Résultats de recherche

Abstract In recent decades, the volume of data generated worldwide has grown exponentially, significantly accelerating advancements in machine learning. This explosion of data has led to an increased need for effective data exploration techniques, giving rise to a specialized field known as dimensionality reduction. Dimensionality reduction methods are used to transform high-dimensional data into a low-dimensional space (typically 2D or 3D), so that it can be easily visualized and understood by humans. Algorithms such as Principal Component Analysis (PCA), Multidimensional Scaling (MDS), and t-distributed Stochastic Neighbor Embedding (t-SNE) have become essential tools for visualizing complex datasets. These techniques play a critical role in exploratory data analysis and in interpreting complex models like Convolutional Neural Networks (CNNs). Despite their widespread adoption, dimensionality reduction techniques, particularly non-linear ones, often lack interpretability. This opacity makes it difficult for users to understand the meaning of the visualizations or the rationale behind specific low-dimensional representations. In contrast, the field of supervised machine learning has seen significant progress in explainable AI (XAI), which aims to clarify model decisions, especially in high-stakes scenarios. While many post-hoc explanation tools have been developed to interpret the outputs of supervised models, there is still a notable gap in methods for explaining the results of dimensionality reduction techniques. This research investigates how post-hoc explanation techniques can be integrated into dimensionality reduction algorithms to improve user understanding of the resulting visualizations. Specifically, it explores how interpretability methods originally developed for supervised learning can be adapted to explain the behavior of non-linear dimensionality reduction algorithms. Additionally, this work examines whether the integration of post-hoc explanations can enhance the overall effectiveness of data exploration. As these tools are intended for end-users, we also design and evaluate an interactive system that incorporates explanatory mechanisms. We argue that combining interpretability with interactivity significantly improves users' understanding of embeddings produced by non-linear dimensionality reduction techniques. In this research, we propose enhancements to an existing post-hoc explanation method that adapts LIME for t-SNE. We introduce a globally-local framework for fast and scalable explanations of t-SNE embeddings. Furthermore, we present a completely new approach that adapts saliency map-based explanations to locally interpret non-linear dimensionality reduction results. Lastly, we introduce our interactive tool, Insight-SNE, which integrates our gradient-based explanation method and enables users to explore low-dimensional embeddings through direct interaction with the explanations. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Benoit Frénay - University of Namur, BelgiumProf. Bruno Dumas - University of Namur, BelgiumProf. John Lee - University of Louvain, BelgiumProf. Luis Galarraga - University of Rennes, France

C’est une belle reconnaissance pour l’excellence de la recherche menée à l’Université de Namur : la faculté d’informatique a été sollicitée pour rejoindre le prestigieux réseau Informatics Europe, qui rassemble les départements et facultés d’informatique les plus dynamiques à travers l’Europe.

Souvent détecté trop tard, le cancer du pancréas est l’un des plus agressifs, avec moins de 10 % de survie à cinq ans. À l’Université de Namur, une équipe de chercheurs s’attaque à cette pathologie en étudiant les premiers changements cellulaires liés à la maladie. Objectifs : ouvrir la voie à un dépistage précoce et à de nouvelles pistes thérapeutiques.

Les formations à destination des maîtres de stage s’adressent aux médecins généralistes qui accueillent des étudiant·es dans le cadre du master en médecine générale. Cet espace vise à outiller et accompagner les médecins généralistes dans leur rôle de formateur·rice auprès des étudiant·es du master en médecine générale, tout en favorisant le partage d’expériences entre pairs.FormatriceFlorence PourtoisPublic cibleMédecins généralistes accueillant des étudiant·es en stageObjectifsDévelopper les compétences pédagogiques liées à la supervision clinique et à l’accompagnement réflexifFavoriser des échanges constructifs entre praticiens autour du rôle de maître de stageSoutenir l’intégration progressive des étudiant·es dans la pratique professionnelleConsolider le partenariat entre la faculté et le terrainPourquoi participer ?Parce que former les futur·es médecins généralistes est une mission essentielle et gratifiante. Parce qu’acquérir des outils pédagogiques concrets facilite le rôle de maître de stage. Et parce que c’est l’occasion d’échanger avec d’autres collègues confrontés aux mêmes défis.Participation via une inscription sur le site : http://www.mgformations.be/Accréditation INAMI demandéPour tout renseignement complémentaire : capmg@unamur.be

Art du doute fécond, l’esprit critique s’apprend et s’entretient. Face à la surcharge d’information et au déploiement de l’intelligence artificielle, il est plus que jamais nécessaire pour les étudiants de développer cette faculté tout au long de leur cursus. À l’UNamur, cette nécessité pédagogique se veut protéiforme. 

Charlotte Beaudart, chargée de cours au Département des sciences biomédicales de la Faculté de médecine, a obtenu le Mandat Start-Up Collen-Francqui ! Une distinction prestigieuse décernée par la Fondation Francqui pour soutenir les jeunes chercheurs prometteurs dans le développement de leur programme de recherche.

Une initiative innovante au cœur de la première ligne de soins en Belgique francophone  Dans une volonté de rapprocher le monde académique des réalités du terrain, nous avons le plaisir de vous inviter à rejoindre à notre seconde rencontre du Medical Journal Club en soins primaires. Lieu et fréquence des rencontresQuai 22 – UNamur 2x/an  Qu’est-ce que c’est ? Un espace de rencontre et d’échange entre médecins généralistes, pharmaciens et étudiants autour de la littérature scientifique en lien avec les soins primaires.Objectifs du Journal Club  Partager et discuter d’articles scientifiques pertinents pour la pratique de première ligne dans un climat convivial et bienveillant. Renforcer les compétences en lecture critique et en médecine fondée sur les preuves Créer un lien durable entre le terrain et le monde académique Fédérer une communauté médico-pharmaceutique active et engagéePublic cibleMédecins généralistes (en activité ou en formation) Pharmaciens Étudiants en médecine, sciences biomédicales et en pharmacie Pourquoi participer ? Parce que la science évolue vite, et que nous gagnons tous à prendre le temps de lire, comprendre, et questionner la littérature ensemble. Parce que le soin de qualité commence par une réflexion partagée. Et parce que c’est l’occasion idéale de renforcer les ponts entre disciplines. Intéressé·e ? Des questions ? Envie de proposer un article ? Contactez-nous à : capmg@unamur.beInscriptions (gratuit)Accréditation  INAMI demandée Je m'inscris

Abstract Deep learning has become an extremely important technology in numerous domains such as computer vision, natural language processing, and autonomous systems. As neural networks grow in size and complexity to meet the demands of these applications, the cost of designing and training efficient models continues to rise in computation and energy consumption. Neural Architecture Search (NAS) has emerged as a promising solution to automate the design of performant neural networks. However, conventional NAS methods often require evaluating thousands of architectures, making them extremely resource-intensive and environmentally costly.This thesis introduces a novel, energy-aware NAS pipeline that operates at the intersection of Software Engineering and Machine Learning. We present CNNGen, a domain-specific generator for convolutional architectures, combined with performance and energy predictors to drastically reduce the number of architectures that need full training. These predictors are integrated into a multi-objective genetic algorithm (NSGA-II), enabling an efficient search for architectures that balance accuracy and energy consumption.Our approach explores a variety of prediction strategies, including sequence-based models, image-based representations, and deep metric learning, to estimate model quality from partial or symbolic representations. We validate our framework across three benchmark datasets, CIFAR-10, CIFAR-100, and Fashion-MNIST, demonstrating that it can produce results comparable to state-of-the-art architectures with significantly lower computational cost. By reducing the environmental footprint of NAS while maintaining high performance, this work contributes to the growing field of Green AI and highlights the value of predictive modelling in scalable and sustainable deep learning workflows. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Gilles Perrouin - University of Namur, BelgiumProf. Benoit Frénay - University of Namur, BelgiumProf. Pierre-Yves Schobbens - University of Namur, BelgiumProf. Clément Quinton - University of Lille, FranceProf. Paul Temple- University of Rennes, FranceProf. Schin’ichi Satoh - National Institute of Informatics, Japon

La Faculté de médecine est pourvue de plusieurs entités de recherche transversales qui s'appuient également sur la collaboration avec le CHU UCL Godinne au sein de l'Institut de recherche Namur Institute for Life Sciences (Narilis).