Judith Le Roy

Explicabilité et IA de confiance
M2 Mathématiques & IA | Université Paris-Saclay | Stage LIP6

Judith Le Roy

(elle/she)

Email | LinkedIn | GitHub | CV


Profil

Étudiante en M2 Mathématiques & IA à l’Université Paris-Saclay, je travaille sur l’explicabilité des systèmes d’IA (XAI) avec un intérêt particulier pour les méthodes d’audit inter-modèles, la robustesse, et les garanties formelles applicables aux systèmes critiques. Je cherche à poursuivre en thèse à partir d’octobre 2026 sur ces questions, dans un environnement de recherche appliquée à fort enjeu d’intérêt général (santé, éducation, IA de confiance, recherche publique).


Recherche actuelle

Stage M2 — Explicabilité Inter-Modèles pour l’IA Éducative

LIP6, Sorbonne Université | Avril – Septembre 2026
Encadrement : Marie-Jeanne Lesot (LFI) et Sébastien Lallé (MOCAH)

Développement de méthodes XAI model-agnostic pour analyser les disparités entre modèles d’IA prédisant le même phénomène (réseaux Bayésiens vs. réseaux de neurones profonds). Application au student modeling en AIED.

Contributions visées :


Projets de recherche antérieurs

Stage M1 — Framework HMM pour ADN ancien dégradé

LISN, Université Paris-Saclay | 2025

Face aux limitations des outils existants (Admixfrog, DAISEG), conception d’une pipeline de génération de datasets synthétiques avec paramètres de dégradation contrôlés. Framework permettant la validation robuste d’algorithmes probabilistes sur données génomiques bruitées — un travail directement transposable aux enjeux d’évaluation et de certification de modèles ML en contexte adverse.

Code GitHub


Formation

M2 Mathématiques & Intelligence Artificielle (2025-26)
Université Paris-Saclay
Cours : Probabilistic Generative Models, Sequential Learning, Aspects théoriques du Deep Learning

M1 Mathématiques & IA (2024-25)
Université Paris-Saclay | Mention Assez Bien
Spécialisation : apprentissage supervisé/non-supervisé, deep learning, optimisation

CPGE B/L (2019-22)
Lycée Janson de Sailly | Lycée Henri IV
16/20 au concours ENS en mathématiques


Axes de recherche


Compétences techniques

Machine Learning & XAI
PyTorch, Scikit-learn, modèles Bayésiens, HMM, Transformers, méthodes XAI (SHAP, LIME, méthodes par prototypes)

Programmation & Outils
Python (avancé), R, SQL, Git/GitHub, LaTeX, calcul distribué (Slurm)

Mathématiques
Probabilités avancées, optimisation, traitement du signal, statistiques inférentielles


Publications & Communications

(Section en préparation — Stage M2 en cours)