Ferdinand KAHENGA NGONGO

Ferdinand KAHENGA NGONGO est universitaire et chercheur spécialisé en informatique.

Il est actuellement doctorant en Computer Science à l’Université du Cap‑Occidental (Afrique du Sud), où il concentre ses travaux sur le machine learning, le big data et le data mining. Ses recherches portent plus particulièrement sur les techniques d’apprentissage décentralisé et leur optimisation dans divers domaines. Il s’intéresse notamment au développement de méthodologies préservant la confidentialité et à l’amélioration des performances des modèles appliqués à des secteurs variés, tels que la santé, la sécurité réseaux et récemment les jumeaux numériques.

 Titulaire d’un Master en informatique avancée et applications (Science, Santé et Technologies) obtenu à l’Université Marie et Louis Pasteur (ex‑Université de Franche‑Comté), ainsi que d’une Licence en Génie logiciel de l’Université Don Bosco de Lubumbashi (à l'ancienne École Supérieure d’Informatique SALAMA), il enseigne la programmation, les bases de données, l’apprentissage automatique et l’éthique de l’IA à l’UDBL. Il y occupe également la fonction de Doyen de la Faculté des Sciences Informatiques.

Voir publications →

Publications et recherches historiques

Auteur de plusieurs articles, notamment :

2026
    1. FedAVL: Automated Vertical Federated Learning for Heterogeneous Healthcare Data,
  IEEE International Conference on Smart Computing (SmartComp)(accepted paper),2026

2025

    2. SyndFL: Addressing Class Imbalance to Enhance Fairness in Healthcare Image Processing Through Syndicated Federated Learning,  
    IEEE Symposium on Computers and Communications (ISCC) — 2025

    3. Federated and Split Learning with Frugal Labelling and Label Scarcity in Healthcare Datasets,  
    IEEE Symposium on Computers and Communications (ISCC) — 2025

2024

    4. FedDAFL: Federated Transfer Learning with Domain Adaptation for Frugally Labeled Datasets,  
    IEEE Global Communications Conference (GLOBECOM) — 2024

2023

    5.A Comprehensive Security Analysis and Comparison of Federated Learning Algorithms: Resilience against Data and Model Poisoning Attacks,  
    SATNAT— 2023
    
    6. Fedfast: Selective federated learning using fittest parameters aggregation and slotted clients training,  
    IEEE Global Communications Conference (GLOBECOM) — 2023

    7. Recognition of DRC Political Figures Using Machine Learning,  
    Emerging Technologies for Developing Countries: 5th EAI International Conference — 2023

2022

    8. Modelling DDoS attacks in IoT networks using machine learning,  
    International Conference on Emerging Technologies for Developing Countries — 2022

    9. A review of federated learning: Algorithms, frameworks and applications,  
    International Conference on e-Infrastructure and e-Services for Developing Countries — 2022

    10. Archiving 4.0: Dataset Generation and Facial Recognition of DRC Political Figures Using Machine Learning,  
    International Conference on Emerging Technologies for Developing Countries — 2022