The CRIL in short

présentation

Lens Computer Science Research Lab (CRIL UMR 8188) is a joined laboratory between Université d’Artois and CNRS, grouping together 50 members, including researchers, lecturers, PhD students, postdocs and administrative or technical staff.

Learn

Artificial Intelligence Research and Applications

mots clés du CRIL

News (RSS)

Proposition de thèse financée au CRIL sur l’argumentation abstraite

Utilisation de l’argumentation pour automatiser l’exploitation des
avis clients pour la vente en ligne et pour les consultations
citoyennes : modélisation des attaques et supports entre arguments

Le but principal de cette thèse est d’étudier la notion de support en
argumentation. La première tâche sera d’étudier les faiblesses des
approches actuelles. Il faudra en particulier identifier les résultats
fournis par ces approches sur des exemples issus de cas réels (avis de
clients, textes issus de journaux, plates-formes de débats en ligne,
etc.), et étudier similarités et différences. Ensuite, le but sera
d’étudier les principes qui devraient gouverner ces sémantiques
d’attaque/support, et de proposer des sémantiques adéquates. Les
sémantiques proposées seront alors évaluées théoriquement (en termes
de propriétés satisfaites, de leur complexité d’implémentation, etc.)
et pratiquement (par rapport à des cas réels). Il faudra enfin
compléter le cadre formel construit pour permettre de prendre en
compte des votes positifs ou négatifs sur les arguments et/ou sur les
relations (de support et d’attaque), ainsi que d’autres informations
(réputation des utilisateurs, détection de trolls, etc.).

Pour plus d’information sur ce sujet, se référer à sa description complète.

Les candidats intéressés sont invités à contacter très rapidement
les encadrants de cette thèse:


Sébastien Konieczny (konieczny@cril.fr)
Pierre Marquis (marquis@cril.fr)
Srdjan Vesic (vesic@cril.fr)


Learn

Recruitment 4 postes d'ATER en informatique (section 27), à Lens

4 postes d’ATER en informatique (section 27) sont ouverts à Lens pour la rentrée 2017.


1 poste à la faculté des sciences Jean Perrin
3 postes à l’IUT de Lens


Les candidatures sont ouvertes sur ALTAIR depuis le 4 avril, jusqu’au 24 avril.

Noter qu’il n’y a q’un seul profil de poste pour l’IUT de Lens sur ALTAIR, pour 3 postes à pourvoir.

Ces 4 postes d’ATER sont rattachés au CRIL pour la recherche.

Toutes les informations sur la procédure permettant de candidater sur ces postes sont disponibles sur le site de l’université d’Artois.

Learn

Seminar Plausible Reasoning about Ontologies

Zied Bouraoui

Structured knowledge about entities increasingly plays an important role in various web applications (e.g. search engines, recommendation sites, and social networks). Such knowledge is available, for example, in ontologies such as SUMO or OpenCyc, in knowledge graphs such as DBpedia, Google Freebase, Facebook Graph and WikiData, as semantic markup (e.g. RDFa), or on web pages (e.g. in the form of tables, lists, or natural language assertions). While these web applications typically require some form of reasoning, deduction is often too limited in this setting. One cause for this limitation is that the available information may be conflicting. For instance, the concept “ice cream shop” is considered as type of “restaurant” on Wikipedia, but is disjoint from “restaurant” in OpenCyc. Another reason for this limitation is that available knowledge is often incomplete. For example, the SUMO ontology encodes knowledge about summer olympics games such as Basketball, Football and Handball, but mentions nothing about Beach volleyball. Clearly, web applications would benefit from robust commonsense reasoning methods that could handle inconsistency and incompleteness in a principled data-driven way.
Commonsense reasoning is a well-known problem in artificial intelligence. This problem has at least two facets. The first, largely studied in KR, concerns nonmonotonic reasoning frameworks, such as default logics and answer set programming. The second, which has traditionally been less addressed in KR, but has been widely studied in other research areas such as machine learning or information retrieval, relates to similarity and analogy based reasoning, including induction. Similarity and analogy are naturally a matter of degree, which makes it difficult, or even impossible, to study the latter types of commonsense reasoning in a purely symbolic setting.

To address this point, we developed a number of methods for robust and flexible data- driven reasoning with logic-based structured knowledge from the web (i.e. description logics or existential rules). At the centre of this work are semantic spaces, which act as an interface between logical representations and data, together with an efficient Bayesian inference machinery that allows us to make plausible inferences in a principled way. Semantic spaces are vector space representation of entities, which have been widely studied in the cognitive science literature to model phenomena such as categorisation, induction, vagueness, typicality, etc.

In this talk, I will show how such semantic spaces can be generated from a combination of structured knowledge and bag-of-words representations. I will then introduce a Bayesian method which is inspired by cognitive models of category based induction. This method is useful for deriving concept membership (e.g. x is a kind of X) and subsumption (e.g. every X is a Y) assertions, but it can not directly be applied to model relations between entities or
concepts (for instance, a rule of the form \forall x \forall y R(x,y) -> \exists z P(z,x) ). To overcome this limitation, three additional methods have been investigated. The first views this problem of “relation induction” as a Bayesian regression problem, the second considers it as a special case of category based induction, and the third models a form of analogical reasoning. Our experimental results show that this approaches can substantially outperform state-of-the-art methods for knowledge base completion.

Keywords:
Ontologies, Description Logics, Bayesian Inference, Vector Space Embeddings, Data-Driven Reasoning.

Learn

Seminar Autour des classes polynomiales pour les problèmes de satisfaction de contraintes

Achref El Mouelhi

Le problème de satisfaction des contraintes CSP (pour Constraint Satisfaction Problems en anglais) est connu pour être NP-complet, même pour le cas binaire. Cependant, en imposant certaines restrictions, sur la taille des domaines ou sur les contraintes, la résolution peut être accomplie en temps polynomial. Dans ce cas, on parle des propriétés traitables (tractables properties). L’ensemble d’instances satisfaisant une propriété traitable constitue une classe polynomiale (ou traitable). Par exemple, Il est connu que l’ensemble des instances qui satisfont la propriété des triangles cassés BTP (pour Broken-Triangle Property) ou ZOA (Zero/One/All) définissent des classes polynomiales pour les CSP binaires. En pratique, les classes polynomiales sont rarement présentes. En plus, elles nécessitent généralement des algorithmes ad-hoc pour la reconnaissance et pour la résolution. Par conséquent, les algorithmes de l’état de l’art comme, FC (pour Forward Checking), RFL (pour Real Full Lookahead) ou MAC (pour Maintaining Arc-Consistency) ne peuvent pas les exploiter.
Récemment, des efforts considérables ont été consacrés à l’identification des classes polynomiales qui sont facilement exploitées par les algorithmes de l’état de l’art cités ci-dessus. Par exemple, il a été prouvé que l’ensemble d’instances CSP ayant un nombre polynomial de cliques maximales dans le graphe de microstructure peuvent être résolues en temps polynomial par les algorithmes de résolution classiques. Ensuite, un nouveau cadre dont le but est d’étendre le champ des classes polynomiales a été proposé. En effet, il est basé sur la notion de transformation de CSP et introduit la notion de classe polynomiale cachée. Elle part du constat selon lequel les problèmes réels n’appartiennent pas en général à des classes polynomiales mais peuvent parfois, après simplification (en appliquant certains algorithmes de filtrages par cohérence locale, par exemple) en faire partie. Aussi, certains travaux ont montré que les propriétés traitables peuvent être utilisées pour éliminer des variables, fusionner des valeurs ou décomposer des contraintes tout en préservant la satisfiabilité. Plus précisément, l’absence de triangles cassés sur tous les couples de valeurs d’une variable d’une instance CSP arc-cohérente autorise l’élimination de cette variable sans affecter la satisfiabilité de l’instance. L’absence de triangles cassés sur un couple de valeurs d’une même variable d’une instance CSP donnée permet également de les fusionner sans modifier la satisfiabilité de l’instance.

Mots clés :
CSP, propriété traitable, triangle cassé, fusion de valeurs, élimination de variables.

Learn

Seminar Resource games and redistributions

Nicolas Troquard