École Thématique CoreAI 2026

Nous avons le plaisir d’annoncer l’ouverture de l’École Thématique CoreAI 2026, un cycle de séminaires et de mini-cours financé par le Projet Thématique Long COLORS et consacré aux fondements de l’intelligence artificielle, réunissant des chercheuses et chercheurs internationaux de premier plan.

📅 Du 11 mars au 13 mai 2026
📍 Montpellier (salles précisées prochainement)
⏱️ Un séminaire par semaine + un mini-cours en avril
🔎 Thèmes : robustesse, optimisation distribuée, modèles génératifs, graphes de connaissances, domain adaptation, explicabilité, IA neuro-symbolique, apprentissage physique-informé.

Elle s’adresse aux doctorants, post-doctorants, ingénieurs, chercheurs, enseignants-chercheurs, et plus largement à toute personne souhaitant approfondir sa compréhension des fondements théoriques de l’IA.

👉 Les inscriptions sont gratuites mais obligatoires et seront possibles à partir de la mi-janvier.

Programme

Mars

11 mars — Nirupam Gupta (University of Copenhagen)
Robustness, Privacy and Fairness in Distributed Learning
(co-organisation ML-MTP)

17 mars — Arnak Dalalyan (CREST – ENSAE)
Modèles génératifs et théorie des GANs

25 mars — Axel Ngonga Ngomo (Université de Leipzig)
Graphes de connaissances

Avril

1 avril — Marie-Jeanne Lesot (LIP6, Sorbonne Université)
IA explicable : méthodes et risques

9 avril — Hadrien Hendrikx (Inria Grenoble)
Optimisation distribuée
(co-organisation ML-MTP)

15–16 avril — Mini-cours (2 demi-journées)
Dino Ienco & Giuseppe Guarino (INRAE Montpellier)
Apprentissage semi-supervisé et adaptation de domaine

Mai

6 mai — Céline Robardet (INSA Lyon)
Understanding and Explaining Graph Neural Networks

13 mai — Gérard Biau (Sorbonne Université – Académie des Sciences)
Learning with Physical Constraints (PINNs, Physics-informed Kernel Learning)
(session susceptible d’être élargie)

À propos de CoreAI

CoreAI vise à mettre en avant les principes fondamentaux, les méthodes théoriques et les approches méthodologiques qui structurent l’intelligence artificielle moderne.

L’école propose un parcours scientifique équilibré entre :

• théorie de l’apprentissage,
• robustesse et confiance,
• deep learning distribué,
• modèles génératifs et kernels,
• grandes structures de données (graphes, vision, télédétection),
• explicabilité et IA responsable.

Elle s’adresse aux doctorants, post-doctorants, ingénieurs, chercheurs, enseignants-chercheurs, ainsi qu’à toute personne souhaitant renforcer sa compréhension des fondements de l’IA.