Le CRIL en bref
Le Centre de Recherche en Informatique de Lens (CRIL UMR 8188) est un laboratoire de l’Université d’Artois et du CNRS dont la thématique de recherche fédératrice concerne l'intelligence artificielle et ses applications. Il regroupe plus de 50 membres : chercheurs, enseignants-chercheurs, doctorants et personnels administratifs et techniques.
Le CRIL participe à la Confédération Européenne de Laboratoires en Intelligence Artificielle CLAIRE et à l'alliance régionale humAIn. Il bénéficie du soutien du Ministère de l’Enseignement Supérieur et de la Recherche, du CNRS, de l’Université d’Artois et de la région Hauts de France.
Le CRIL est localisé sur deux sites à Lens : la faculté des sciences Jean Perrin et l’IUT.
Recherches en intelligence artificielle et applications
Actualités (RSS)
Séminaire Iterative Voting with Social Networks and Public Opinion Polls
Anaëlle Wilczynski
This talk deals with strategic voting under incomplete information where agents can iteratively change their voting intention, based on the information they receive from their environment. We propose a descriptive model, inspired by political elections, where the information that the agents receive comes from public opinion polls and social networks. The voters are assumed to be confident in the poll and they update the results communicated by the polling agency with the information they get from their relatives in the social network. In this context, we investigate the manipulative power of the polling agency, by analyzing both constructive and destructive manipulation. The theoretical results are complemented by experiments using different heuristics.
Séminaire How to define gradual semantics for weighted argumentation graphs?
Dragan Doder - Utrecht University
Argumentation is a reasoning approach based on the justification of claims by arguments. It has been used for solving different Artificial Intelligence problems, including decision making, reasoning with defeasible information and classification. An argumentation framework is a directed graph, in which the nodes represent arguments, and the edges represent attacks between pairs of arguments. Gradual semantics are methods of evaluating arguments in graphs, that assign to each argument a numerical value, representing its strength. In this talk, I will present a general approach for defining gradual semantics for weighted graphs (where both arguments and attacks are weighted). I will show that several existing gradual semantics can be defined using the approach, and that it can be used to construct several novel semantics. The approach will be also analyzed against the set of properties from the literature.
Le CRIL lauréat de deux chaires en IA de l'ANR
L’ANR vient de dévoiler les lauréats de l’appel à projets « Chaires de recherche et d’enseignement en intelligence artificielle ».
Sur 40 chaires financées, le CRIL obtient le financement de deux projets :
BE4musSIA BElief change FOR better MUlti-Source Information Analysis porté par Sébastien Konieczny
EXPEKCTATION EXPlainable artificial intelligence: a KnowlEdge CompilaTion FoundATION porté par Pierre Marquis.
Ces deux chaires sont complétées au niveau de l’université d’Artois par la chaire « Responsible AI » portée par Nathalie Nevejans et à laquelle participent des membres du CRIL.
Au niveau de l’alliance A2U, la chaire « Massal’IA Propositional Reasoning for Large-Scale Optimization. Application to Clean Energy Mobility Issues » portée par Chu-Min Li du MIS à l’UPJV porte à 4 le nombre de lauréats.
Enfin, au niveau régional, la chaire « Baccarat Bayesian learning of expensive models, with applications to cell biology » portée par Rémi Bardenet de CRIStAL à l’Université de Lille porte à 5 le nombre de lauréats de l’alliance Hauts-de-France en Intelligence Artificielle humAIn.
Lien vers l’annonce des résultats sur le site de l’ANR
Séminaire Satisfiabilité propositionnelle et théorie des graphes
Soutenance de thèse - Yazid Boumarafi
Le problème de cohérence en logique propositionnelle (SAT) consiste à déterminer s’il existe une interprétation booléenne d’une formule propositionnelle donnée la rendant vraie. Il est l’un des problèmes centraux en théorie de la complexité et en informatique de manière générale. Étant un problème NP-complet, plusieurs classes traitables de ce problème ont été identifiées dans la littérature (Horn, Horn-renommable, Krom, etc). Une classe traitable d’un problème peut être vue comme une partie des entrées possibles pour laquelle le problème peut être résolu par une procédure s’exécutant en temps polynomial. Dans ce contexte, plusieurs problèmes NP-complets connus admettent de nombreuses classes traitables, notamment dans la théorie des graphes. Cela dit, il existe peu de travaux abordant la question de
trouver les contreparties équivalentes de ces classes en SAT. Partant de ce constat, l’objet de cette thèse est l’étude des liens pouvant exister entre des classes traitables de problèmes dans la théorie des graphes et le problème SAT.
Lors de la première contribution de cette thèse, nous proposons une nouvelle approche de caractérisation de classes traitables pour le problème SAT. Ces dernières sont obtenues en considérant particulièrement la classe de graphes sans-étoile pour laquelle le problème de recherche d’un stable maximum est traitable. La seconde contribution de cette thèse concerne le problème Exactly-One-SAT qui consiste à déterminer si une formule CNF admet un modèle tel que chaque clause a exactement un littéral satisfait. La classe introduite est définie par une propriété qui doit être satisfaite par des combinaisons de clauses. Cette classe peut être
considérée comme une contrepartie des classes traitables pour le problème de recherche d’un stable maximum.
Rapporteurs :
Chu-Min Li, Professeur à l’Université de Picardie Jules Verne
Eric Monfroy, Professeur à l’Université d’Angers
Examinateurs :
Jean-François Condotta, Professeur à l’Université d’Artois
Souhila Kaci, Professeur à l’Université de Montpellier
Lakhdar Sais, Professeur à l’Université d’Artois (Directeur)
Yakoub Salhi, Maître de Conférences, HdR à l’Université d’Artois (Co-encadrant)
Séminaire Hybridation de techniques d’apprentissage de clauses en programmation par contraintes
Soutenance de thèse - Gael Glorian
Cette thèse s’inscrit dans le domaine de la programmation par contraintes (CP), un des paradigmes les plus efficaces pour résoudre de nombreux problèmes (de nature combinatoire) en IA. Nous nous sommes intéressés à l’amélioration des techniques de résolution CSP (problème de satisfaction de contraintes), notamment dans un contexte hybride en utilisant la puissance des moteurs d’inférence SAT (problème de satisfaction booléenne). Nous avons ainsi développé plusieurs techniques concernant l’analyse de conflits afin d’extraire des informations utiles pour la résolution, grâce à une analyse fine suivie d’une forme d’apprentissage. Pour atteindre cet objectif, nous avons dans un premier temps renforcé la portée (puissance) des instanciations partielles incohérentes (nogoods) enregistrées par le système de résolution en proposant plusieurs règles permettant de les combiner. De plus, nous avons intégré un moteur de résolution SAT au sein d’un système CP reposant sur la notion d’explications paresseuses. L’utilisation d’un moteur SAT est motivée par leur grande efficacité à produire et à manipuler des formes simples de nogoods sous forme clausale. Le logiciel NACRE, moteur générique de raisonnement, est le résultat de ce travail ; il a notamment été conçu pour être un solveur hybride, résolvant les problèmes de satisfaction de contraintes à l’aide de méthodes dédiées ou inspirées de SAT. Notre approche générique (c’est-à-dire, valide quelque soit le problème traité) s’est avérée très efficace en pratique (NACRE a gagné 2 médailles d’or aux compétitions XCSP 2018 et 2019). Dans l’objectif d’enrichir l’hybridation SAT/CP, nous avons conduit une étude sur la qualité des clauses produites par le moteur SAT. Celle-ci nous permis de proposer de nouvelles méthodes de réduction de base de clauses, de minimisation ainsi que de nouvelles heuristiques de recherche.