BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Limics - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Limics
X-ORIGINAL-URL:https://www.limics.fr
X-WR-CALDESC:Évènements pour Limics
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250922T140000
DTEND;TZID=Europe/Paris:20250922T153000
DTSTAMP:20260614T070231
CREATED:20250607T162906Z
LAST-MODIFIED:20250901T055734Z
UID:1720-1758549600-1758555000@www.limics.fr
SUMMARY:Thomas Papastergiou
DESCRIPTION:Thomas Papastergiou est maître de conférence au LIPN\, USPN. Ses recherches portent sur l’intelligence artificielle et recouvrent une série d’applications biomédicales allant du diagnostic à la conception de médicaments nouvellement synthétisés. \nTensor Decomposition for Multiple Instance Learning in Medical Applications \nTensors are multidimensional data structures that naturally model multi-way medical data such as pathology images and patients’ physiological monitoring signals. Tensor decompositions can be leveraged to provide valuable insights for analyzing medical data.Multiple Instance Learning (MIL) is a learning paradigm in which each object (bag) is represented by multiple feature vectors (instances)\, in contrast to the classical paradigm where each object is represented by a single feature vector.In this talk\, we will present a distributed optimization algorithm for the tensor completion task (i.e.\, reconstructing a tensor from partially observed entries—for example\, reconstructing an image from only 10% of its pixels). Next\, we will introduce an MIL learning algorithm\, TensMIL\, which is based on tensor decomposition for seamless feature extraction and MIL classification\, making it suitable for diverse types of medical data.Finally\, we will showcase several applications of the TensMIL algorithm\, including pathology image classification\, frailty prediction from physiological signals collected from elderly monitoring\, and activity classification of NDM-1 inhibitors. \nDécomposition en tenseurs pour l’apprentissage à instances multiples dans les applications médicales \nLes tenseurs sont des structures de données multidimensionnelles qui permettent de modéliser naturellement des multi-way données médicales\, telles que les images pathologiques et les signaux physiologiques issus de la surveillance des patients. Les décompositions en tenseurs peuvent être exploitées afin de fournir des informations précieuses pour l’analyse des données médicales. L’apprentissage à instances multiples (Multiple Instance Learning\, MIL) est un paradigme d’apprentissage dans lequel chaque objet (bag) est représenté par plusieurs vecteurs de caractéristiques (instances)\, contrairement au paradigme classique où chaque objet est représenté par un seul vecteur de caractéristiques. Dans cet exposé\, nous présenterons un algorithme d’optimisation distribuée pour la tâche de complétion de tenseurs (c’est-à-dire la reconstruction d’un tenseur à partir d’observations partielles — par exemple\, reconstruire une image à partir de seulement 10 % de ses pixels). Ensuite\, nous introduirons un algorithme d’apprentissage MIL\, TensMIL\, basé sur la décomposition en tenseurs pour une extraction fluide des caractéristiques et une classification MIL adaptée à différents types de données médicales. Enfin\, nous illustrerons plusieurs applications de l’algorithme TensMIL\, notamment la classification d’images pathologiques\, la prédiction de la fragilité à partir de signaux physiologiques issus de la surveillance de personnes âgées\, ainsi que la classification de l’activité des inhibiteurs de la NDM-1.
URL:https://www.limics.fr/event/thomas-papastergiou/
END:VEVENT
END:VCALENDAR