Gulshan Sihag

Gulshan Sihag

Auto-generated profile, based on publicly available information

Gulshan Sihag

UPHF, CNRS, UMR 8201 - LAMIH

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
30 April 2024 in Expert Systems with Applications
Verified
Journal Article
Open access
GSGulshan Sihag
Gulshan Sihag
VDVéronique Delcroix
Véronique Delcroix
ESEmmanuelle Grislin-Le Strugeon
Emmanuelle Grislin-Le Strugeon
XSXavier Siebert
Xavier Siebert
SPSylvain Piechowiak
Sylvain Piechowiak
FPFrançois Puisieux
François Puisieux
Building a prediction model based on both real data and expert knowledge can be challenging. We experienced this difficulty in our context of predicting fall risk factors in the elderly, where two sources of data were available: hand-reported information from medical consultations and expert information from human specialists. As is often the case, the real data were incomplete and imbalanced, and the participation of medical experts required the selection of a kind of model they can understand. This article describes the steps followed in the construction and evaluation of the model, structured as a new framework. The proposed model is a Bayesian network (BN) built from expert knowledge and learning from a real data set, guided by both the understandability of the BN graph and the performance of the model to predict risk factors. The resulting Bayesian network model includes 90 variables to evaluate 10 actionable target risk factors. It demonstrated its potential compared to other classifiers in terms of prediction performance, whilst offering a higher degree of interpretability.

23 February 2025 in arXiv
Verified
Preprint
Open access
PDF file
PYPankaj Yadav
Pankaj Yadav
GSGulshan Sihag
Gulshan Sihag
VVVivek Vijay
Vivek Vijay
Machine learning algorithms are used in diverse domains, many of which face significant challenges due to data imbalance. Studies have explored various approaches to address the issue, like data preprocessing, cost-sensitive learning, and ensemble methods. Generative Adversarial Networks (GANs) showed immense potential as a data preprocessing technique that generates good quality synthetic data. This study employs a systematic mapping methodology to analyze 3041 papers on GAN-based sampling techniques for imbalanced data sourced from four digital libraries. A filtering process identified 100 key studies spanning domains such as healthcare, finance, and cybersecurity. Through comprehensive quantitative analysis, this research introduces three categorization mappings as application domains, GAN techniques, and GAN variants used to handle the imbalanced nature of the data. GAN-based over-sampling emerges as an effective preprocessing method. Advanced architectures and tailored frameworks helped GANs to improve further in the case of data imbalance. GAN variants like vanilla GAN, CTGAN, and CGAN show great adaptability in structured imbalanced data cases. Interest in GANs for imbalanced data has grown tremendously, touching a peak in recent years, with journals and conferences playing crucial roles in transmitting foundational theories and practical applications. While with these advances, none of the reviewed studies explicitly explore hybridized GAN frameworks with diffusion models or reinforcement learning techniques. This gap leads to a future research idea develop innovative approaches for effectively handling data imbalance.

7 April 2026
Verified
Thesis
Closed access
GSGulshan Sihag
Gulshan Sihag
Evaluation des facteurs de risque de chute chez les personnes âgées à l'aide de réseaux bayésiens basés sur un ensemble de données réelles: Les chutes constituent un problème important pour les personnes âgées, et l'identification et l'évaluation des facteurs de risque sont essentielles pour réduire les taux de chute. Cependant, la prévention des chutes nécessite une approche pédagogique et répétée, du temps et de l'expertise pour cibler avec précision les facteurs de risque exploitables. Cette thèse vise à évaluer les facteurs de risque de chute en utilisant un ensemble de données réelles et des réseaux bayésiens.L'utilisation de données réelles pose des défis, en particulier en ce qui concerne le prétraitement des données, qui prend du temps et nécessite de l'expertise. De plus, une application basée sur l'IA soulève de nouveaux défis tels que la confiance, qui dépend de l'interprétabilité et de l'explicabilité des résultats.Pour relever ces défis, cette thèse propose un modèle de connaissance (réseaux bayésiens) qui évalue automatiquement les principaux facteurs de risque pouvant faire l'objet d'une action. Le modèle est entraîné sur un ensemble de données réelles combinées à des connaissances d'experts. Deux itérations des étapes de prétraitement des données sont présentées et expliquées, y compris l'imputation des valeurs manquantes, la sélection des variables et l'utilisation de techniques d'équilibrage pour les données déséquilibrées. La première itération n'incluait que les principales variables pour valider la faisabilité du processus, et la seconde itération incluait autant de variables que possible pour améliorer la prédiction et le processus.Le modèle est comparé à d'autres classificateurs bien connus par le biais de différentes mesures, y compris l'observation totale ou partielle, et l'utilisation ou non de méthodes d'équilibrage pour gérer la question délicate des données déséquilibrées. Un réseau bayésien est présenté comme une bonne solution, combinant la qualité des résultats pour évaluer les facteurs de risque et l'interprétabilité/explicabilité du modèle du point de vue de l'expert.Les résultats montrent que prédire la présence ou l'absence de facteurs de risque de chute est une tâche difficile. Alors que les réseaux bayésiens et d'autres classificateurs ont des performances équivalentes en termes de mesures telles que la précision équilibrée et le score f1, l'intérêt des réseaux bayésiens réside dans leur interprétabilité et la possibilité d'utiliser des observations partielles.En résumé, cette thèse présente une contribution à une application pour la prévention des chutes qui facilite l'évaluation automatique des facteurs de risque à partir d'observations partielles du patient, en utilisant un ensemble de données réelles et des réseaux bayésiens. Le modèle de connaissance proposé (réseaux bayésiens) répond aux défis de l'utilisation de données réelles et des applications basées sur l'IA, respectivement.


27 January 2025 in arXiv
Verified
Preprint
Open access
PDF file
PYPankaj Yadav
Pankaj Yadav
VVVivek Vijay
Vivek Vijay
GSGulshan Sihag
Gulshan Sihag
In this article, we propose a novel oversampling algorithm to increase the number of instances of minority class in an imbalanced dataset. We select two instances, Proxima and Orion, from the set of all minority class instances, based on a combination of relative distance weights and density estimation of majority class instances. Furthermore, the q-Gaussian distribution is used as a weighting mechanism to produce new synthetic instances to improve the representation and diversity. We conduct a comprehensive experiment on 42 datasets extracted from KEEL software and eight datasets from the UCI ML repository to evaluate the usefulness of the proposed (PO-QG) algorithm. Wilcoxon signed-rank test is used to compare the proposed algorithm with five other existing algorithms. The test results show that the proposed technique improves the overall classification performance. We also demonstrate the PO-QG algorithm to a dataset of Indian patients with sarcopenia.