Cyprien Gilet
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Research Subjects
Cyprien Gilet has a total of 14 co-authors. Here are the top co-authors by number of shared publications:
- Sébastien Destercke
Université de Technologie de Compiègne
5 shared publications - Lionel Fillatre
Université Côte d’Azur, CNRS, I3S Laboratory, Sophia-Antipolis, France
3 shared publications - Benjamin Quost
UMR CNRS 7253 Heudiasyc, Université de technologie de Compiègne, Compiègne, France
2 shared publications - Susana Barbosa
Social Epidemiology, Mental Health, and Addiction Team (ESSMA), Sorbonne Public Health Institute, INSERM Sorbonne University Paris France
2 shared publications - Vu-Linh Nguyen
University of Technology of Compiègne
2 shared publications - Wenlong Chen
Université de Technologie de Compiègne, CNRS, Heudiasyc (Heuristics and Diagnosis of Complex Systems)
2 shared publications
Latest Publications
- 5 November 2026
- Published by Springer Nature
- p. 95-109
Uncertainty-Aware Discrete Bayesian Classification Under Bounded Input Perturbations
- 5 November 2026
- Published by Springer Nature
- p. 95-109
Uncertainty-Aware Discrete Bayesian Classification Under Bounded Input Perturbations
- 7 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Discrete minimax classifier for personalized diagnosis in medicine
Classifieur minimax discret pour l’aide au diagnostic médical dans la médecine personnalisée: L’apprentissage statistique supervisé devient de plus en plus prometteur pour l'aide au diagnostic dans le domaine de la médecine de précision. À partir du profil clinique ou biologique de chaque patient, ces méthodes peuvent par exemple aider les experts du domaine d'application à diagnostiquer le développement d'une maladie ou à prédire la réponse d'un traitement spécifique. De nos jours, les méthodes de classification supervisées deviennent de plus en plus performantes. Cependant, la plupart de ces méthodes souffrent lorsque les proportions par classes sont déséquilibrées et qu'elles évoluent au court du temps, ce qui se produit très souvent dans le domaine médical. Par exemple, pour de nombreuses maladies, les classes d'intérêts qui correspondent en général aux patients qui développent une maladie sont rares et donc très difficiles à diagnostiquer. De plus, la plupart de ces méthodes sont construites sur l'hypothèse que les futurs patients suivront la même distribution que celles observées dans la base d'apprentissage, ce qui n'est en général pas le cas dans le domaine médical. En effet, la proportion de patients développant une maladie peut évoluer au cours du temps, sans que l'on sache quand, ni comment, ni pourquoi. Et ceci peut ainsi augmenter le risque d'erreur de diagnostics pour de futurs patients. Ces difficultés de proportions par classe déséquilibrées et incertaines sont de plus en plus mises en avant dans le domaine de l'apprentissage statistique pour la santé, et le fait de considérer des classifieurs robustes face à ces difficultés devient nécessaire.Durant ma thèse, nous avons développé une nouvelle méthode de classification supervisée visant à adresser ces difficultés : un classifieur minimax discret. Notre méthode cherche également à faire face à d'autres difficultés qui apparaissent souvent dans le domaine médical : la présence de liens entre les variables descriptives et la présence de variables discrètes et continues. Dans le but de travailler plus facilement avec ce type de variables, nous choisissons de les discrétiser, ce qui nous permet de modéliser analytiquement le risque d'erreur de Bayes empirique sur le simplexe. Notre classifieur minimax est ensuite calibré à partir d'un algorithme de sous-gradient projeté cherchant les probabilités à priori qui maximisent ce risque de Bayes. Par construction, notre classifieur minimax tend à égaliser les risques d'erreurs par classe et devient donc robuste face aux évolutions de proportions au cours du temps. Nous avons ensuite amélioré notre algorithme dans le but de prendre en compte des contraintes indépendantes sur chaque proportion lorsque les experts du domaine d'application sont capables d'estimer des bornes indépendantes sur l'incertitude de chaque proportion par classe. Enfin, nous montrons que notre approche peut facilement être couplée à des arbres de décision ou à des réseaux de neurones convolutionnels pré-entrainés de sorte à ajuster ces classifieurs face aux problèmes de proportions par classe déséquilibrées et incertaines.Nos recherches se sont faites en collaboration proche avec l'Institut de Pharmacologie Moléculaire et Cellulaire (IPMC) et avec la société HalioDX. L'objectif de notre collaboration avec l'IPMC a été de développer un nouveau modèle afin de diagnostiquer la réponse au traitement pour certaines maladies psychiatriques telles que la schizophrénie. La société HalioDX est quant à elle spécialisée dans la recherche sur le cancer du côlon. Enfin, nous avons également commencé une nouvelle collaboration avec des docteurs du CHU de Nice dans la recherche concernant l'amélioration des diagnostics de la fibrose du foie. Toutes ces collaborations nous ont permis de construire notre algorithme en essayant de prendre en compte au mieux les difficultés qui apparaissent souvent dans le domaine médical.
- 7 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Discrete minimax classifier for personalized diagnosis in medicine
Classifieur minimax discret pour l’aide au diagnostic médical dans la médecine personnalisée: L’apprentissage statistique supervisé devient de plus en plus prometteur pour l'aide au diagnostic dans le domaine de la médecine de précision. À partir du profil clinique ou biologique de chaque patient, ces méthodes peuvent par exemple aider les experts du domaine d'application à diagnostiquer le développement d'une maladie ou à prédire la réponse d'un traitement spécifique. De nos jours, les méthodes de classification supervisées deviennent de plus en plus performantes. Cependant, la plupart de ces méthodes souffrent lorsque les proportions par classes sont déséquilibrées et qu'elles évoluent au court du temps, ce qui se produit très souvent dans le domaine médical. Par exemple, pour de nombreuses maladies, les classes d'intérêts qui correspondent en général aux patients qui développent une maladie sont rares et donc très difficiles à diagnostiquer. De plus, la plupart de ces méthodes sont construites sur l'hypothèse que les futurs patients suivront la même distribution que celles observées dans la base d'apprentissage, ce qui n'est en général pas le cas dans le domaine médical. En effet, la proportion de patients développant une maladie peut évoluer au cours du temps, sans que l'on sache quand, ni comment, ni pourquoi. Et ceci peut ainsi augmenter le risque d'erreur de diagnostics pour de futurs patients. Ces difficultés de proportions par classe déséquilibrées et incertaines sont de plus en plus mises en avant dans le domaine de l'apprentissage statistique pour la santé, et le fait de considérer des classifieurs robustes face à ces difficultés devient nécessaire.Durant ma thèse, nous avons développé une nouvelle méthode de classification supervisée visant à adresser ces difficultés : un classifieur minimax discret. Notre méthode cherche également à faire face à d'autres difficultés qui apparaissent souvent dans le domaine médical : la présence de liens entre les variables descriptives et la présence de variables discrètes et continues. Dans le but de travailler plus facilement avec ce type de variables, nous choisissons de les discrétiser, ce qui nous permet de modéliser analytiquement le risque d'erreur de Bayes empirique sur le simplexe. Notre classifieur minimax est ensuite calibré à partir d'un algorithme de sous-gradient projeté cherchant les probabilités à priori qui maximisent ce risque de Bayes. Par construction, notre classifieur minimax tend à égaliser les risques d'erreurs par classe et devient donc robuste face aux évolutions de proportions au cours du temps. Nous avons ensuite amélioré notre algorithme dans le but de prendre en compte des contraintes indépendantes sur chaque proportion lorsque les experts du domaine d'application sont capables d'estimer des bornes indépendantes sur l'incertitude de chaque proportion par classe. Enfin, nous montrons que notre approche peut facilement être couplée à des arbres de décision ou à des réseaux de neurones convolutionnels pré-entrainés de sorte à ajuster ces classifieurs face aux problèmes de proportions par classe déséquilibrées et incertaines.Nos recherches se sont faites en collaboration proche avec l'Institut de Pharmacologie Moléculaire et Cellulaire (IPMC) et avec la société HalioDX. L'objectif de notre collaboration avec l'IPMC a été de développer un nouveau modèle afin de diagnostiquer la réponse au traitement pour certaines maladies psychiatriques telles que la schizophrénie. La société HalioDX est quant à elle spécialisée dans la recherche sur le cancer du côlon. Enfin, nous avons également commencé une nouvelle collaboration avec des docteurs du CHU de Nice dans la recherche concernant l'amélioration des diagnostics de la fibrose du foie. Toutes ces collaborations nous ont permis de construire notre algorithme en essayant de prendre en compte au mieux les difficultés qui apparaissent souvent dans le domaine médical.
- 24 September 2025
- Published by Springer Nature
- p. 77-91
Discrete Minimax Probabilistic Classifier Chains for Multi-label Classification Under Label Imbalance
- 24 September 2025
- Published by Springer Nature
- p. 77-91
Discrete Minimax Probabilistic Classifier Chains for Multi-label Classification Under Label Imbalance
- 12 November 2024
- Published by Springer Nature
- p. 100-114
Robust Discrete Bayesian Classifier Under Covariate and Label Noise
- 12 November 2024
- Published by Springer Nature
- p. 100-114
Robust Discrete Bayesian Classifier Under Covariate and Label Noise
- 12 November 2024
- Published by Springer Nature
- p. 281-296
Discrete Minimax Binary Relevance Classifier for Imbalanced Multi-label Classification
- 12 November 2024
- Published by Springer Nature
- p. 281-296
Discrete Minimax Binary Relevance Classifier for Imbalanced Multi-label Classification
- 20 November 2023
- Published by Springer Nature in Machine Learning
- Vol. 113 (2) , 605-645
Softmin discrete minimax classifier for imbalanced classes and prior probability shifts
- 20 November 2023
- Published by Springer Nature in Machine Learning
- Vol. 113 (2) , 605-645
Softmin discrete minimax classifier for imbalanced classes and prior probability shifts
- 3 February 2021
- Published by Springer Nature
- p. 179-187
Anomaly Detection with Discrete Minimax Classifier for Imbalanced Dataset or Uncertain Class Proportions
- 3 February 2021
- Published by Springer Nature
- p. 179-187
Anomaly Detection with Discrete Minimax Classifier for Imbalanced Dataset or Uncertain Class Proportions
- 22 December 2020
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Pattern Analysis and Machine Intelligence
- Vol. 44 (6) , 2923-2937
Discrete Box-Constrained Minimax Classifier for Uncertain and Imbalanced Class Proportions
This paper aims to build a supervised classifier for dealing with imbalanced datasets, uncertain class proportions, dependencies between features, the presence of both numeric and categorical features, and arbitrary loss functions. The Bayes classifier suffers when prior probability shifts occur between the training and testing sets. A solution is to look for an equalizer decision rule whose class-conditional risks are equal. Such a classifier corresponds to a minimax classifier when it maximizes the Bayes risk. We develop a novel box-constrained minimax classifier which takes into account some constraints on the priors to control the risk maximization. We analyze the empirical Bayes risk with respect to the box-constrained priors for discrete inputs. We show that this risk is a concave non-differentiable multivariate piecewise affine function. A projected subgradient algorithm is derived to maximize this empirical Bayes risk over the box-constrained simplex. Its convergence is established and its speed is bounded. The optimization algorithm is scalable when the number of classes is large. The robustness of our classifier is studied on diverse databases. Our classifier, jointly applied with a clustering algorithm to process mixed attributes, tends to equalize the class-conditional risks while being not too pessimistic.
- 22 December 2020
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Pattern Analysis and Machine Intelligence
- Vol. 44 (6) , 2923-2937
Discrete Box-Constrained Minimax Classifier for Uncertain and Imbalanced Class Proportions
This paper aims to build a supervised classifier for dealing with imbalanced datasets, uncertain class proportions, dependencies between features, the presence of both numeric and categorical features, and arbitrary loss functions. The Bayes classifier suffers when prior probability shifts occur between the training and testing sets. A solution is to look for an equalizer decision rule whose class-conditional risks are equal. Such a classifier corresponds to a minimax classifier when it maximizes the Bayes risk. We develop a novel box-constrained minimax classifier which takes into account some constraints on the priors to control the risk maximization. We analyze the empirical Bayes risk with respect to the box-constrained priors for discrete inputs. We show that this risk is a concave non-differentiable multivariate piecewise affine function. A projected subgradient algorithm is derived to maximize this empirical Bayes risk over the box-constrained simplex. Its convergence is established and its speed is bounded. The optimization algorithm is scalable when the number of classes is large. The robustness of our classifier is studied on diverse databases. Our classifier, jointly applied with a clustering algorithm to process mixed attributes, tends to equalize the class-conditional risks while being not too pessimistic.
- Open Access
Discrete Box-Constrained Minimax Classifier for Uncertain and Imbalanced Class Proportions
The goal of this paper is to build a supervised classifier addressing the following difficulties which commonly appear in safety-critical applications: imbalanced datasets, uncertain class proportions, dependencies between some features, presence of both numeric and categorical features, and arbitrary loss functions provided by experts. Many works have shown that discretizing the numeric features is relevant for dealing with mixed attributes. Thus, we develop a novel minimax classifier algorithm, designed for processing discrete or discretized features, which addresses all the previously mentioned issues. The usual minimax criterion derives from the computation of the class proportions which maximize the empirical Bayes risk over the probabilistic simplex. However, it can be potentially too pessimistic when the least favorable priors appear unrealistic or its risk of error becomes too high. In this case, under the assumption that the experts are able to provide independent bounds on some class proportions, our approach takes into account these constraints to decrease the risk of error. The resulting box-constrained minimax classifier appears as a trade-off between the discrete Bayes classifier and the usual minimax classifier.
Open AccessDiscrete Box-Constrained Minimax Classifier for Uncertain and Imbalanced Class Proportions
The goal of this paper is to build a supervised classifier addressing the following difficulties which commonly appear in safety-critical applications: imbalanced datasets, uncertain class proportions, dependencies between some features, presence of both numeric and categorical features, and arbitrary loss functions provided by experts. Many works have shown that discretizing the numeric features is relevant for dealing with mixed attributes. Thus, we develop a novel minimax classifier algorithm, designed for processing discrete or discretized features, which addresses all the previously mentioned issues. The usual minimax criterion derives from the computation of the class proportions which maximize the empirical Bayes risk over the probabilistic simplex. However, it can be potentially too pessimistic when the least favorable priors appear unrealistic or its risk of error becomes too high. In this case, under the assumption that the experts are able to provide independent bounds on some class proportions, our approach takes into account these constraints to decrease the risk of error. The resulting box-constrained minimax classifier appears as a trade-off between the discrete Bayes classifier and the usual minimax classifier.
- Open Access
Clustering with feature selection using alternating minimization, Application to computational biology
This paper deals with unsupervised clustering with feature selection. The problem is to estimate both labels and a sparse projection matrix of weights. To address this combinatorial non-convex problem maintaining a strict control on the sparsity of the matrix of weights, we propose an alternating minimization of the Frobenius norm criterion. We provide a new efficient algorithm named K-sparse which alternates k-means with projection-gradient minimization. The projection-gradient step is a method of splitting type, with exact projection on the $\ell^1$ ball to promote sparsity. The convergence of the gradient-projection step is addressed, and a preliminary analysis of the alternating minimization is made. The Frobenius norm criterion converges as the number of iterates in Algorithm K-sparse goes to infinity. Experiments on Single Cell RNA sequencing datasets show that our method significantly improves the results of PCA k-means, spectral clustering, SIMLR, and Sparcl methods, and achieves a relevant selection of genes. The complexity of K-sparse is linear in the number of samples (cells), so that the method scales up to large datasets.Open AccessClustering with feature selection using alternating minimization, Application to computational biology
This paper deals with unsupervised clustering with feature selection. The problem is to estimate both labels and a sparse projection matrix of weights. To address this combinatorial non-convex problem maintaining a strict control on the sparsity of the matrix of weights, we propose an alternating minimization of the Frobenius norm criterion. We provide a new efficient algorithm named K-sparse which alternates k-means with projection-gradient minimization. The projection-gradient step is a method of splitting type, with exact projection on the $\ell^1$ ball to promote sparsity. The convergence of the gradient-projection step is addressed, and a preliminary analysis of the alternating minimization is made. The Frobenius norm criterion converges as the number of iterates in Algorithm K-sparse goes to infinity. Experiments on Single Cell RNA sequencing datasets show that our method significantly improves the results of PCA k-means, spectral clustering, SIMLR, and Sparcl methods, and achieves a relevant selection of genes. The complexity of K-sparse is linear in the number of samples (cells), so that the method scales up to large datasets.