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 60 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.
Publications récemment mises à jour
Articles de conférences internationales
Articles de conférences nationales
Actualités (RSS)
Thèses proposées SAT-based Approaches for Formal Verification with B method
Candidater Summary The ANR project BLaSST targets bridging combinatorial and symbolic techniques in automatic theorem prov- ing, in particular for proof obligations generated from B models. Work will be carried out on SAT-based techniques as well as on more expressive SMT formalisms. In both cases encoding techniques, optimized resolution techniques, model generation, and lemma suggestion will be considered. Combining both lines of work, the expected scientific impact is a substantially higher degree of automation of solvers for expressive input languages by leveraging higher-order reasoning and enumerative instantiations over finite domains.
Séminaire Séminaire de Moncef Garouani - EILCO /ULCO University - LISIC Laboratory
Big industrial data mining through explainable automated machine learning
6 avr. 2023 - 14:00Machine learning (ML) has penetrated all aspects of modern life, and brought more convenience and satisfaction for variables of interest. However, building such solutions is a time consuming and challenging process that requires highly technical expertise. This certainly engages many more people, not necessarily experts, to perform analytics tasks. While the selection and the parametrization of ML models require tedious episodes of trial and error. Additionally, domain experts often lack the expertise to apply advanced analytics.
Recrutement Deux postes de MCF 27e section - CRIL (Lens) - Université d'Artois
Fiche de poste Galaxie 4416 Fiche de poste Galaxie 4417 Calendrier de la campagne de recrutement synchronisée 2023 Profil recherche des postes Le CRIL souhaite, par ces recrutements, renforcer ses axes de recherche, et en particulier l’axe “données” (apprentissage automatique / fouille de données) et l’axe “connaissances” de l’unité. Il ne s’agit que de coloriages thématiques : les candidatures de très bon niveau en dehors de ces coloriages (mais relevant de l’axe “contraintes” de l’unité et en phase avec son projet scientifique) ont toutes leurs chances.
Séminaire Séminaire de Chahrazed LABBA - Loria - Université de Lorraine
L’Apprentissage Centralisé et l’Apprentissage Distribué : Avantages à Saisir et Défis à Relever
23 mars 2023 - 14:00Le choix entre l’apprentissage machine centralisé ou distribué dépend des spécificités de chaque projet de machine learning. Alors que l’apprentissage centralisé est souvent plus simple et plus rapide à mettre en place, il peut être limité par la quantité de données disponibles et peut être coûteux en termes de ressources de stockage et de calcul. En revanche, l’apprentissage distribué, comme l’apprentissage fédéré, permet de traiter des données distribuées sur plusieurs appareils, ce qui peut être plus économique et améliorer la confidentialité des données, mais cela peut également introduire des défis liés à la coordination et à la qualité des données.
Séminaire Séminaire de Sami Cherif - Université d'Aix Marseille
Raisonnement et inférence pour la satisfiabilité (maximum)
20 mars 2023 - 14:00Au cœur de l’informatique et de l’intelligence artificielle, la logique est souvent utilisée comme un langage pour modéliser et résoudre des problèmes complexes issus du milieu académique ou d’applications industrielles. Un formalisme bien connu dans ce contexte est le problème de Satisfiabilité (SAT) qui vérifie simplement si une formule propositionnelle donnée sous la forme d’un ensemble de contraintes, appelées clauses, peut être satisfaite. Une extension naturelle de SAT en problème d’optimisation est la Satisfiabilité Maximum (Max-SAT), qui consiste à déterminer le nombre maximal de contraintes clausales pouvant être satisfaites dans la formule.
Séminaire Séminaire de Bruno YUN, University of Aberdeen, UK
Exploring Inverse Problems for Gradual Semantics in Argumentation
16 mars 2023 - 15:30Gradual semantics within abstract argumentation associate an acceptability score with every argument in a system, and from which a preference ordering over arguments can be derived. While some semantics operate over standard argumentation frameworks, many utilise a weighted framework, where a numeric initial weight is associated with each argument. Recent work has examined inverse problems for gradual semantics. For example: (i) Given an argumentation framework, a gradual semantics, and a preference ordering as inputs, what weights are needed over arguments in the framework to obtain the desired preference ordering?
Séminaire Séminaire de Wissem Inoubli, LORIA Lab, KIT
L'apprentissage de représentation de graphes : opportunités et défis
16 mars 2023 - 14:00Les graphes sont des structures de données puissantes qui peuvent représenter des relations et des interactions complexes entre des entités. Par conséquent, l'apprentissage de représentation des graphes a suscité une attention considérable ces dernières années en raison de son potentiel à permettre des prédictions, des recommandations et des prises de décision plus précises dans une variété de domaines. L'un des principaux avantages de l'apprentissage de la représentation de graphes est sa capacité à capturer les informations structurelles locales et globales ainsi que les informations sémantiques dans les graphes.