"Ma recherche porte sur la conception des algorithmes quantique d'apprentissage automatique pour dispositifs NISQ (Noisy Intermediate-Scale Quantum).

Cette tâche pose des questions très intéressantes, liées soit à la théorie de la complexité quantique, soit à la théorie de l'apprentissage statistique, car on souhaite démontrer des avantages quantiques à la fois en termes de temps et sample complexity. 

De plus, je suis intéressé par la délégation sécurisée des algorithmes d'apprentissage automatique. Les appareils NISQ seront disponible à distance pour les utilisateurs, donc préserver la confidentialité des protocoles est crucial lorsque les données contiennent des informations personnelles (par ex. biométriques).

Je suis également intéressé par les problèmes d'apprentissage automatique classiques, tels que le clustering et les modèles génératifs."

Unité de recherche : UMR 7606 / Laboratoire d’informatique de Paris 6 / LIP6
Directeur, Elham Kashefi (QI) & Co-superviseur, Vincent Cohen Addad (RO)

Mots clés :
Apprentissage automatique quantique, avantage quantique, apprentissage automatique préservant la confidentialité, modèles génératifs, théorie de l'apprentissage statistique