Arthur Leroy, Chercheur en apprentissage statistique

INRAE UMR 1313 Génétique Animale et Biologie Intégrative
Domaine de Vilvert, Bat 211, 78352 Jouy en Josas
Email : arthur.leroy(at)inrae.fr

https://orcid.org/0000-0003-0806-8934
https://www.researchgate.net/profile/Arthur-Leroy
https://cv.hal.science/arthur-leroy

Equipe :  Génomique, Biodiversité, Bioinformatique, Statistique (GiBBS)

Après des études de mathématique et de statistique, il effectue sa thèse (2017-2020) à l'Université Paris Cité en collaboration avec la Fédération Française de Natation. Durant son doctorat, il a travaillé à la détection des jeunes sportifs pour le haut niveau et la prédiction du potentiel. Il s'est particulièrement intéressé à la modélisation de données fonctionnelles et des phénomènes continus, tels que l'évolution de la performance au cours du temps. Dans ce cadre, il s'est spécialisé dans l'étude de l'apprentissage par processus Gaussiens, un algorithme probabiliste pour lequel il introduit un nouveau paradigme multi-tâches. Cette approche permet de modéliser et prédire conjointement un grand nombre de données fonctionnelles issues de sources diverses, offrant de bien meilleures performances d'extrapolation que l'algorithme d'origine, tout en préservant la quantification d'incertitude associée.

Au cours de son parcours post-doctoral au Royaume-Uni, il rejoindra en tant que Research Associate dans le Department of Computer Science de l’université de Sheffield, puis de l’université de Manchester. Il y prolongera ses développements méthodologiques autour des processus Gaussiens tout en proposant une implémentation dédiée complète et accessible, permettant une utilisation dans de multiples domaines. A travers diverses collaborations internationales (Royaume-Uni, Singapour, Belgique, Suisse), il appliquera ainsi ses algorithmes à de nouveaux domaines tels que l'épidémiologie ou la génomique, par exemple pour le suivi de l'IMC et la prédiction de surpoids infantile, ou l'évolution de la méthylation de l'ADN au cours du temps. 

Motivé par les thématiques biologiques et déterminé à faire un usage du machine learning au service du vivant, plutôt que d'applications technocentrées parfois éloignées des enjeux environnementaux du monde à venir, il rejoint INRAE avec enthousiasme pour y poursuivre ce but.