Présentation
La conférence RDPIA (conférence francophone sur le Raisonnement, la Décision et la Planification en Intelligence Artificielle) est issue de la fusion des Journées d’Intelligence Artificielle Fondamentale (JIAF) et les Journées Francophones sur la Planification, la Décision et l’Apprentissage pour la conduite de systèmes (JFPDA) qui a eu lieu en 2023. Elle est un
rendez-vous autour des méthodes et outils fondamentaux de l’IA (modèles de
représentation des informations, méthodes de raisonnement sur ces informations,
méthodes de codage des informations et d’algorithmes de traitement efficaces,
modélisation formelle de l’interaction) et les domaines liés à la prise de décision
séquentielle sous incertitude et à la planification (apprentissage par renforcement, la
théorie du contrôle, de programmation dynamique). La conférence RPDIA est soutenue
par le Collège Représentation et Raisonnement de l’AFIA.
RDPIA aura lieu du 29 juin au 1er juillet 2026 dans le cadre de la Plate-Forme Intelligence Artificielle (PFIA).
Thématiques de la conférence
Les thématiques de recherche de RDPIA sont relatives aux méthodes et outils fondamentaux de l’Intelligence Artificielle :
- Définition de modèles de représentation des informations (croyances, connaissances, préférences, obligations et permissions, actions, incertitude, confiance, réputation) : langages des logiques classiques ou non classiques, modèles possibilistes, ontologies, langages à base de contraintes, représentations graphiques, représentation géométrique, etc.
- Définition des modèles d’intégration d’approches d’apprentissages et de raisonnement en IA, la définition de modèles neuro-symboliques, le raisonnement en langage naturel, etc.
- Définition et automatisation de raisonnements sur ces informations : raisonnement spatio-temporel, dynamique des informations, révision de croyances, fusion d’informations symboliques, raisonnement par argumentation, raisonnement causal, raisonnement abductif, raisonnement à partir de cas, raisonnement par induction, etc.
- Mise au point de méthodes de codage des informations et d’algorithmes de traitement efficaces : compilation de connaissances, SAT, contraintes, ASP, etc.
- Modélisation formelle de l’interaction : entre utilisateurs et systèmes informatiques, entre entités informatiques autonomes (agents), intégration de ces deux aspects dans les divers agents conversationnels, agents de recherche, assistants personnels.
- Modélisation de la prise de décision collective et des comportements stratégiques d’agents : choix social computationnel, théorie des jeux, algorithmes pour les jeux.
- Modélisation et résolution de problèmes de décision, planification, ordonnancement, diagnostic, apprentissage et dans différents contextes d’application, comme par exemple le Web sémantique.
- Modélisation de problèmes de décision séquentielle sous incertitude et approches de planification : problèmes d’apprentissage par renforcement, processus décisionnels de Markov, théorie du contrôle, programmation dynamique, etc.
Soumission
Les auteurs sont invités à soumettre des propositions d’articles de 6 à 10 pages maximum. Vous trouverez les feuilles de styles ici : https://afia.asso.fr/pfia-modeles-et-feuilles-de-style/
Des articles soumis par ailleurs à des conférences internationales sont bienvenus, sous forme de résumés de 2 pages en français (mentionnant la publication originale).
Des articles courts, supports à des démonstrations, sont également bienvenus.
Les soumissions sont à déposer sur EasyChair : https://easychair.org/conferences?conf=rdpia2026
Dates importantes
- Soumission des articles :
1er mars 2026 10 mars 2026
- Notification aux auteurs : 15 avril 2026
- Soumission de l’article en version finale : 15 mai 2026
- Conférence : 29 juin au 1er juillet 2026
Présidents du comité de programme
RDPIA est organisée par Aurélie Beynier et Jean-Guy Mailly (présidents du comité scientifique).
Conférenciers invités
- Conférencier invité commun à PFIA : Matti Järvisalo, Professeur, University of Helsinki, Finland.
- Conférencier invité spécifique à RDPIA : Sébastien Konieczny, Directeur de recherche CNRS, CRIL, Lens, France.
Solving Harder-than-SAT Computational Social Choice Problems with SAT Solvers
Abstract: Social choice theory considers collective multi-agent decision-making scenarios where agents must reach a group-level consensus. Computational social choice is a modern area of artificial intelligence research that considers social choice mechanisms from the computer science perspective. Of particular interest are applications of computational techniques to provide more stringent analysis of social choice mechanisms (in terms of, e.g., computational complexity and representational aspects) and the development of practical algorithms for computationally hard
problems in social choice. Among these directions, practical algorithms remain arguably somewhat underdeveloped. In this talk I will give an overview of our recent work towards closing some of this gap, with a special focus—as time permits—on coalition formation (the formation of coalitions based on preferences of individual agents) and judgment aggregation (capturing e.g. various types of voting mechanisms). In particular, I aim to explain how automated reasoning, and specifically Boolean satisfiability (SAT) solvers, can be harnessed for developing practical exact algorithms for decision and optimization problems studied in COMSOC that are in fact (presumably) harder that SAT, and how complexity analysis can support algorithm design for such problems.**
Bio: Matti Järvisalo is Professor of Computer Science (Algorithms and
Machine Learning) at University of Helsinki, Finland, where he leads the
Constraint Reasoning and Optimization group. His research interests span
several areas in artificial intelligence, including automated reasoning and
declarative programming, combinatorial optimization, knowledge representation
and graphical models, with key contributions especially in theory and practice
of Boolean satisfiability (SAT), SAT-based decision, combinatorial
optimization and counting procedures, and their applications. His group has
been successful in developing state-of-the-art solvers and tools e.g. for SAT, maximum
satisfiability (MaxSAT), pseudo-Boolean optimization, formal argumentation, and
answer set programming. With over 160 peer-reviewed publications to date,
Dr. Järvisalo has received various best paper awards and other international
recognitions for his contributions, including the IJCAI-JAIR Best Paper Award and an
IJCAI Early Career Spotlight, as well as further best paper recognitions at ECAI, CP,
KR, ICLP and PGM. In addition to organizing various workshops and conferences,
he was PC Chair for SAT'13, IJCAI-PRICAI'20 Demo Track, KR'23 Applications and
Systems Track, and KR'24 In the Wild Track, Chair of the Finnish AI
Society (EurAI member society of Finland) 2019-2021, and has served on
program committees of over 100 conferences. Today he serves on the editorial
boards of Journal of Artificial Intelligence Research, Journal of Automated
Reasoning, and Journal of Satisfiability, Boolean Modeling and Computation.
Dr. Järvisalo has also been involved in organizing various automated reasoning
competitions, including the renown SAT solver competitions and MaxSAT
Evaluations for many years.
Révision itérée de croyances et opérateurs d’amélioration - représentation et apprentissage
Résumé :
Dans cette présentation, nous proposerons un état de l’art de la révision itérée de croyances et de ses extensions. La révision de croyances est l’opération qui permet de corriger ses croyances à la lumière d’une nouvelle information plus fiable. Une famille d’opérateurs plus large est celle des opérateurs d’amélioration (improvement), qui permettent d’augmenter la plausibilité de la nouvelle information sans pour autant la croire immédiatement.
Nous présenterons ensuite deux contributions récentes qui permettent de jeter un nouvel éclairage sur cette théorie du changement de croyances. La première porte sur les structures dans lesquelles sont définis les opérateurs de révision itérée, appelées états épistémiques, traditionnellement définies de manière abstraite. Nous nous intéressons aux représentations concrètes de ces opérateurs, à leur expressivité, ainsi qu’à la traduction d’opérateurs d’une représentation à une autre. Ces outils permettent notamment d’identifier des représentations canoniques pour certaines classes d’opérateurs.
La seconde contribution établit un lien entre changement de croyances et apprentissage. Nous montrons comment construire un classifieur binaire à partir d’opérateurs d’amélioration, ouvrant ainsi des perspectives à la fois pour la théorie du changement de croyances et pour l’apprentissage automatique.
Bio:
Sébastien Konieczny est directeur de recherche CNRS au CRIL. Il s’intéresse au raisonnement en présence d’incohérences (ce qui englobe la révision et la fusion de croyances, l’argumentation, les logiques paraconsistantes), à la décision de groupe, et à la recherche de la vérité. Il est le porteur d’une chaire d’excellence en Intelligence Artificielle (BE4musIA - BElief change For multi-source Information Analysis). Il est responsable scientifique des plateformes coscinus.org et truthicize.com. Il a été nommé EurAI Fellow en 2024.
