Aller au contenu
:: Programme
:: Programme Détaillé
:: Fundamental courses / Cours fondamentaux:
- An historical perspective on XAI / Une perspective historique sur l’IA explicable (Alain Mille, Université Claude Bernard Lyon)
- Hybrid AI models: some opportunities for explainability / Modèles d’IA hybrides: des opportunités pour l’explicabilité (Isabelle Bloch, LIP6, Sorbonne Université)
- (Deep) neural networks: basic principles and explanation issues / Réseaux de neurones (profonds): principes de base et questions d’explicabilité (Elisa Fromont, IRISA, Université de Rennes)
- Knowledge representation and explainability / Représentation des connaissances et explicabilité (Pierre Marquis, CRIL, Univ. d’Artois)
- Explaining the output of classifiers / Expliquer le résultat de classifieurs (Marie-Jeanne Lesot, LIP6, Sorbonne Université)
- Explainable and Deceptive Behavior for Human-AI Interaction (Sarath Sreedharan, with Subbarao Kambhampati, Arizona State University)
:: Advanced courses / Cours avancés:
- Argumentation, natural language, and explanation / Argumentation, langage naturel et explications (Serena Villata, CNRS, I3S, Université Côte d’Azur)
- Challenges of explanation in the context of autonomous driving / Les défis de l’explicabilité dans le contexte de la conduite autonome (Matthieu Cord, LIP6, Sorbonne Université)
- Explainability in the field: some case studies / Explicabilité sur le terrain: un retour sur quelques cas d’études (Soizic Pénicaud, Simon Chignard, Etalab)
- Challenges in explainability: a Q&A session (Cynthia Rudin, Duke University)