4e Concours de la recherche en intelligence et données de l’IID
Le 26 mars 2024, vous êtes invités à découvrir 12 présentations qui seront offertes par des étudiantes et des étudiants aux cycles supérieurs de l’Université Laval, oeuvrant sous la supervision de chercheur et chercheuses membres et collaborateurs de l’Institut intelligence et données. Une opportunité de porter un regard sur les projets et initiatives actuellement développés sur le campus, et de leurs applications dans une variété de domaines et champs d’expertises.
Sélectionnés à partir de près d’une trentaine de dossiers choisis par un comité formé de professionnels de recherche associés à l’IID, c’est douze étudiants et étudiantes aux cycles supérieurs (maîtrise, doctorat) à l’Université Laval qui ont été invités à présenter leurs travaux et recherche à l’occasion du 4e Concours de la recherche en intelligence et données de l’IID.
Liées aux différents champs d’intervention de l’Institut (environnement physique; santé et étude du vivant; méthodes d’IA et de traitement de données; éthique, confidentialité et acceptabilité sociale), les conférences vous permettront d’effectuer une belle forée dans la diversité, la richesse et la variété des projets actuellement menés sur le campus par les équipes de recherche supervisés par des chercheurs et chercheuses liées à l’Institut.
L’événement sera également complété par une conférence offerte par Laurent Barcelo, président et chef de la stratégie chez Videns Analytics.
Chaque conférence sera également évaluée par un jury formé d’experts de l’industrie et de professionnels de l’IID pour qu’ainsi, au terme de la journée, trois prix soient remis aux personnes participantes – un premier prix de 3000$ offert par Videns Analytics, un second prix de 1500$ offert par Beneva, et un troisième prix de 500$ offert, lui, par Coveo.
C’est un rendez-vous, le mardi 26 mars 2024, de 8h30 à 16h30 à l’Espace-Jardin du pavillon Alphonse-Desjardins, à l’Université Laval, L’événement est gratuit, et ouvert à toutes et tous, en formule 100% présentielle.
Un buffet froid sera offert aux personnes participantes, le midi. Des bouchées sucrées seront offertes en clôture de l’activité.
Programme de l'événement
8h30
Accueil des participants et participantes
9h
Mot de bienvenue et présentation du jury
9h10
Towards a Perceptual Evaluation Framework for Lighting Estimation / Justine Giroux
9h30
DarSwin : Distortion-Aware Radial Swin Transformer / Akshaya Athwale
9h50
Detection and Localization of Synaptic Anomalies in STED Microscopy Using Deep Learning / Frédéric Beaupré
10h10
The Unexpected Wedding : Can Simulated and Self-Supervised Learning Help LiDAR Point Clouds Semantic Segmentation in the Boreal Forest? / Reza Mahmoudi Kouhi et Olivier Stocker
10h30
Pause et collation
11h
A Layer Selection Approach to Test Time Adaptation / Sabayachi Sahoo
11h20
Inertial Sensor Location for Ground Reaction Force and Gait Event Detection Using Reservoir Computing in Gait / Sara Havashinezhadian
11h40
Using LLMs on Temporal Medical Sequences with Federated Learning Methods for Clinical Outcome Prediction / Kaoutar Mimouni
12h
Prédiction des bactéries hôtes des phages à l’aide de l’IA / Alexandre Boulay
12h30
Dîner (buffet froid)
13h30
Simplification automatique du texte des contrats d’assurance automobile / David Beauchemin
13h50
Graphes causaux : une nouvelle perspective sur l’équité en assurance / Olivier Côté
14h10
Ne pas déshabiller Pierre pour être équitable à Paul : éviter le nivellement par le bas dans les interventions d’équité algorithmique / Mathieu Godbout
14h30
Entre qualité et confidentialité : génération de données synthétiques robustes / Ariane Boivin
14h50
Conférence de clôture par Laurent Barcelo, président et chef de la stratégie chez Videns Analytics
15h30
Remerciements et remise des prix 2024 par Videns Analytics, Beneva et Coveo
15h45
Bouchées sucrées et échanges libres
Présentation des conférences
Towards a Perceptual Evaluation Framework for Lighting Estimation
Justine Giroux, étudiante au doctorat en physique
La lumière joue un rôle primordial dans les images : elle capture l’attention, communique une atmosphère, et plus. Notre projet démontre que la lumière est encore incomprise par la vision par ordinateur, car elle emploie des méthodes d’analyse qui ne correspondent pas à la perception humaine. Nous développons une nouvelle métrique avec notre étude psychophysique de la lumière. Notre projet permet de mieux comprendre les images et accélère le travail des artistes multimédias de demain.
DarSwin : Distortion-Aware Radial Swin Transformer
Akshaya Athwale, étudiant au doctorat en informatique
Wide-angle lenses are commonly used in perception tasks requiring a large field of view. Unfortunately, these lenses produce significant distortions, making conventional models that ignore the distortion effects unable to adapt to wide-angle images. In this research, we present a novel transformer-based model that automatically adapts to the distortion produced by wide-angle lenses. Our proposed image encoder architecture, dubbed DarSwin, leverages the physical characteristics of such lenses analytically defined by the radial distortion profile. In contrast to conventional transformer-based architectures, DarSwin comprises a radial patch partitioning, a distortion-based sampling technique for creating token embeddings, and an angular position encoding for radial patch merging. Compared to other baselines, DarSwin achieves the best results on different datasets with significant gains when trained on bounded levels of distortions and tested on all. We demonstrate its performance on depth estimation and show through extensive experiments that DarSwin-Unet can perform zero-shot adaptation to unseen distortions of different wide-angle lenses.
Detection and Localization of Synaptic Anomalies in STED Microscopy Using Deep Learning
Frédéric Beaupré, étudiant au doctorat en biophotonique
Detection of synaptic anomalies in super-resolution microscopy datasets is a challenge due to the imprecise nature of the boundary between nominal and anomalous structures. We propose a deep learning-based anomaly detection algorithm leveraging deep generative modeling to learn the distribution of nominal synaptic features to then detect deviations from that distribution at inference time. We aim to apply the algorithm to animal models of neurodegeration in order to discover novel biomarkers of neurodegenerative diseases.
The Unexpected Wedding : Can Simulated and Self-Supervised Learning Help LiDAR Point Clouds Semantic Segmentation in the Boreal Forest?
Reza Mahmoudi Kouhi et Olivier Stocker, étudiants au doctorat en sciences géomatiques,
Forest monitoring and management, crucial for preserving the biodiversity of Canada’s boreal ecosystems, relies heavily on airborne LiDAR data. We tackle the scarcity of labeled LiDAR data in boreal forests using advanced deep learning for tree species semantic segmentation. By combining Unsupervised Representation Learning (URL) and computer simulated data, we enhance network learning with limited labeled point clouds. This research contributes to understanding how to effectively combine different label-efficient methods for LiDAR data in a boreal forest context.
A Layer Selection Approach to Test Time Adaptation
Sabayachi Sahoo, étudiant au doctorat en génie électrique
We introduce a sparse adaptation framework for unsupervised test time adaptation, selectively training layers of a pre-trained model. Our research highlights optimal layer selection as a key to successful adaptation. We offer two heuristics for layer identification, enhancing test-time adaptation. Our approach, validated across various networks and adaptation losses, is agnostic to TTA loss and network backbones, consistently delivering impressive results.
Inertial Sensor Location for Ground Reaction Force and Gait Event Detection Using Reservoir Computing in Gait
Sara Havashinezhadian, étudiante au doctorat en kinésiologie
Artificial neural network, known as reservoir computing, was trained using combinations of acceleration signals retrieved from Inertial measurement units (IMUs) to estimate gait event detection (GED) and ground reaction force (GRF) for healthy and medial knee osteoarthritis (MKOA) individuals. This study was realized to determine the best sensor location for GED and GRF prediction during gait. The results will be further used and implemented in an AI-MEMS for a gait retraining intervention in MKOA individuals.
Using LLMs on Temporal Medical Sequences with Federated Learning Methods for Clinical Outcome Prediction
Kaoutar Mimouni, étudiante à la maîtrise en informatique
Large Language Models have gained prominence in medical Intelligence, offering promising applications in this field. However, the challenging characteristics of EHRs and the centralized training of LLMs raise significant concerns, as clinical data contains heterogenous information and is distributed among various institutions. This project explores the use of sequence-based representation of EHRs for clinical outcome prediction and the integration of Medical LLMs with Federated Learning methodologies to leverage knowledge from diverse healthcare communities.
Prédiction des bactéries hôtes des phages à l’aide de l’IA
Alexandre Boulay, étudiant à la maîtrise en bioinformatique
Les bactériophages – les virus qui infectent les bactéries – sont les entités biologiques les plus abondantes sur terre. Malgré l’essor récent d’études sur les phages, de nombreux facteurs restent inconnus dans leur processus d’infection ce qui rend la spécificité d’un phage pour une bactérie difficile à prédire. L’objectif de ce projet était de construire un outil basé sur l’intelligence artificielle pour prédire l’hôte bactérien d’un phage en utilisant l’ensemble de ses protéines.
Simplification automatique du texte des contrats d’assurance automobile
David Beauchemin, étudiant au doctorat en informatique
Cette conférence se concentre sur la possibilité d’utiliser l’apprentissage profond pour développer des outils permettant d’expliquer automatiquement un contrat d’assurance à un nouveau client. L’objectif est de reformuler automatiquement le contenu d’un contrat d’assurance de manière plus simple.
Graphes causaux : une nouvelle perspective sur l’équité en assurance
Olivier Côté, étudiant au doctorat en actuariat
Dans l’ère des décisions guidées par les données, l’équité des modèles prédictifs est scrutée de près étant donné le risque de discrimination indirecte inhérent à l’utilisation de l’intelligence artificielle. Les assureurs, s’appuyant fortement des données personnelles, doivent particulièrement veiller à l’équité entre les assurés. Nous utilisons des graphes acycliques dirigés pour définir précisément la discrimination directe et indirecte, et proposons cinq catégories de scores équitables, offrant une compréhension approfondie des biais dans les algorithmes prédictifs.
Ne pas déshabiller Pierre pour être équitable à Paul : éviter le nivellement par le bas dans les interventions d’équité algorithmique
Mathieu Godbout, étudiant au doctorat en informatique
Nous étudions comment atténuer les biais algorithmiques sans recourir au nivellement vers le bas, c’est-à-dire sans diminuer les performances du ou des groupes les plus performants pour atteindre la parité.
Entre qualité et confidentialité : génération de données synthétiques robustes
Ariane Boivin, étudiante à la maîtrise en statistique
Il est souvent difficile de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. Les jeux de données synthétiques pourraient permettre de simplifier ce partage. Ce projet consiste donc à évaluer les garanties de confidentialité d’une nouvelle méthode de génération de données synthétiques prometteuse. Celle-ci intègre un mécanisme de masquage à une technique d’imputation multiple pour adapter le modèle génératif au niveau de protection désiré.
Conférencier de clôture
Laurent Barcelo, président et chef de la stratégie, Videns Analytics
Laurent est président de Videns et il oeuvre aussi en tant que chef de la stratégie. Au cours de ses 20 ans d’expérience dans un grand groupe industriel pour lequel il a occupé des fonctions d’encadrement de l’innovation et de R&D, Laurent s’est rapidement persuadé de l’importance de « faire parler » les données afin de prendre des décisions d’affaires éclairées.
A mi-parcours professionnel, Laurent a décidé de faire de la science des données son nouveau métier en s’investissant pleinement dans sa passion.
Remerciements
À propos de l'Institut intelligence et données
Inauguré en janvier 2020, l’Institut intelligence et données (IID) de l’Université Laval réunit les forces vives de la recherche et de l’innovation en intelligence artificielle et en valorisation des données de la grande région de Québec. De la recherche appliquée ou fondamentale, en passant par les grands enjeux éthiques, ses chercheurs membres, collaborateurs ou associés travaillent activement au développement aujourd’hui des méthodes, technologies et usages qui soutiendront le Québec de demain.
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.