Portrait de Vladimir Makarenkov

Vladimir Makarenkov

Membre affilié
Professeur titulaire, UQAM, Département d'informatique
Sujets de recherche
Apprentissage automatique médical
Apprentissage profond
Biologie computationnelle
Regroupement (Clustering)
Site web
Google Scholar

Biographie

Vladimir Makarenkov est professeur titulaire et directeur du programme de diplôme d'études supérieures spécialisées (DESS) en bio-informatique à l’Université du Québec à Montréal (UQAM). Il est titulaire d’une maîtrise en mathématiques appliquées de l'Université d'État Lomonossov de Moscou et d’un doctorat en informatique et mathématiques de l’École des hautes études en sciences sociales (EHESS). Avant de se joindre au Département d’informatique de l’UQAM, il a fait un stage postdoctoral de trois ans au Laboratoire d’écologie numérique de l’Université de Montréal, dirigé par Pierre Legendre. Vladimir Makarenkov a publié 80 articles de revue et 67 articles de conférence. Il a également reçu les prestigieux prix Simon-Régnier et Chikio-Hayashi de l’International Federation of Classification Societies (IFCS).

Ses recherches portent sur l'intelligence artificielle, la bio-informatique et l'exploration de données. Elles incluent la conception et le développement de nouvelles méthodes d'apprentissage automatique non supervisées et supervisées, de même que l’utilisation de méthodes d’apprentissage automatique, dont le regroupement des données et l’apprentissage profond, pour l’analyse des données biologiques et biomédicales.

Ses recherches actuelles portent également sur le développement d’un système de recommandation automatisé basé sur l’apprentissage profond et servant à recommander le meilleur algorithme de clustering pour un jeu de données fourni en entrée, sur le développement d’un modèle d’apprentissage automatique générique servant à définir la notion de cluster, ainsi que sur la comparaison de différentes approches d’autoencodage et de différents algorithmes en vue d’obtenir un meilleur regroupement de données.

Publications

BayTTA: Uncertainty-aware medical image classification with optimized test-time augmentation using Bayesian model averaging
Zeinab Sherkatghanad
Moloud Abdar
Mohammadreza Bakhtyari
Vladimir Makarenkov
Test-time augmentation (TTA) is a well-known technique employed during the testing phase of computer vision tasks. It involves aggregating m… (voir plus)ultiple augmented versions of input data. Combining predictions using a simple average formulation is a common and straightforward approach after performing TTA. This paper introduces a novel framework for optimizing TTA, called BayTTA (Bayesian-based TTA), which is based on Bayesian Model Averaging (BMA). First, we generate a model list associated with different variations of the input data created through TTA. Then, we use BMA to combine model predictions weighted by their respective posterior probabilities. Such an approach allows one to take into account model uncertainty, and thus to enhance the predictive performance of the related machine learning or deep learning model. We evaluate the performance of BayTTA on various public data, including three medical image datasets comprising skin cancer, breast cancer, and chest X-ray images and two well-known gene editing datasets, CRISPOR and GUIDE-seq. Our experimental results indicate that BayTTA can be effectively integrated into state-of-the-art deep learning models used in medical image analysis as well as into some popular pre-trained CNN models such as VGG-16, MobileNetV2, DenseNet201, ResNet152V2, and InceptionRes-NetV2, leading to the enhancement in their accuracy and robustness performance.
2024-06-25
ArXiv (prépublication)
doi.org
arxiv.org
A self-attention-based CNN-Bi-LSTM model for accurate state-of-charge estimation of lithium-ion batteries
Zeinab Sherkatghanad
Amin Ghazanfari
Vladimir Makarenkov
2024-05-01
Journal of Energy Storage (publié)
doi.org
A self-attention-based CNN-Bi-LSTM model for accurate state-of-charge estimation of lithium-ion batteries
Zeinab Sherkatghanad
Amin Ghazanfari
Vladimir Makarenkov
2024-05-01
Journal of Energy Storage (publié)
doi.org
A self-attention-based CNN-Bi-LSTM model for accurate state-of-charge estimation of lithium-ion batteries
Zeinab Sherkatghanad
Amin Ghazanfari
Vladimir Makarenkov
2024-05-01
Journal of Energy Storage (publié)
doi.org
A self-attention-based CNN-Bi-LSTM model for accurate state-of-charge estimation of lithium-ion batteries
Zeinab Sherkatghanad
Amin Ghazanfari
Vladimir Makarenkov
2024-05-01
Journal of Energy Storage (publié)
doi.org
Assessing the emergence time of SARS-CoV-2 zoonotic spillover
Stéphane Samson
Étienne Lord
Vladimir Makarenkov
2024-04-04
PLoS ONE (publié)
doi.org
Inertia-Based Indices to Determine the Number of Clusters in K-Means: An Experimental Evaluation
Andrei Rykov
Renato Cordeiro De Amorim
Vladimir Makarenkov
Boris Mirkin
This paper gives an experimentally supported review and comparison of several indices based on the conventional K-means inertia criterion fo… (voir plus)r determining the number of clusters,
2024-01-01
IEEE Access (publié)
doi.org
Inertia-Based Indices to Determine the Number of Clusters in K-Means: An Experimental Evaluation
Andrei Rykov
Renato Cordeiro De Amorim
Vladimir Makarenkov
Boris Mirkin
This paper gives an experimentally supported review and comparison of several indices based on the conventional K-means inertia criterion fo… (voir plus)r determining the number of clusters,
2024-01-01
IEEE Access (publié)
doi.org
Inertia-Based Indices to Determine the Number of Clusters in K-Means: An Experimental Evaluation
Andrei Rykov
Renato Cordeiro De Amorim
Vladimir Makarenkov
Boris Mirkin
This paper gives an experimentally supported review and comparison of several indices based on the conventional K-means inertia criterion fo… (voir plus)r determining the number of clusters,
2024-01-01
IEEE Access (publié)
doi.org
Inertia-Based Indices to Determine the Number of Clusters in K-Means: An Experimental Evaluation
Andrei Rykov
Renato Cordeiro De Amorim
Vladimir Makarenkov
Boris Mirkin
This paper gives an experimentally supported review and comparison of several indices based on the conventional K-means inertia criterion fo… (voir plus)r determining the number of clusters,
2024-01-01
IEEE Access (publié)
doi.org
Cache-Efficient Dynamic Programming MDP Solver
Jaël Champagne Gareau
Guillaume Gosset
Éric Beaudry
Vladimir Makarenkov
2023-01-01
European Conference on Artificial Intelligence (publié)
doi.org
Inferring multiple consensus trees and supertrees using clustering: a review
Vladimir Makarenkov
Gayane S. Barseghyan
Nadia Tahiri
2023-01-01
ArXiv (prépublication)
doi.org
arxiv.org