Xingyu Li
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2026
À la croisée de l’apprentissage profond, de la vision par ordinateur et de l’exploration de données, les travaux de Xingyu Li portent sur la conception de systèmes intelligents sûrs et fiables dans des environnements en constante évolution. Dans ses recherches, Xingyu Li examine la manière dont un système d’apprentissage peut reconnaître les limites de ses propres connaissances et éviter de commettre des erreurs en se montrant trop sûr de lui dans des situations nouvelles. Elle élabore des méthodes d’apprentissage permettant aux modèles de percevoir leur environnement, mais aussi de détecter des situations inédites afin de transmettre des alertes et d’ajuster leur comportement en temps réel. Ses travaux contribuent à assurer une mise en œuvre sécuritaire de l’IA dans des situations concrètes comme la détection d’anomalies, l’imagerie médicale, la conduite de véhicules autonomes et l’IA incarnée. Au-delà de ses contributions théoriques à l’apprentissage automatique, elle aspire à transposer les avancées de l’IA en innovations à fort impact dans le domaine de la santé.
Prix
- Prix de recherche en début de carrière, Faculté d’ingénierie, Université de l’Alberta (2025)
- Deuxième prix du meilleur article reproductible, atelier MICCAI sur la simulation et la synthèse en imagerie médicale (SASHIMI) (2023)
- Membre affiliée du programme de troisième cycle de Vecteur, Institut Vecteur (2019)
- Plusieurs classements dans les trois premières places lors de compétitions ou de défis internationaux (RoboSense 2025, VAND 2024, MOOD 2021, AutoImplant 2021, etc.)
Publications Pertinentes
- Deng, H. et Li, X. (2022), « Anomaly Detection via Reverse Distillation from One-Class Embedding », Proceedings of the IEEE conference on computer vision and pattern recognition.
- Hou, P., Han, J. et Li, X. (2023), « Improving Adversarial Robustness with Self-Paced Hard-Class Pair Reweighting », Proc. AAAI Conference on Artificial Intelligence (AAAI), p. 14883-14891.
- Martell, M., Haven, N., McAlister, E., Restall, B., Cikaluk, B., Mittal, R., Adam, B., Giannakopoulos, N., Peiris, L., Silverman, S., Deschenes, J., Li, X. et Zemp, R. (2023), « Deep learning-enabled realistic virtual histology with ultraviolet photoacoustic remote sensing microscopy », Nature Communications, no 5967.
- Ou, Y., Soleymani, A., Li. X et Tavakoli, M. (2024), « Autonomous Blood Suction for Robot-Assisted Surgery: A Sim-to-Real Approach Using Reinforcement Learning », IEEE Robotics and Automation Letters (RAL), vol. 9, no 8, p. 7246-7253.
- Li, S., Ma, L. et Li, X. (2024), « Domain Generalization of 3D Object Detection by Density-Resampling », European Conference on Computer Vision (ECCV), p. 456-473.