GraFlag est un framework open source conçu pour orchestrer des expériences de détection d'anomalies dans les graphes (GAD). Il permet de déployer, exécuter et évaluer des méthodes d'apprentissage automatique sur des clusters Docker Swarm, en utilisant un stockage partagé pour les données et les résultats. L'outil facilite la comparaison de performances entre différentes approches et assure la reproductibilité des expériences.

Ce projet étudie la reproductibilité des quantifications métaboliques en spectroscopie par résonance magnétique in vivo. Il évalue la variabilité des résultats entre deux logiciels (LCModel et cQUEST), entre différents jeux de paramètres pour chaque logiciel, et entre plusieurs exécutions. Les données, acquises sur des cerveaux de rats, sont analysées via des métriques de Bland-Altman pour identifier les sources de variations et améliorer la robustesse des analyses.

Projet de recherche visant à améliorer l'évaluation des algorithmes d'estimation de pose 6D en vision par ordinateur. Il propose un benchmark standardisé pour comparer les performances des méthodes existantes face à des ambiguïtés visuelles. Les résultats sont publiés sous forme de tableaux et métriques accessibles via une interface web dédiée, facilitant la transparence et la reproductibilité des évaluations.

Le projet scantru est un dépôt de code source contenant des traces EM utilisées dans une évaluation de la sécurité de NTRU contre les attaques SCA. Il a pour but d'assurer la reproductibilité des résultats de recherche et d'encourager l'expérimentation de techniques SCA sur ces données.

Ce projet académique vise à étudier et quantifier la variabilité des résultats obtenus par différents pipelines logiciels utilisés en neuroimagerie fonctionnelle. Il propose une méthodologie pour évaluer la robustesse et la reproductibilité des analyses d'images cérébrales IRMf, en comparant des configurations logicielles variées sur des données standardisées. Les résultats permettent d'identifier les sources de variabilité et d'améliorer les pratiques en imagerie cérébrale.

Ce projet évalue l'impact du prétraitement d'images médicales sur la reproductibilité des résultats de segmentation tumorale par intelligence artificielle. Il compare différentes versions de pipelines de prétraitement (BRATS) et des modèles d'inférence (nnU-Net) pour quantifier les variabilités introduites. Les expériences analysent également l'influence des changements d'environnement (système d'exploitation, infrastructure) et visent à améliorer la stabilité des algorithmes pour une utilisation clinique fiable.