Résultats de recherche

The workshop provides a forum for the discussion of new research directions and applications in Artificial Life, Evolutionary Computation and in related fields, where different disciplines and research areas could effectively meet. It was first held in 2007 in Sampieri (Ragusa), as the incorporation of two separate workshops (WIVA and GSICE). 

JuryDr. Gilles PERROUIN, Président, Université de NamurProf. Anthony CLEVE, Promoteur, Université de NamurProf. Benoît VANDEROSE, Membre interne, Université de NamurProf. Xavier DEVROEY, Membre interne, Université de NamurProf. Serge DEMEYER, Membre externe, Université d’AnversProf. Michele LANZA, Membre externe, Université de la Suisse ItalienneVous êtes cordialement invités à un drink, qui suivra la soutenance publique.You are kindly invited to a drink, which will follow the public defense.Pour une bonne organisation, merci de vous inscrire pour le lundi 19 août au plus tard.For a good organization, please register by Monday, August 19.

JuryProf. Wim VANHOOF, Président, Université de NamurProf. Benoit FRENAY, Promoteur, Université de NamurDr. Alexandre MAYER, Co-Promoteur, Université de NamurDr. Gilles PERROUIN, Membre interne, Université de NamurDr. Paul TEMPLE, Membre externe, Université de RennesProf. John A. LEE, Membre externe, Université de LouvainVous êtes cordialement invités à un drink, qui suivra la soutenance publique.You are kindly invited to a drink, which will follow the public defense.Pour une bonne organisation, merci vous inscrire pour le mardi 3 septembre au plus tard.For a good organization, please register by Tuesday, Septembre 3. 

Abstract Deep learning has become an extremely important technology in numerous domains such as computer vision, natural language processing, and autonomous systems. As neural networks grow in size and complexity to meet the demands of these applications, the cost of designing and training efficient models continues to rise in computation and energy consumption. Neural Architecture Search (NAS) has emerged as a promising solution to automate the design of performant neural networks. However, conventional NAS methods often require evaluating thousands of architectures, making them extremely resource-intensive and environmentally costly.This thesis introduces a novel, energy-aware NAS pipeline that operates at the intersection of Software Engineering and Machine Learning. We present CNNGen, a domain-specific generator for convolutional architectures, combined with performance and energy predictors to drastically reduce the number of architectures that need full training. These predictors are integrated into a multi-objective genetic algorithm (NSGA-II), enabling an efficient search for architectures that balance accuracy and energy consumption.Our approach explores a variety of prediction strategies, including sequence-based models, image-based representations, and deep metric learning, to estimate model quality from partial or symbolic representations. We validate our framework across three benchmark datasets, CIFAR-10, CIFAR-100, and Fashion-MNIST, demonstrating that it can produce results comparable to state-of-the-art architectures with significantly lower computational cost. By reducing the environmental footprint of NAS while maintaining high performance, this work contributes to the growing field of Green AI and highlights the value of predictive modelling in scalable and sustainable deep learning workflows. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Gilles Perrouin - University of Namur, BelgiumProf. Benoit Frénay - University of Namur, BelgiumProf. Pierre-Yves Schobbens - University of Namur, BelgiumProf. Clément Quinton - University of Lille, FranceProf. Paul Temple- University of Rennes, FranceProf. Schin’ichi Satoh - National Institute of Informatics, Japon

Abstract Plastic pollution has emerged as a pervasive environmental threat, with micro- and nanoplastics (MPs and NPs) accumulating across ecosystems and organisms, including humans. Their ability to adsorb and transport contaminants raises critical concerns for both environmental and public health.This thesis investigates the developmental neurotoxicity of MPs and NPs in zebrafish (Danio rerio), emphasizing the influence of particle size and mixture toxicity. NPs were shown to cross the embryonic chorion, disrupt physiological functions, and induce anxiety-like behaviour, whereas MPs mainly altered gene expression related to neurodevelopment. When co-exposed with methylmercury (MeHg), NPs enhanced MeHg accumulation in the brain and sensory organs, exacerbating its neurotoxic effects. Notably, the mixture induced severe hypoactivity, impaired lipid metabolism and neurotransmission, and increased mortality.These findings highlight the critical need to assess plastic particle toxicity not only in isolation but also in environmentally relevant mixtures. NPs, due to their small size and high reactivity, may act as vectors for toxicants like MeHg, amplifying their effects during sensitive developmental stages. Jury Prof. Frédéric SILVESTRE (UNamur), PrésidentProf. Patrick KESTEMONT (UNamur), SecrétaireDr Valérie CORNET (UNamur)Prof. Eli THORÉ (UNamur)Prof. Jérôme CACHOT (Université de Bordeaux)Dr Krishna DAS (Université de Liège)

Abstract Detecting semantic code clones in logic programs is a longstanding challenge, due to the lack of a unified definition of semantic similarity and the diversity of syntactic expressions that can represent similar behaviours. This thesis introduces a formal and flexible framework for semantic clone detection based on Constrained Horn Clauses (CHC). The approach considers two predicates as semantic clones if they can be independently transformed, via semantics-preserving program transformations, into a common third predicate. At the core of the method lies anti-unification, a process that computes the most specific generalisation of two predicates by identifying their shared structural patterns. The framework is parametric in regard with the allowed program transformations, the notion of generality, and the so-called quality estimators that steer the anti-unification process. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Katrien Beuls - University of Namur, BelgiumProf. Jean-Marie Jacquet - University of Namur, BelgiumProf. Temur Kutsia - Johannes Kepler University, AustriaProf. Frédéric Mesnard - University of the Reunion, Reunion IslandProf. Paul Van Eecke - Free University of Brussels, Belgium

BNAIC/BeNeLearn 2025 will be held at the University of Namur under the auspices of the Belgian-Dutch Association for Artificial Intelligence (BNVKI) and the Dutch Research School for Information and Knowledge Systems (SIKS). The conference aims at presenting an overview of state-of-the-art research in artificial intelligence and machine learning in Belgium, The Netherlands, and Luxembourg. More information and registration

Abstract In recent decades, the volume of data generated worldwide has grown exponentially, significantly accelerating advancements in machine learning. This explosion of data has led to an increased need for effective data exploration techniques, giving rise to a specialized field known as dimensionality reduction. Dimensionality reduction methods are used to transform high-dimensional data into a low-dimensional space (typically 2D or 3D), so that it can be easily visualized and understood by humans. Algorithms such as Principal Component Analysis (PCA), Multidimensional Scaling (MDS), and t-distributed Stochastic Neighbor Embedding (t-SNE) have become essential tools for visualizing complex datasets. These techniques play a critical role in exploratory data analysis and in interpreting complex models like Convolutional Neural Networks (CNNs). Despite their widespread adoption, dimensionality reduction techniques, particularly non-linear ones, often lack interpretability. This opacity makes it difficult for users to understand the meaning of the visualizations or the rationale behind specific low-dimensional representations. In contrast, the field of supervised machine learning has seen significant progress in explainable AI (XAI), which aims to clarify model decisions, especially in high-stakes scenarios. While many post-hoc explanation tools have been developed to interpret the outputs of supervised models, there is still a notable gap in methods for explaining the results of dimensionality reduction techniques. This research investigates how post-hoc explanation techniques can be integrated into dimensionality reduction algorithms to improve user understanding of the resulting visualizations. Specifically, it explores how interpretability methods originally developed for supervised learning can be adapted to explain the behavior of non-linear dimensionality reduction algorithms. Additionally, this work examines whether the integration of post-hoc explanations can enhance the overall effectiveness of data exploration. As these tools are intended for end-users, we also design and evaluate an interactive system that incorporates explanatory mechanisms. We argue that combining interpretability with interactivity significantly improves users' understanding of embeddings produced by non-linear dimensionality reduction techniques. In this research, we propose enhancements to an existing post-hoc explanation method that adapts LIME for t-SNE. We introduce a globally-local framework for fast and scalable explanations of t-SNE embeddings. Furthermore, we present a completely new approach that adapts saliency map-based explanations to locally interpret non-linear dimensionality reduction results. Lastly, we introduce our interactive tool, Insight-SNE, which integrates our gradient-based explanation method and enables users to explore low-dimensional embeddings through direct interaction with the explanations. Jury Prof. Wim Vanhoof - University of Namur, BelgiumProf. Benoit Frénay - University of Namur, BelgiumProf. Bruno Dumas - University of Namur, BelgiumProf. John Lee - University of Louvain, BelgiumProf. Luis Galarraga - University of Rennes, France

Nos conférenciers principaux pour 2026 sont la professeure Roosmarijn Vandenbroucke (Université de Gand) et la professeure Nelly Litvak (Université technologique d'Eindhoven). Plus d'infos sur le site "Women in science"

Résumé Le deep learning occupe aujourd'hui une place centrale dans la vie quotidienne et nous a fourni des outils numériques puissants, tels que les traducteurs automatiques, les assistants vocaux et les modèles de langage (LLMs).Les communautés sourdes, en revanche, ne bénéficient que très peu de ces avancées. Les langues des signes sont des langues naturelles à part entière, mais elles ne disposent pas de forme écrite d'usage courant.En effet, les grands corpus textuels et les modèles pré-entraînés qui rendent ces outils possibles pour les langues orales n'ont donc pas d'équivalent direct. En conséquence, le traitement des langues des signes est freiné par deux problèmes liés : une pénurie persistante de données annotées et un manque d'outils pour analyser les langues elles-mêmes. Cette thèse se concentre sur une composante de la chaîne de traitement des langues des signes qui a reçu comparativement peu d'attention : la segmentation des langues des signes, c'est-à-dire le découpage temporel d'une vidéo continue en langage des signes en unités de signe individuelles. La segmentation se situe entre la vidéo brute et presque toutes les tâches symboliques qui s'appuient sur elle, et reste pourtant mal comprise. L'objectif de ce travail est double : faire progresser la tâche de segmentation elle-même, et transformer la recherche en traitement des langues des signes en outils utilisables par la communauté sourde, avec la langue des signes de Belgique francophone (LSFB) comme cadre principal. La contribution centrale de cette thèse est un ensemble de modèles de segmentation. Nous étudions d'abord des approches fondées sur les réseaux de neurones récurrents et montrons que leur principale difficulté réside dans la modélisation des transitions entre les signes, ces brefs mouvements ambigus qui séparent un signe du suivant et que l'on confond facilement avec les signes eux-mêmes. Ce constat motive le framework Hydra, une nouvelle approche qui détecte chaque signe comme une unité entière plutôt que de décider, frame par frame, si un signe est en cours de production. Concrètement, au lieu de classifier chaque frame, le modèle prédit la distance entre chaque frame et les frontières de signe les plus proches, ce qui le rend moins sensible aux régions ambiguës et améliore les résultats de manière constante par rapport aux méthodes antérieures. Autour de cette contribution centrale, nous présentons d'autres contributions : un dictionnaire langue des signes vers le français qui reconnaît les signes à partir d'une simple webcam, des travaux connexes sur la reconnaissance de signes isolés, et une plateforme collaborative qui collecte de nouvelles données, de nouveaux signes en LSFB, comme effet secondaire d'un usage quotidien. Ensemble, ces contributions réduisent l'écart entre la recherche en traitement des langues des signes et les communautés sourdes. Jury Prof. Benoit Frénay - Université de Namur, BelgiqueProf. Anthony Cleve - Université de Namur, BelgiqueProf. Katrien Beuls - Université de Namur, BelgiqueProf. Barbara Hammer - Bielefeld University, AllemagneProf. Michèle Gouiffès - Université Paris-Saclay, FranceDr Mathieu De Coster - Ghent University, Belgique Je m'inscris à la défense de thèse de Pierre Poitier

Au programme pour tous et toutes 09h00 | Accueil au Pedro Arrupe, rue de Bruxelles, 67 - 5000 Namur09h30 | Cérémonie à l'Espace Pedro Arrupe 11h00 | Célébration de la rentrée à l'Eglise Saint-Loup - à confirmer, rue du Collège - 5000 Namur -  puis accueil des étudiants par les Cercles.Les autres activités spécifiques de cette journée sont disponibles sur les pages de chaque Faculté. Plus d'infos sur la page de la rentrée

Save the date ! Les prochaines portes ouvertes de l’UNamur auront lieu le samedi 29 mars 2025, de 13h à 17h.Réservez déjà cette date dans votre agenda !Au programmeRencontres inspirantes : échangez avec nos professeurs, assistants et étudiants.Visites immersives : explorez nos auditoires, salles de cours et laboratoires.Informations précieuses : obtenez des réponses à toutes vos questions sur nos programmes et les spécificités des études à Namur.Ressources pratiques : découvrez tous les services disponibles pour vous accompagner avant, pendant et après vos études.Restez à l'écoute ! Le programme détaillé de l’après-midi sera disponible une dizaine de jours avant l’évènement.Vous ne pouvez pas nous rejoindre ? Pas de souci ! Une seconde après-midi portes ouvertes est prévue le samedi 28 juin 2025, de 13h à 17h. En savoir plus sur les portes ouvertes