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 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.
Publications récemment mises à jour
Articles de revues internationales
Articles de conférences internationales
Actualités (RSS)
Papiers acceptés à IJCAI'25
Cette année, ce seront 7 papiers du CRIL qui seront présentés à IJCAI 2025 ! Main track A SAT-based Method for Counting All Singleton Attractors in Boolean Networks Rei Higuchi, Takehide Soh, Daniel Le Berre, Morgan Magnin, Mutsunori Banbara and Naoyuki Tamura Iterated Belief Change as Learning Nicolas Schwind, Katsumi Inoue, Sébastien Konieczny and Pierre Marquis A Game-Theoretic Perspective on Inconsistency Handling Yakoub Salhi Facets in Argumentation: A Formal Approach to Argument Significance Johannes K.
Séminaire Séminaire de Naoual GUANNONI
Extraction des solutions multiples et équivalentes pour le problème de classification des données biomédicales
24 avr. 2025 - 14:00L’objectif de cette présentation est de traiter le problème à solutions multiples dans le cadre de l’extraction de connaissances à partir de données biologiques complexes, en combinant les apports du machine learning, du data mining et du Big Data. Plus spécifiquement, nous proposons une approche innovante visant à générer plusieurs modèles de classification équivalents à partir de données issues d’études cas-témoins, très fréquentes en bioinformatique et en épidémiologie. Contrairement aux approches classiques qui produisent un unique modèle prédictif, notre méthode repose sur la génération d’un ensemble de modèles robustes, compacts et interprétables, permettant de mieux explorer l’espace des solutions.
Séminaire Séminaire de Matthieu Dabrowski
Méthodes d’apprentissage profond inspirées par la physique pour l’inférence de la qualité de l’air
17 avr. 2025 - 14:00L’objectif de mes principaux travaux de recherche jusqu'à aujourd'hui est la prédiction à échelle européenne ou mondiale de la concentration en aérosols au niveau du sol. L’inhalation de certains aérosols ayant des effets néfastes sur la santé humaine, la prédiction de cette valeur de concentration représente un intérêt certain du point de vue de la santé publique, et peut permettre la mise en place de stratégies de prévention. Des solutions existent pour réaliser cette tâche, cependant elles sont la plupart du temps basées sur de très lourds modèles atmosphériques, qui parfois ne permettent l’obtention de ces valeurs qu’a posteriori, après que la période concernée se soit écoulée.
Séminaire Séminaire d'Arthur Hoarau
Réduction des coûts en IA et explications incertaines
10 avr. 2025 - 15:00La quantification d’incertitude est un vaste domaine dépassant celui de l’intelligence artificielle. À la frontière entre mathématiques et informatique, l’objectif est de modéliser et quantifier l’incertitude d’une source. D'abord, pour ce qui est des labels (étiquettes attribuées aux observations en classifciation), ils sont souvent obtenus auprès d’humains et il est parfois plus intéressant de modéliser l’incertitude dans les labels en entrée plutôt que de récolter des labels bruités, qui vont dégrader les performances des modèles.