif causal hiérarchique (HCVAE) pour recommander des solutions frugales sur des requêtes utilisateurs non vues, en apprenant les dépendances entre requêtes et solutions.

– Développé un pipeline de découverte causale pour la désagrégation de charge (NILM) à partir de signaux énergétiques multivariés. – Conçu un cadre d'apprentissage de représentations causales projetant des séries temporelles multivariées dans un espace latent exploitable par des méthodes de découverte plus légères. – Réduit de 40% le coût de calcul de la découverte de graphes causaux tout en maintenant la robustesse sur des distributions variées.

– Développé AWAE, une extension de CausalVAE avec régularisation de type Wasserstein et activation Swish; meilleurs scores de cohérence informationnelle sur Pendulum (MIC/TIC: 92,5% / 82,5%) et CelebA (87,5% / 77,5%). – Amélioré de 7,5% le désentremêlement causal et l'alignement par rapport aux approches fondées sur la divergence KL, grâce à des techniques de régularisation sensibles aux interventions. – Évalué la robustesse du modèle sur Pendulum et CelebA à l'aide de la Fréchet Inception Distance (FID), en analysant la stabilité des reconstructions sous perturbations adversariales.