Le CRIL en bref

présentation
présentation

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 près de 70 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.

En savoir plus

Publications récemment mises à jour

2024 Omar Et-Targuy, Carole Delenne, Salem Benferhat, Ahlame Begdouri, Thanh-Nghi Do, Truong-Thanh Ma, From GIS to Graphical Representation for Maintaining Connectivity of Wastewater Network Elements in SN Computer Science, vol. 5, n° 7, pp. 851, 2024.
2024 Données Ismaïl Baaj, Zied Bouraoui, Antoine Cornuéjols, Thierry Denoeux, Sébastien Destercke, Didier Dubois, Marie-Jeanne Lesot, João Marques-Silva, Jérôme Mengin, Henri Prade, Steven Schockaert, Mathieu Serrurier, Olivier Strauss, Christel Vrain, Synergies between machine learning and reasoning - An introduction by the Kay R. Amel group in International Journal of Approximate Reasoning, vol. 171, pp. 109206, 2024.
2024 Contraintes Anthony Blomme, Daniel Berre, Anne Parrain, Olivier Roussel, Compressing UNSAT CDCL Trees with Caching in ICAART 2024: 16th International Conference on Agents and Artificial Intelligence, SCITEPRESS - Science and Technology Publications, vol. 3, pp. 792-799, 2024.
2024 IA au service de... Thibault Falque, Gilles Audemard, Christophe Lecoutre, Bertrand Mazure, Check-In Desk Scheduling Optimisation at CDG International Airport in AAAI Conference on Artificial Intelligence, vol. 38, pp. 22743-22751, 2024.
2024 IA explicable Gilles Audemard, Jean-Marie Lagniez, Pierre Marquis, Nicolas Szczepanski, On the Computation of Example-Based Abductive Explanations for Random Forests in The 33rd International Joint Conference on Artificial Intelligence, pp. 3679-3687, 2024.

Actualités  (RSS)

Thèses proposées De l'IA à la logique propositionnelle : conversion en SAT et analyse des modèles

Ce sujet de thèse a pour objectif de créer un pont entre des solutions d’intelligence artificielle (IA) et des techniques formelles de la logique propositionnelle classique. Il vise à développer des méthodes génériques pour transformer des modèles d’IA en formules propositionnelles, en se focalisant sur le problème de cohérence, connu sous le nom de SAT (Satisfiability Problem). Cette approche cherche à tirer parti des progrès significatifs réalisés dans le domaine des solveurs SAT.

En savoir plus

Thèses proposées Apprentissage sur des objets 3D non-uniformes : une méthode basée sur les graphes

Cette thèse se concentre sur l’apprentissage profond, en mettant l’accent sur l’apprentissage de représentations de graphes. Les graphes sont largement utilisés dans de nombreuses applications. Ils offrent une représentation polyvalente pour les objets non réguliers, notamment les maillages 3D, une alternative aux méthodes traditionnelles telles que les CNNs ou les modèles de segmentation d’images comme U-net. Cette thèse explore les réseaux de neurones sur graphes (GNNs) pour modéliser des objets 3D non réguliers, comme les maillages 3D.

En savoir plus

Séminaire Séminaire de Alexandre Dubray - UC Louvain 

Modeling and Solving Probabilistic Inference Model with Projected Weighted Model Counting
21 nov. 2024 - 14:00

Computing probability from probabilistic models is a challenging problem, which is #P-Hard in general. One popular technique for solving such problems is to transform the model into a propositional formula in CNF form and then calculate the formula's weighted number of models. However, classical encodings only partially translate the input models' probabilistic features. For example, the distributions are transformed into clauses, but classical model counters do not use the fact that its values sum up to one.

En savoir plus

Séminaire Séminaire de Damien SILEO - Inria, Lille

Improving large langauge models reasoning with adaptive formal reasoning datasets
24 oct. 2024 - 14:00

En savoir plus

Séminaire Séminaire de Esteban Marquer - Loria, Nancy. 

Operationalizing analogical proportions in embedding spaces using deep learning
5 sept. 2024 - 14:00

An analogical proportion (AP) is a relation between four elements A, B, C, and D meaning "A is to B as C is to D", often written as A:B::C:D. For example, "cat : kitten :: dog : puppy" and "cat : cats :: dog : dogs" are two APs between words. Notice that the relation between "cat" and "kitten" is a semantic one (i.e. on the meaning: "kitten" is a young "cat") while the one between "cat" and "cats" is morphological (i.

En savoir plus

Best Application Paper Award CP'24

5 sept. 2024 - 00:00

La communication “Learning Effect and Compound Activities in High Multiplicity RCPSP: Application to Satellite Production” par Duc Anh Le, Stephanie Roussel, Christophe Lecoutre et Anouck Chan a obtenu le Best Application Paper Award de la 30th International Conference on Principles and Practice of Constraint Programming (CP'24).

En savoir plus