Browsing by Author "BOUGAMOUZA , Fateh"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Arabic abstractive text summarization via supervised transfer and deep reinforcement learning
    (Faculty of sciences , 2024) DJAMAI , Abdelbasset ; BOUGAMOUZA , Fateh
    The rapid growth of digital content has created a pressing need for efficient text summarization techniques, particularly for languages with complex features like Arabic. Although progress in Arabic abstractive text summarization has been limited compared to languages like English, recent advancements leveraging transfer learning with pretrained transformer-based language models (PTLMs) have shown promise. These approaches have primarily relied on supervised learning techniques for finetuning, which typically focus on maximizing next-word prediction like lihood rather than summary quality. They also suffer from in consistencies between training and inference conditions, as well as exposure bias. Notably, reinforcement learning (RL), which offers potential solutions to thes issues, especially its ability to directly optimize non-differentiable objectives, remains largely unexplored in Arabic ATS. This thesis proposes a novel approach combining transfer learning and RL to address these limitations and advance Arabic ATS. We introduce a novel two- phase framework: (1) supervised finetuning (SFT) of a PTLM, followed by (2) RL-based optimization via Proximal Policy Optimization. Our approach is evaluated on the XL-Sum and AraSum datasets, using reward functions derived from different automatic evaluation metrics and textual entailment. Experimental results demonstrate that our RL-finetuned models out perform our supervised baseline across multiple metrics, while demonstrating enhanced factual consistency. Comparison with prior work shows that our models achieve new state-of-the-art performance in terms of BERT Score, while achieving competitive and more balanced ROUGE scores on both datasets. Moreover, a test-only transfer evaluation on a new dataset reveals that our RL-optimized models exhibit superior generalization capabilities compared to the supervised baseline. We also conduct ablation studies to analyze the contributions of some critical components in our approach
  • Thumbnail Image
    Item
    La détection automatique des intrusions dans les réseaux informatiques
    (Faculté des Sciences, 2024) BEKKOUCHE , Ilhem; MAGHLAOUI , Meriem; BOUGAMOUZA , Fateh
    Au cours de la dernière décennie, le développement rapide des technologies de l’information et de la communication, en particulier Internet, a engendré une vague d’innovations sans précédent à travers le monde. Malheureusement, ces avancées ont été accompagnées par une augmentation des cyberattaques, rendant la protection des réseaux de communication un défi majeur pour les décennies à venir. En tant que première ligne de défense, les systèmes de détection d’intrusion (IDS) ont fait l’objet de nombreuses recherches et jouent un rôle crucial danslasécuritédesréseaux. Cetravailprésentel'étatdel'artdeladétectiond'intrusionavecpourobjectifdedévelopperun modèle capable de détecter et de classifier un large éventail d’attaques. Les contributions de ce mémoire incluent l’exploration de diverses méthodes d'apprentissage automatique, l'étude approfondie d'une méthode d'apprentissage profond, l'autoencodeur, ainsi que l'analyse des résultats pour évaluer l'efficacité des différentes approches. Une comparaison des performances del'apprentissage automatiqueet del'apprentissageprofond dans lecontextede ladétectiond'intrusionsaétéeffectuéeenutilisantlabasededonnéespubliqueCIC-IDS2017. Après un prétraitement et une normalisation des données, ces algorithmes ont été appliqués pour la classification et leurs performances ont été comparées à l'aide de différentes mesures d'évaluation. En termes de performance, cette étude a révélé que les algorithmes d'apprentissage automatique surpassent l'auto-encodeur. Cette supériorité s'explique par la répartition déséquilibrée des échantillons de données entre les différentes classes d'attaques dans la base dedonnées
  • Thumbnail Image
    Item
    Monde de Pierres : Plateforme d’intelligence artificielle pour l’identification et le marketing
    (Faculté des Science, 2024) BOUKEZOULA , Abdelkader; MAMERI , Rabah; SATOUH , Chaima; LAKROUNE , Mohamed Ayoub; BOUSSIS , Sami Aymen ; KERRAOUI , Sarra; BOUGAMOUZA , Fateh
    Le présent projet a pour ambition de révolutionner l'univers fascinant des minéraux et pierres précieuses. L'objectif principal de cette initiative est la création d'une plateforme intelligente et d'une application mobile novatrices, élaborées pour proposer une expérience exceptionnelle aux passionnés, collectionneurs et professionnels du domaine. L'application vise principalement à détecter automatiquement les échantillons minéralogiques en utilisant les avancées récentes en intelligence artificielle et en deep learning. Cette fonctionnalité offrira aux utilisateurs la possibilité de repérer et de classer leurs trésors métalliques immédiatement, offrant ainsi de nouvelles perspectives captivantes. La plateforme en ligne joue également un rôle essentiel dans l'apprentissage, offrant la possibilité de résoudre ces énigmes naturelles. Des renseignements précis, des expositions en ligne et des modules interactifs offrent à tous, qu'ils soient novices ou expérimentés, la possibilité de découvrir le monde minéral, d’approfondir leurs connaissances sur ces véritables oeuvres d’art naturelles. Enfin, la dimension commerciale n’a pas été négligée. La plateforme proposera une offre coup de coeur aux professionnels souhaitant vendre leurs échantillons rares et précieux, facilitant l’échange et valorisant ces trésors du sol. Ensemble, cette application mobile et cette plateforme web ambitionnent de devenir la référence incontournable pour tous les passionnés du monde minéral, alliant identification de pointe, éducation enrichissante et opportunités commerciales uniques.