Résultats de recherche

Le F.R.S.-FNRS vient de publier les résultats de ses différents appels 2025. Il s’agit des appels « Crédits & Projets » et « WelCHANGE » ainsi que les appels « FRIA » (Fonds pour la formation à la Recherche dans l’Industrie et dans l’Agriculture) et « FRESH » (Fonds pour la Recherche en Sciences Humaines) visant à soutenir des thèses de doctorat. Résultats pour l’UNamur ? 28 projets sélectionnés témoignant de la qualité et de la richesse de la recherche à l’UNamur. 

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"

Abstract La maintenance prédictive (PdM) est de plus en plus utilisée pour améliorer la fiabilité des systèmes, réduire les temps d’arrêt et optimiser les coûts opérationnels dans des environnements industriels complexes grâce à la détection d’anomalies. À mesure que les systèmes industriels deviennent plus complexes, avec des composants inter- agissant entre eux et surveillés par des réseaux de capteurs en constante expansion, la détection d’anomalies fait face à de nouveaux défis méthodologiques. En particulier, un manque apparaît dans la littérature qui considère la détection d’anomalies avec des méthodes traditionnelles de Machine Learning (ML) utilisant une approche Single Label Classification (SLC), inadaptée lorsque plusieurs défaillances peuvent survenir simultanément.Les approches traditionnelles de détection d’anomalies basées sur des méthodes de ML utilisant une formulation SLC supposent que chaque observation appartient à une seule catégorie d’anomalie. Cette hypothèse ne tient pas lorsque plusieurs défaillances surviennent simultanément sur le même équipement, ce qui entraîne une perte d’information. Ceci commence par une illustration de cette limite à travers un exemple concret montrant que l’utilisation d’une approche SLC au lieu d’une formulation multi-label dégrade la classification des anomalies simultanées. Pour répondre à ce problème, la détection d’anomalies est reformulée comme un problème de Multi Label Classification (MLC), permettant de détecter plusieurs défaillances au sein d’un même pas de temps. Suite à cette reformulation, la problématique du choix des classificateurs multi- label adaptés au contexte de la Predictive Maintenance (PdM) doit être étudiée. La conclusion générale de la littérature est que la performance des classificateurs dépend fortement du contexte et qu’il existe un grand nombre de méthodes de détection sans qu’aucune ne soit universellement dominante. Bien que des études comparatives approfondies existent dans le domaine du MLC, les jeux de données issus de systèmes complexes sont absents de ces comparaisons, alors même qu’ils présentent des caractéristiques spécifiques telles que des structures en séries temporelles multivariées, un fort déséquilibre des labels et des interactions complexes entre composants.Pour combler ce manque, un protocole d’évaluation structuré et reproductible est proposé afin d’évaluer huit méthodes de ML à l’état de l’art dans un cadre MLC sur trois jeux de données industriels publics. Les résultats confirment que la performance des classificateurs dépend fortement des caractéristiques du jeu de données et qu’aucune méthode ne domine systématiquement tous les scénarios. Toutefois, réaliser ce type de comparaison pour chaque nouveau contexte industriel est coûteux en termes de temps, de ressources computationnelles et de besoins en données, ce qui limite sa faisabilité pour un déploiement industriel réel. La thèse aborde également cette problématique par la réduction de dimension et les méthodes de sélection de variables. Les systèmes de PdM génèrent de grands ensembles de données multivariées dont seule une partie des variables est réellement pertinente pour la détection d’anomalies. Une stratégie évolutionnaire auto-adaptative est proposée pour effectuer une sélection de variables de type wrapper et obtenir un sous-ensemble ne contenant que les variables les plus informatives. Les résultats expérimentaux montrent que la réduction de l’espace des variables améliore l’efficacité computationnelle et, dans la plupart des cas, la performance de prédiction des anomalies. La comparaison de la méthode proposée avec des approches métaheuristiques issues de l’état de l’art sur trois jeux de données PdM et cinq méthodes de détection d’anomalies confirme sa compétitivité en termes de performance prédictive et de taille optimale du sous-ensemble de caractéristiques sélectionné. Enfin, la réduction de l’espace des caractéristiques optimise non seulement les ressources nécessaires à la détection, mais réduit également le nombre de signaux que les techniciens doivent analyser lors des investigations de recherche de cause racine. Cette simplification vise à renforcer la confiance dans le système. Enfin, la thèse traite des aspects pratiques du déploiement des méthodes de détection dans les systèmes complexes. Parmi ceux-ci, on observe un manque de confiance et de transparence chez les techniciens de maintenance et les décideurs. Une analyse de l’interprétabilité et la robustesse des méthodes de détection d’anomalies est fournie afin de contribuer directement à leur déploiement en conditions réelles. Tout d’abord, la stratégie de sélection de variables proposée est évaluée sur un jeu de données PdM public à l’aide d’explications basées sur SHAP afin de vérifier la cohérence entre les variables sélectionnées et celles identifiées comme les plus importantes par des outils dédiés à l’interprétabilité. Les résultats montrent que les variables sélectionnées sont cohérentes avec les plus importantes selon ces outils. De plus, l’analyse visuelle des variables les plus influentes met en évidence que les anomalies sont associées à un sous-ensemble limité et bien défini de signaux venant des capteurs, ce qui contribue à améliorer la transparence et à renforcer la confiance dans les systèmes de détection automatique. En parallèle, il est nécessaire de mener une étude de la robustesse des classificateurs multi-label dans des scénarios contrôlés de dégradation de capteurs, incluant différentes familles de dégradations et plusieurs niveaux de sévérité. Les résultats montrent que la performance des classificateurs peut fortement se dégrader, en particulier en présence de dérives progressives. Pour atténuer cet effet, l’introduction de dégradations de capteurs durant l’entraînement apparaît comme une stratégie pertinente. Finalement, cette thèse propose un cadre structuré pour la détection d’anomalies multi-label dans les systèmes complexes, couvrant les méthodes de classification, l’optimisation de l’espace des variables, l’interprétabilité et la robustesse. Pour chacun de ces aspects, la thèse adopte un point de vue industriel et prend en compte les différences entre les conditions expérimentales contrôlées en laboratoire et les contraintes supplémentaires des environnements complexes réels. Le jury Prof. Katrien Beuls - Université de Namur, BelgiqueProf. Elio Tuci - Université de Namur, BelgiqueProf. Patrick Heymans - Université de Namur, BelgiqueProf. Jenni Raitoharju - Université de Jyväskylä, FinlandeMr. Fabio Pinna - Telespazio, BelgiqueMr. Vito Trianni - ISTC-CNR, Italie Je m'inscris

Jamie Wright, un chercheur du Namur Digital Institute de l’UNamur, a participé à une étude menée par l’Université Pompeu Fabra (UPF) de Barcelone, et publiée dans la prestigieuse revue Nature Human Behaviour.  Cette étude montre que les langues du monde entier tendent à privilégier l'économie lexicale, en réutilisant des mots pour désigner différents concepts lorsque cela n'entraîne pas de confusion dans la communication.

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

Des chercheurs de l'UNamur ont développé une nouvelle méthode qui a permis de découvrir 32 bugs jusqu'alors invisibles dans certaines des bibliothèques logicielles les plus utilisées pour entraîner les modèles d'intelligence artificielle. Née d'un mémoire de master, cette recherche a déjà conduit à des corrections dans plusieurs logiciels utilisés par des millions de développeurs à travers le monde. 

À travers cinq conférences-ateliers interdisciplinaires, les doctorants de l’UNamur NaDI invitent le grand public à développer un regard critique sur l’intelligence artificielle qui transforme déjà notre quotidien. 

Le Namur Digital Institute (NaDI) lance un cycle de rendez-vous originaux : « Les Séances du Numérique ». Des films suivis de débats avec des experts et expertes pour comprendre les défis du numérique et stimuler la réflexion collective. Un projet porté par Anthony Simonofski, Anne-Sophie Collard, Benoît Vanderose et Fanny Barnabé. 

RésuméThe increasing regulatory pressure on Cyber-Physical Systems (CPS), particularly in Europe, has transformed compliance into a critical yet complex challenge for industry stakeholders. Many of those CPS are often long-lived systems with legacy code and limited access (i.e., none) to a representative documentation. This causes a problem when those systems need to comply to newer regulatory frameworks. Indeed, current conformity assessment practices rely predominantly on documentation review and operational observations, while the analysis of software artefacts remains underexploited. This situation is accompanied by a persistent communication gap between legal experts and engineers, and a lack of systematic traceability between high-level regulatory obligations and low-level technical implementations. Such decoupling frequently results in inconsistencies detected late in the development process, increasing correction costs and delaying time-to-market. Furthermore, the growing complexity of regulations, such as the Medical Device Regulation (MDR), contributes to the perception that compliance impairs innovation.Transitioning from theoretical frameworks to industrial implementation presents significant challenges. During this research, efforts to validate the approach in real-world production environments were troubled by restricted access to sensitive data and architectures, as well as the inherent risks of intrusive analysis in highly interconnected systems. Consequently, this thesis emphasizes a conceptual framework validated through modular prototypes and isolated CPS categories (e.g., medical devices), demonstrating the effectiveness of the proposed methods where full-scale production deployment is not yet feasible.This thesis addresses these challenges by investigating how regulatory requirements can be transformed into structured, traceable, and partially automatable elements directly linked to software artefacts. The research adopts an industrially grounded exploratory approach structured around three main axes: (1) the formalization of regulatory requirements to bridge the semantic gap between legal and technical domains; (2) the extraction of system functionalities from source code using Large Language Models; and (3) a unified framework, supported by tool prototypes, to bridge expected system behaviour and actual implementation through evidence-based assessment.By combining regulatory analysis, software engineering, and AI-based methods, this work contributes to redefining compliance as a continuous, traceability-driven process. Ultimately, it aims to support a paradigm shift toward "compliant-by-design'' systems, enabling earlier detection of discrepancies and a better alignment between regulatory intent and technical implementation in complex CPS environments.JuryPhD, P.Eng. Jun YAN, University of Concordia, CanadaPr, Phd, Fuyuki ISHIKAWA, National Institute of Informatics, JapanPhd, Paolo ARCAINI, National Institute of Informatics, JapanPr., PhD, Benoît VANDEROSE, University of Namur, BelgiumPr., PhD, Anthony CLEVE, University of Namur, BelgiumPr., PhD, Xavier DEVROEY, University of Namur, Belgium