Poster sessions

[1] Ikram Loued, Majdi Jribi et Faouzi Ghorbel, Reconnaissance faciale par une approche 3D/2D.

[2] Mohamed Amine Mezghich, Dorsaf Hmida, Taha Mustapha Nahdi and Faouzi Ghorbel, An improved VGG16 model based on complex invariant descriptors for medical images classification.

[3] Douba Jerbi, Emna Ghorbel, Majdi Jribi et Faouzi Ghorbel, Reconstruction de visage 3D à partir du reparametrage equivariant et quasi-complet.

[4] Achref Ghorbel, Syrine Haraketi, Dorsaf Sebai et Faouzi Ghorbel, Etude comparative des méthodes de réduction de dimensionnalité pour la classification d'images.

[5] Zeineb Othmeni, Majdi Jribi et Faouzi Ghorbel, An integral approach for 3D face recognition.

[6] Amal Araoud, Enjie Ghorbel et Faouzi Ghorbel, Réduction de dimension probabiliste non linéaire des tenseurs de diffusion par IRM.

[7] Arwa Habbechi, Majdi Jribi et Faouzi Ghorbel, Recalage ordonné des visages 3D en vue de reconnaissance.

[8] Manel Zouaoui, Dorsaf Sebai et Faouzi Ghorbel, Modèle de compression d'images en apprentissage fédéré.

[9] Imen Smati, Rania Khalsi, Mallek Mziou Sallami et Faouzi Ghorbel, Vérification et Amélioration de la Fiabilité des Classifieurs de Contours 2D basée sur les Réseaux de Neurones Profonds

• Nour Aridhi: Using artificial intelligence in studying the impact of malicious bots on social networks

• Salma ABID: Detection of arabic abusive messages on social networks: A multi-label approach based on a chain of deep classifiers

• Nourchene Ouerhani: SMAD: SMart Assistant during and after a medical emergency case based on Deep learning sentiment analysis

• Dorsaf Sellami: Scale knowledge graph embedding models for link prediction task

• Badri NABIL: Contributions a la détection des contenus haineux

• Bousmina Abir: Spatiotemporal explainable GNN for disease prediction

• AROUA Rim: Système de notation automatique des essais en langue arabe

• Mathlouthi Saoussen: Efficient learning appproach for the resolution of syntactic reprise phenomena

• Nassreddine Znaidi: Enrichissement sémantique des notices documentaires dans des contextes multilingues, multiculturels et multi-domaines : Application sur le fonds documentaire de France Télévisions.

• Khadouj Chadha Amraoui: Arabic Commonsense QA system

• Saida sfaxi: Federated FCA : Privacy preserving Federated Formal Concept Analysis

• Najiba Ouled Omar: Détection du langage offensif et des discours haineux dans les réseaux sociaux

• Manel Rhif: Non-stationary time series forecasting based on wavelet decomposition and temporal convolution network: Application on vegetation change (SDG 13 and SDG15)

1.  Title: An effective hybrid text-based approach to identify fake news on social media

Authors: Hamza BARGOUGUI, Imtiez FLISS and Moncef TAGINA

Abstract: Because of their low cost, simplicity of access, and quick dissemination, social media are today one of the primary information sources for millions of people worldwide. However, this is at the expense of dubious credibility and a large danger of being exposed to "fake news," which is deliberately designed to mislead readers. Considering this, in this paper we propose a novel method for identifying bogus news based on the text content. This method is founded on a mix of BERT (Bidirectional Encoder Representations from Transformers) and deep learning techniques (Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM)). Promising results are seen when the proposed approach is compared to other models.

Keywords: Text-Based Fake News Detection, BERT (Bidirectional Encoder Representations from Transformers), hybrid deep learning techniques

2.  Title: Human-centric Dynamic and Flexible Job shop Scheduling Problem

Authors: Dorsaf ARIBI, Olfa BELKAHLA DRISS and Hind BRIL EL HAOUZI

Abstract: In this study, we delve into a distinctive approach addressing the dynamic and flexible job shop scheduling problem (DyFJSP) through a lens centered on human-centric production. Our approach not only to address the complexities inherent in scheduling but also to prioritize the well-being of workers and the sustainability of production processes. Embracing real-time scenarios, our methodology underscores the human-centric elements of fatigue and energy consumption, recognizing them as pivotal factors shaping the production landscape. Our strategy employs an enhanced genetic algorithm (EGA), innovatively designed to tackle the dynamic nature of DyFJSP. Rigorous experimental analysis validates the efficacy and applicability of this approach, illustrating a promising pathway towards more human-centered and sustainable production environments.

Keywords: Industry 4.0, dynamic and flexible job shop scheduling problem (DyFJSP), human-centric production.

3.  Titre: Harris Hawks Optimization Algorithm for the Flexible Job shop Scheduling Problem with Worker flexibility

Auteurs : Farah FARJALLAH, Houssem Eddine NOURI et Olfa BELKAHLA DRISS

 Résumé : Ce travail explore la résolution du Problème d'Ordonnancement de l'Atelier Flexible à Contraintes de Ressources Doubles (DRCFJSP) en utilisant l'algorithme d'optimisation des Harris Hawks (HHO). Les résultats montrent que HHO est efficace pour trouver des solutions optimales, surpassant souvent le modèle de la littérature MuSTAM. L'étude met en lumière l'importance de considérer à la fois la flexibilité des machines et des travailleurs pour minimiser le critère du makespan.

 Mots clés: Makespan, Harris Hawks Optimizer, Job Shop Scheduling, Worker Flexibility

4.      Titre : Détection automatique de la dépression à l'aide des signaux EEG

Auteurs : Rabiaa TBIBE, Khaoula BOUAZZI et Sadok BOUAMAMA

Résumé : La dépression est un type de trouble mental se manifestant par un manque d'intérêt pour les activités physiques, mentales et sociales habituelles, ainsi que par des sentiments persistants d'impuissance, de démotivation et de fluctuations d'humeur. Cette maladie est désormais considérée comme un problème mondial et son diagnostic précoce pourrait sauver de nombreuses vies. Les signaux électroencéphalographiques (EEG) peuvent être utilisés pour détecter les altérations du potentiel électrochimique du cerveau. Le présent travail propose un modèle d'apprentissage profond basé sur un réseau neuronal convolutif (CNN) et un réseau de neurones récurrents à mémoire à long terme (LSTM) pour la détection de la dépression.

Mots-clés : apprentissage profond, CNN, LSTM, EEG.