BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Limics - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
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:20250908T140000
DTEND;TZID=Europe/Paris:20250908T153000
DTSTAMP:20260614T054106
CREATED:20250826T151817Z
LAST-MODIFIED:20250826T152513Z
UID:1741-1757340000-1757345400@www.limics.fr
SUMMARY:Eduardo Fermé: An introduction to Belief change
DESCRIPTION:Eduardo Fermé\, full professor of computer science at the Universidade da Madeira in Portugal\, is spending one month as a visiting researcher at Limics.\n\nHe is internationally recognized for his research in Artificial Intelligence\, particularly in knowledge representation and the formalization of common-sense reasoning — key pillars of explainability in modern AI applications.\n\nTitle: An introduction to Belief change\n\nAbstract: The 1985 paper by Carlos Alchourrón (1931–1996)\, Peter Gärdenfors\, and David Makinson (AGM)\, “On the Logic of Theory Change: Partial Meet Contraction and Revision Functions”\, was the starting-point of a large and rapidly growing literature that employs formal models in the investigation of changes in belief states and databases. In this talk\, the first 40 years of this development are briefly summarized. The topics covered include equivalent characterizations of AGM operations\, extended representations of the belief states\, change operators not included in the original framework\, iterated change\, applications of the model\, its connections with other formal frameworks\, and criticism of the model.
URL:https://www.limics.fr/event/eduardo-ferme-an-introduction-to-belief-change/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250915T090000
DTEND;TZID=Europe/Paris:20250915T140000
DTSTAMP:20260614T054106
CREATED:20250515T055914Z
LAST-MODIFIED:20251010T102210Z
UID:1707-1757926800-1757944800@www.limics.fr
SUMMARY:Soutenance de thèse Manon Chossegros
DESCRIPTION:Title: Enhancing hematological image analysis with generalizable\, interpretable\, and adaptable AI models \nLieu: Limics\, Campus des Cordeliers\, salle de conférence \n\n\n\nMots-clés :\nApprentissage profond\,Leucocytes\,Explicabilité\,Généralisabilité\,Classification\,Semi-supervision\n\n\nKeywords:\nDeep Learning\,White blood cells\,Explainability\,Generalisability\,Classification\,Semi-supervision\n\n\n\n  \n\n\n\nRésumé :\n\n\n\nL’étude d’un échantillon sanguin peut être réalisée au moyen de plusieurs tests. Parmi ceux-ci\, on appelle cytologie l’observation des cellules sanguines au microscope. L’objectif de ce procédé est d’évaluer la quantité de chaque type de cellules sanguines et de repérer de potentielles anomalies morphologiques. Les récentes avancées en vision par ordinateur ont permis d’automatiser cette étape\, cependant\, les algorithmes posent d’importants problèmes de généralisabilité\, d’expliquabilité et d’adaptabilité. Autrement dit\, l’implémentation en pratique clinique est limitée par le manque de robustesse des modèles sur des images venant de conditions d’acquisition différentes\, par les difficultés à expliquer les raisons qui ont poussé leur prédiction et par les compétences limitées du modèle sur des tâches pour lesquelles il n’a pas été entraîné. L’objectif de cette thèse est de développer un système qui soit robuste\, transparent et déployable en conditions cliniques. Pour cela\, nous proposons tout d’abord de standardiser le style des images à l’aide d’une transformation colorimétrique simple combinée à de l’ajustement fin sur différents jeux de données. La procédure permet d’améliorer la robustesse du modèle tout en préservant l’aspect visuel de la cellule et en limitant le coût de calcul ainsi que le temps d’annotation pour l’expert. Ensuite\, nous développons un réseau basé sur une architecture multimodale qui prendrait en compte à la fois les images complètes et les caractéristiques morphologiques de la cellule\, extraites au préalable. Cette structure de modèle nous permet de quantifier le rôle de chaque caractéristique dans la prédiction\, et ainsi de comprendre les critères principaux de décision. Enfin\, nous élaborons une approche semi-supervisée\, où le modèle utilise des images d’annotées et non annotées. Les catégories de cellules sont représentées de manière hiérarchique\, témoignant de la différentiation du globule blanc. Cela présente le double avantage de donner plus de flexibilité au système d’annotation et de générer des représentations d’images plus versatiles\, qui peuvent ensuite être réutilisées pour différentes tâches. En denier lieu\, nous élargissons la perspective pour mettre en lumière comment les progrès récents de l’intelligence artificielle nous permettent d’envisager le patient sous un angle plus global. Nos contributions non seulement répondent à certains enjeux de généralisabilité\, d’interprétabilité et d’adaptabilité\, mais sont aussi prometteuses pour de futures recherches. Elles sont notamment pertinentes pour des problématiques actuelles de réduction de l’effet de batch dans les modèles de fondation\, d’amélioration de l’explicabilité des larges modèles multimodaux et d’introduction de connaissance biomédicale dans des modèles peu supervisés.\n\n\n\n\n\n\nSummary:\n\n\n\nThe study of a blood sample is performed through several different tests. Among them\, cytology analysis is the visual observation of blood cells under the microscope. The purpose of this step is to evaluate the respective proportion of different types of blood cells and to identify potential morphological anomalies. With the surge of computer vision\, the analysis of images can be automated; however\, algorithms are characterized by important limitations in terms of generalizability\, interpretability\, and adaptability. In other words\, the implementation of AI models in clinical practice is restricted by their lack of robustness across images taken under different conditions\, the difficulties they show when having to explain the reasons behind their predictions\, and their reduced performance in tasks for which they were not trained. The objective of this thesis is to develop a robust\, transparent\, and deployable AI system applied to hematology. Hence\, we first propose a simple color transform operation to normalize the style of images\, coupled with fine-tuning strategy. This method enhances model robustness across different datasets\, while preserving the visual aspect of the cells\, and remaining easy-to-apply and computationally affordable. Second\, we design a multimodal architecture that leverages both cell images and morphological features\, extracted beforehand. This network allows scoring the importance of each feature for model prediction\, which explains the main decision criteria. Third\, we explore reduced supervision setup\, by training the model with both labeled and unlabeled images. The categories of white blood cells are hierarchically organized to align with the differentiation of the cell and allow flexible annotation. The resulting image embeddings are more adaptable for various tasks and provide a better representation of cell biology. Finally\, we broaden the point of view to highlight how recent progress in AI paves the way for a more global understanding of the patient. Our contributions addressed not only some of the generalizability\, interpretability\, and adaptability issues but also satisfactorily apply to further research. In particular\, they could be relevant for current important topics such as the reduction of batch effect for foundation models\, the improvement of explainability in large multimodal models\, and the integration of biomedical knowledge in self-supervised models.
URL:https://www.limics.fr/event/soutenance-de-these-manon-chossegros/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250922T140000
DTEND;TZID=Europe/Paris:20250922T153000
DTSTAMP:20260614T054106
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
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250929T140000
DTEND;TZID=Europe/Paris:20251006T153000
DTSTAMP:20260614T054106
CREATED:20250929T074358Z
LAST-MODIFIED:20250929T074457Z
UID:1797-1759154400-1759764600@www.limics.fr
SUMMARY:Thomas Meyer : Symbolic AI in the era of LLMs
DESCRIPTION:Titre: Symbolic AI in the era of LLMs\n\nAbstract:\nRecent spectacular advances in Artificial Intelligence (AI) focus strongly on the sub-area of AI known as machine learning. In this talk\, I will remind participants that there are several other sub-disciplines of AI\, and that it is important for the field to maintain and grow expertise in all aspects of AI. I will then proceed to practise what I preach by introducing Symbolic AI as one of the pillars of AI. The talk will conclude with some suggestions on how Symbolic AI can benefit from research in machine learning\, and vice versa.\n\nBio-sketch:\nProfessor Thomas (Tommie) Meyer is a professor in Computer Science at UCT\, the NRF SARChI research chair in Symbolic Artificial Intelligence\, the co-director of the national Centre for Artificial Intelligence Research\, and one of only three South African Computer Scientists to have been awarded an A rating by the NRF. He is the (co-) author of more than 200 peer-reviewed research outputs and has overseen 7 postdoctoral fellowships\, and supervised 7 PhD students and 20 Master’s students to completion. He is currently supervising 6 PhD students and 9 Master’s students. He is an elected member of the Academy of Science of South Africa\, an elected fellow of the African Academy of Sciences\, and the recipient of the 2025 Pioneer Award of the South African Institute for Computer Scientists and Information Technologists.
URL:https://www.limics.fr/event/thomas-meyer-symbolic-ai-in-the-era-of-llms/
END:VEVENT
END:VCALENDAR