Archives

EDM 2023: the 16th International Conference on Educational Data Mining

Date : 2023-07-11 => 2023-07-14
Lieu : Bangalore, India

16th International Conference on Educational Data Mining (EDM 2023)
Bangalore, July 11-14, 2023

Call for Papers

It is a pleasure to invite you to Educational Data Mining (EDM 2023). Educational Data Mining is a leading international forum for high-quality research that mines datasets to answer educational research questions, including exploring how people learn and how they teach. The overarching goal of the Educational Data Mining research community is to support learners and teachers more effectively, by developing data-driven understandings of the learning and teaching processes in a wide variety of contexts and for diverse learners. The conference will take place in the Indian Institute of Science Campus, Bengaluru, India, during July 11-14, 2023.

The theme of this year’s conference is “Educational data mining for amplifying human potential”. EDM-2023 particularly welcomes papers focusing on concepts, principles, and techniques mined from educational data for enhancing the potential of all the stakeholders in the education system. Papers describing applications and case studies are especially welcome.

Topics of Interest
– Models and new techniques for mining educational data
– Domain Knowledge Modeling
– Educational Recommenders, Instructional Sequencing, and Personalized Learning
– Learner Cognitive and Behavior Modeling and its association with performance
– Learner Knowledge and Performance Modeling
– Social and Collaborative Learning
– Reproducibility
– Equity, Privacy, Transparency, and Fairness

Important Dates (anywhere on Earth)
– Workshop and Tutorial proposals: December 5, 2022
– Full/short papers abstract: Jan 13, 2023
– Full/short papers, industry papers, posters and demos, doctoral consortium papers: Jan 20, 2023

For any inquiries regarding the program, please contact: edm2023.conf@gmail.com
We look forward to seeing you at EDM 2023.

Sincerely,

—
EDM2023 Program Committee

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

PAKDD 2023 in Osaka: Call for Papers (Dec 7) and Workshops (Dec 1)

Date : 2023-07-11 => 2023-05-28
Lieu : Osaka, Japan

===============================================================

[Call for Papers]

The 27th Pacific-Asia Conference on Knowledge Discovery and Data Mining

(PAKDD 2023)

http://pakdd2023.org/

Conference date: May 25-28, 2023 – Osaka, Japan (Onsite/online hybrid)

Paper Submission Deadline: Dec. 7, 2022

===============================================================

The Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) is one of the longest established and leading international conferences in the areas of data mining and knowledge discovery. It provides an international forum for researchers and industry practitioners to share their new ideas, original research results, and practical development experiences from all KDD related areas, including data mining, data warehousing, machine learning, artificial intelligence, databases, statistics, knowledge engineering, visualization, decision-making systems, and the emerging applications.

The 27th edition of PAKDD will be held in Osaka, Japan, from May 25 to May 28, 2023.

The venue will be a hybrid of onsite and online.

[Topics]

PAKDD2023 welcomes high-quality, original, and previously unpublished submissions in the theories, technologies, and applications on all aspects of knowledge discovery and data mining. Topics of relevance for the conference include, but not limited to the following.

Methods and algorithms:

Anomaly and outlier detection, Association rule, Classification, Clustering, Data mining pipelines, Deep learning, Dimensionality detection and feature selection, Ethics and fairness, Graphs and networks, Interpretability and explainability, Kernel methods, Matrices and tensors, Online and streaming algorithms, Parallel and distributed mining, Probabilistic models and statistical inference, Regression, Reinforcement learning, Relational learning, Security and privacy, Semi-supervised and unsupervised learning, Theoretical foundations, Transfer learning and meta learning, and Visualization and user interface.

Applications:

Big data, Computational Advertising, Financial data, Information retrieval and search, Internet of Things, Intrusion and fraud detection, Medical and biological data, Multimedia and multimodal data, Recommender systems, Robotics, Scientific data, Social network analysis, Spatio-temporal data, Texts, web, social media, and Time-series and streaming data.

[Paper Submission]

Paper submission must be in English. All papers will be double-blind reviewed by the Program Committee based on technical quality, relevance to data mining, originality, significance, and clarity. All paper submissions will be handled electronically. Papers that do not comply with the Submission Policy will be rejected without review.

Each submitted paper must include an abstract up to 200 words and be no longer than 12 single-spaced pages with 10pt font size (including references, appendices, etc.). Authors must use Springer LNCS/LNAI manuscript submission guidelines for their submissions. All papers must be submitted electronically through the CMT paper submission system in PDF format only. Supplementary material may be submitted as a separate PDF file, but reviewers are not obligated to consider this, and your manuscript should, therefore, stand on its own merits without any supplementary material. Supplementary material will not be published in the proceedings.

We require that any submission to PAKDD must not be already published or under review at another archival conference or journal. Papers on arXiv do not violate this rule as long as the submitted paper does not cite them. Submitting a paper to the conference means that if the paper was accepted, at least one author will complete the regular registration and attend the conference to present the paper. For no-show authors, their papers will not be included in the proceedings.

The conference will confer several awards, including Best Paper Award, Best Student Paper Award, and Best Application Paper Award from the submissions.

Springer will publish the proceedings of the conference as a volume of the LNAI series.

[Double-Blind Review]

Paper submission must adhere to the double-blind review policy. Submissions must remove all details identifying the author(s) from the original manuscript (including the supplementary files, if any), and the author(s) should refer to their prior work in the third person and include all relevant citations.

Because of the double-blind review process, non-anonymous papers that have been issued as technical reports or similar cannot be considered for PAKDD2023. An exception to this rule applies to manuscripts that were published in arXiv not later than October 24, 2022, i.e., at least a month before PAKDD’s submission deadline.

The author list and order cannot be changed after the paper is submitted.

[Formatting Template]

Formatting Template: https://www.springer.com/gp/computer-science/lncs/conference-proceedings-guidelines.

All the Manuscripts must be prepared and submitted in accordance with the above format. Usage of other formats may lead to disqualification of paper for the conference.

[Submission Site]

https://cmt3.research.microsoft.com/PAKDD2023

[Important Dates]

Paper Submission Deadline: Dec 7, 2022

Paper Acceptance Notification: Feb 7, 2023

Camera Ready Papers Due: Mar 10, 2023

*All deadlines are 23:59 Pacific Standard Time (PST)

[Contact Information]

Program Co-Chairs of PAKDD2023

Hisashi Kashima, Wen-Chih Peng, Tsuyoshi Ide

pakdd2023@gmail.com

PAKDD 2023 Call for Workshops
https://pakdd2023.org/cfw/

The Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) is one of the longest established and leading international conferences in the areas of data mining and knowledge discovery. The 26th edition of PAKDD will be held in Osaka, Japan, from May 25 to May 28, 2023. The PAKDD 2023 organizing committee invites workshop proposals on foundational and emerging topics in areas related to data mining. The PAKDD workshops provide an informal and vibrant opportunity for researchers and industry practitioners to share their research positions, original research results and practical development experiences on specific challenges and emerging issues. Each workshop should be focused on a cohesive theme so that participants can benefit from interaction with each other.

## Topics of Interest
Workshop topics typically match those identified in the PAKDD 2023 call for papers, but proposals concerned with other areas of data mining and knowledge discovery are welcome. Interdisciplinary workshops that explore the convergence of data mining and knowledge discovery with various disciplines are also encouraged.

## Format
Workshops are scheduled to be held at the beginning of the conference, May 25, 2023. Workshops will be held entirely online. Workshop papers will not be included in the conference proceedings but available on the PAKDD 2023 webpage.

## Duties
The organizers of accepted workshops are expected to disseminate the call for papers, gather submissions, form the program committees, conduct the reviewing process, and decide upon the final workshop program.

## Submission
The workshop proposal should contain the following information:
– Title of the workshop – Objectives, scope, and contribution to the main conference
– Names, affiliations and contacts of the organizers
– Tentative list of the program committee members
– Length of the workshop (full day or half day)
– Expected number of submissions and attendees
Workshop proposals should be submitted by December 1st, 2022 at 11:59PM (PST). Please prepare a PDF (maximum three pages) that contains the aforementioned contents and send it to pakdd2023workshop@gmail.com.

## Important Dates
Workshop proposal submission deadline: December 1, 2022
Workshop proposal acceptance notification: December 21, 2022
Workshop CFP deadline: January 15, 2023
Workshop paper deadline: February 28, 2023
Workshop paper acceptance notification: March 31, 2023
Workshop paper camera-ready: April 25, 2023
*All deadlines are 23:59 Pacific Standard Time (PST)

## Contact Information
Workshop Co-Chairs of PAKDD2023
Yukino Baba, Jill-Jênn Vie
pakdd2023workshop@gmail.com

—
Jill-Jênn
https://jjv.ie

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Implantation d’une interface utilisateur pour l’exploration interactive d’un ensemble de motifs extraits

Offre en lien avec l’Action/le Réseau : DSChem/– — –

Laboratoire/Entreprise : Groupe de recherche en informatique, image, automa
Durée : 6 mois
Contact : bertrand.cuissart@unicaen.fr
Date limite de publication : 2023-02-01

Contexte :

Cette annonce propose un stage de 6 mois destiné à un·e étudiant·e en cinquième année d’informatique (M2 ou école d’ingénieurs). Le stage s’inscrit dans le projet ANR-20-CE23-0023 InvolvD 1 . Le sujet principal est le développement d’une interface utilisat·eur·rice,outil indispensable pour permettre aux expert·e·s en pharmacie de bénéficier de notre nouvel algorithme d’exploration de résultats expérimentaux. Le stage (sera encadré par Ronan Bureau, Bertrand Cuissart et Etienne Lehembre. Le·La stagiaire sera accueilli.e au sein du GREYC, le laboratoire d’informatique de l’Université de Caen Normandie.

Sujet :
Dans le cadre d’InvolvD, nous avons récemment développé un algorithme visant à accom-
pagner un·e expert·e dans la découverte d’un espace de données structurées. L’algorithme
aillant fait ses preuves lors de tests avec des oracles synthétiques, nous souhaitons passer
à une phase expérimentale concrète en impliquant des expert·e·s humain·e·s. Le stage
consiste à réaliser l’interface utilisat·eur·rice qui permettra à un·e pharmacien·e de choisir
les parties des résultats qui l’intéressent au premier chef.
Les éléments d’étude sont des graphes étiquetés appelés pharmacophores [2] issus d’un
calcul de fouille de données. L’ensemble des pharmacophores est structuré grâce à la re-
lation d’inclusion entre les graphes. L’interface a pour but d’offrir à l’expert·e un moyen
efficace de parcourir cette structure de façon à alimenter l’algorithme d’apprentissage
par renforcement. L’objectif étant de limiter la frustration et le manque d’attention de
l’expert·e [1], il est important que l’interaction ne se résume pas à une suite de questions
– réponses.
Suite aux réponses de de l’expert·e, l’algorithme actualise l’intérêt de chaque pharma-
cophore pour l’analyse. Pour traduire cette évolution, la visualisation de la structure à
parcourir doit évoluer en conséquence.
La réalisation de l’interface sera prolongée par un travail destiné à évaluer les perfor-
mances de l’algorithme d’évaluation de l’intérêt des pharmacophores. Pour cette partie
du travail, il sera indispensable d’avoir un échange de nature interdisciplinaire avec les
chercheurs en pharmacie.
Enfin, le stage se conclura par un travail plus ouvert et axé sur le choix stratégique à
associer au parcours des pharmacophores. On peut privilégier une stratégie d’exploitation
associée à un parcours plutôt de proches en proches, on peut opter pour une stratégie
d’exploration qui privilégie les pharmacophores associés aux endroits peu explorés par
l’analyse ou on peut imaginer des compromis entre ces deux stratégies.

Profil du candidat :
Technologies envisagées
La réalisation de l’interface s’appuiera sur une méthode clas-
sique MVC (Modèle – Vue – Contrôleur) où le modèle serait le code C++ fourni. Il sera
nécessaire d’intégrer le code à un wrapper Python pour mettre en place les contrôleurs
communiquant avec la vue qui utilisera Dash Cytoscape 2,3 ; Cytoscape est un logiciel de
visualisation de graphes déjà existant.
Apports du stage
Le·la stagiaire sera intégré·e au sein de l’équipe CODAG du GREYC, laboratoire d’informatique normand. Le projet ANR InvolvD impliquant des cherch·eurs·euses de plusieurs laboratoires français, l’étudiant·e aura l’occasion d’échanger avec plusieurs spécialistes dans le contexte d’une recherche interdisciplinaire. Ces échanges seront accompagnés par une intégration dans le groupe chimie-informatique caennais, groupe qui compte une vingtaine de membres et qui se réunit mensuellement pour échanger. L’étudiant·e aura ainsi plusieurs occasions de présenter ses travaux dans un contexte collaboratif. De plus, le travail étant un travail de recherche académique, il se concrétisera par la rédaction d’une communication scientifique qui sera soumise à la communauté scientifique (poster, workshop, article de conférence, ou journal). Enfin, en réalisant ce stage, l’étudiant·e va acquérir des connaissances très intéressantes concernant la ”chemoinformatique”, domaine interdisciplinaire visant à réaliser des avancées informatiques pour mieux appréhender le monde de la chimie.

Formation et compétences requises :
Le stage est destiné à un étudiant de cinquième année d’informatique (M2 ou école d’ingénieurs).

Adresse d’emploi :
6 Boulevard du Maréchal Juin
Bâtiment Sciences 3
CS 14032, 14032 CAEN cedex 5

Document attaché : 202212011043_stage_greyc.pdf

ingénieur interopérabilité et ingénièrie de la connaissance

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Mission science ouverte de l’IRD (Institut de rec
Durée : 2 ans
Contact : jean-christophe.desconnets@ird.fr
Date limite de publication : 2023-02-01

Contexte :
Une mission attractive
Sous la responsabilité de Jean Christophe Desconnets, ingénieur à l’IRD, votre mission consistera à prolonger les travaux initiés sur la constitution des référentiels terminologiques et d autre part de travailler à l’amélioration du moissonnage des données et métadonnées des SI scientifiques pour constituer une première base de connaissance des productions numériques scientifiques de l ’IRD.

Sujet :
Vos activités seront les suivantes :

Continuer de construire les référentiels disciplinaires de l’IRD. L’accent sera en particulier mis sur la formalisation et l ’alignement avec les référentiels géographiques nationaux et internationaux.
Développer des routines pour regrouper, formaliser et structurer les métadonnées scientifiques selon les standards du web en vigueur afin de les interconnecter et les interroger.
Participer à l’ urbanisation des SI en définissant avec les parties prenantes les exigences pour la conception ou la création des bases de données institutionnelles.
S’impliquer dans la communauté des sciences des données pour assurer une veille technologique, échanger avec les autres instituts dans le cadre des initiatives nationales et internationales CoSO, RDA

Profil du candidat :
Vous possédez un diplôme de niveau 7-8 (école d’ingénieur ou doctorat) dans les domaines des sciences des données ou ingénierie de la connaissance

Formation et compétences requises :
Très bonne maitrise des concepts, méthodes et outils liés à la modélisation de données et de connaissances.
Spécialisation en construction et curation de référentiels terminologiques/ontologies.
Connaissance des technologies du web sémantique (concepts, langages).
Maîtrise d’outils de construction, d’alignements ou d’agrégation d’ontologies.
Connaissance des principaux standards d’interopérabilité sur les métadonnées et les données fortement souhaitée.
Rigueur et capacité d’analyse, en particulier pour les travaux de structuration de la connaissance ou d’alignement de référentiels.
Connaissances opérationnelles de la langue anglaise (B2-C1).
Savoir élaborer des dispositifs pédagogiques pour former ou informer des scientifiques.
Maîtriser les notions de conduite de projet, savoir gérer une organisation.
Vous faites preuve des qualités humaines suivantes :

Bonnes qualités relationnelles et d’écoute afin d’être en mesure de participer pleinement aux groupes de travail internationaux.
Travailler en équipes inter-disciplinaires ou inter-organismes.
Savoir transmettre et faire preuve de pédagogie.
Curiosité et capacité à appréhender un domaine nouveau, en évolution.

Adresse d’emploi :
Délégation régionale Occitanie de l’IRD- Montpellier

Postdoc Position in Deep Learning/Computer Vision

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : Hubert Curien Laboratory – UMR 5516
Durée : 1 year (possibly 2 y
Contact : alain.tremeau@univ-st-etienne.fr
Date limite de publication : 2023-02-01

Contexte :
The Image Science and Computer Vision team of Hubert Curien Laboratory (https://laboratoirehubertcurien.univ-st-etienne.fr/en/index.html) is looking for talents with skills and experience in video analysis and scene understanding for one Postdoc position (1 or 2 years) from January (or February) 2023.

This position is offered in the frame of the Horizon Europe project PREMIERE (Performing arts in a new era: AI and XR tools for better understanding, preservation, enjoyment and accessibility). The recruited candidate will be responsible for conducting research within the PREMIERE project and for participating in the related Work Package activities.

This project involves three permanent researchers from the laboratory and another postdoc who will collaborate with you and to the different work packages.

See https://premiere-project.eu/

Sujet :
The candidate will carry out research on developing tools and methods for 2D human pose estimation. Several topics will be investigated:
– Design of evaluation metrics for comparison of 2D human pose estimation neural network architectures (as example see https://github.com/open-mmlab/mmpose) and for improvement of existing neural network frameworks / loss functions.
– Selection of the “best” 2D human pose estimation methods (as the ones very recently surveyed in https://arxiv.org/abs/2204.07370) for a set of 2D videos from archives of performances/dances.
– Design of a strategy to transpose a human skeleton model to another model (with different keypoint and segment attributes) or to retrain a pose estimation model from another skeleton-based model than the one used for the pretraining.
– Design a framework to evaluate the quality of archives in terms of body pose estimation, hand pose estimation, face pose estimation, emotion recognition, etc.

Profil du candidat :
The ideal candidate for this Postdoc position has a PhD’s degree in deep learning and computer vision, with excellent academic records and research experience. A strong background in machine learning, artificial intelligence, data mining, is requested. Excellent programming skills, analytical problem solving and organizational abilities are required. Prior practical experience in deep neural networks is mandatory.
We are looking for a passionate researcher who loves challenges and who is highly qualified and engaged to study, design, develop and validate video analysis methods based on deep learning approaches.
Key qualifications:
– Strong experience in Python, including popular science libraries;
– Experience with one or more deep learning framework such as Tensorflow, PyTorch or Keras;
– Experience in research and/or development for action recognition, or human body pose and motion estimation, multi-objects tracking, activity recognition, scene understanding, etc.;
– Expert knowledge of the principles, algorithms, and tools of deep learning, including models, training strategies, training dataset building, loss functions, quality metrics, etc.;
– Excellent communication and collaboration skills;
– Excellent problem solving and analytical thinking skills;
– Excellent math skills: linear algebra, computational science and optimization;
– Creativity and curiosity for solving highly complex problems.

Formation et compétences requises :
PhD candidates expecting to finalize their degree in the coming months are also welcome to apply.
Application

Applications should be sent by email to Prof. Alain Trémeau (alain.tremeau@univ-st-etienne.fr) and should include the following documents.
1. A cover letter stating the purpose of the application and a brief statement of why you believe that your background and goals are well-matched with the goals of this position
2. A Curriculum Vitae that includes at least a list of previous degrees, dates, and institution, transcripts for higher-education studies until most recent available
3. Copies of previous transcripts and degree certificates
4. A summary (1-2 pages) of the PhD’s and/or master’s thesis
5. A copy of previous publications and software samples, if any, and
6. Reference letters or contact information for reference persons

List of qualifications (eg. in Software development using Python, in development frameworks for machine learning such as TensorFlow/Keras and PyTorch, or for real-time image processing like OpenCV) and other documents that the applicant wishes to refer to should be enclosed with the application.

Very good English communication skills and reporting, autonomy and curiosity, ability to work in a highly collaborative environment, sense of initiative and rigour will be greatly appreciated.

Adresse d’emploi :
Place of Work: Laboratory Hubert Curien, University Jean Monnet, Saint-Etienne, France

Détection d’attaques par analyse de métriques dans les graphes complexes dynamiques

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire de recherche de l’EPITA (LRE)
Durée : 36 mois
Contact : mark.angoustures@epita.fr
Date limite de publication : 2023-02-01

Contexte :
Les menaces persistantes avancées sont difficiles à détecter en raison de leurs schémas d’attaque en plusieurs étapes s’accompagnant de phases lentes et rapides.
Ces types d’attaques impliquent généralement des moyens de persistances d’accès et des mouvements latéraux vers d’autres environnements.
Détecter une campagne d’APT revient à identifier des patterns d’attaques dans des données de natures très hétérogènes, sur différentes échelles temporelles.
Diverses techniques ont été récemment mises au point pour représenter ces patterns, notamment la représentation des interconnexions entre les noeuds du système d’information sous forme de graphes.
Différentes métriques et centralités de graphes sont sujettes à une corrélation des différentes phases des APT.

Sujet :
L’objectif de la thèse est de proposer une méthode de détection des menaces persistances avancées basées sur des réseaux complexes statiques et dynamiques. La thèse mesurera l’impact et la corrélation entre différentes métriques de réseaux complexes (centralités, dynamique temporelle, etc.) et les phases d’attaques des APT. Le deuxième objectif de la thèse sera d’établir une méthode pour prédire une phase d’attaque par des calcul de métriques et de centralités. La piste des Graph Neural Networks (GNN) pour apprendre et prédire ces métriques et centralités dans les réseaux complexes sera étudiée.

* Axe 1 :
La première approche de la thèse consistera à évaluer les méthodes de détection d’APT. Cette première étape permettra d’identifier les problématiques liées à ces méthodes.
Ensuite la thèse visera à construire une représentation des données sous forme de graphes statiques et dynamiques. Cette représentation devra prendre en compte les propriétés liées aux phases d’APT. L’état de l’art de la thèse incorpora des différentes représentations existantes en graphes liées à la sécurité.
* Axe 2 :
La thèse abordera la mesure entre différentes centralités dynamique et statiques (closeness, betweenness, eigenvector…) sur les réseaux complexes des données contenant les attaques.
Au début, Il s’agira de se concentrer sur une ou deux métriques et attaques pour pouvoir produire une publication et du code associé dans la première année de thèse.
* Axe 3 :
Enfin, la thèse visera à proposer une méthode pour approximer ces centralités pertinentes selon les différentes attaques. Au vu de la forte volumétrie et haute intensité des données, les modèles basées sur les réseaux de neurones sur les graphes peuvent être une piste à envisager pour approximer les différentes valeurs de centralités. Cette approche sera comparée à d’autres pistes d’approximation algorithmique de métriques de graphes. L’objectif est d’optimiser la qualité de la détection et le compromis temps vs précision.

Profil du candidat :
Le candidat a une formation initiale (ingénieur ou master universitaire) en informatique avec une spécialisation dans le domaine de la cybersécurité.
Idéalement, le candidat à des connaissances en l’apprentissage automatique et idéalement de bonnes notions de graphes.
La maîtrise d’un langage de programmation est indispensable.

Formation et compétences requises :
cf ‘Profil du candidat’

Adresse d’emploi :
14-16 Rue Voltaire, 94270 Le Kremlin-Bicêtre

Document attaché : 202211281059_Detection_dattaque_par_graphe.pdf

13th International Conference on Formal Ontology in Information Systems (FOIS 2023)

Date : 2023-07-17 => 2023-07-20
Lieu : July 17-20, 2023 : Sherbrooke, QC, Canada
and Sept 18-20, 2023 : Online

FOIS 2023 Call for papers

Definition and scope

The FOIS conference is a meeting point for all researchers with an interest in formal ontology. Formal ontology is the systematic study of the types of entities and relations making up the domains of interest represented in modern information systems. The conference encourages submission of high quality, not previously published results on both theoretical issues and practical advancements. FOIS 2023 will have distinct tracks for foundational issues, ontology applications and methods, and domain ontologies.

FOIS aims to be a nexus of interdisciplinary research and communication for researchers from many domains engaging with formal ontology. Common application areas include conceptual modeling, database design, knowledge engineering and management, software engineering, organizational modeling, artificial intelligence, robotics, computational linguistics, the life sciences, bioinformatics and scientific research in general, geographic information science, information retrieval, library and information science, as well as the Semantic Web.

FOIS is the flagship conference of the International Association for Ontology and its Applications (IAOA: http://iaoa.org/), which is a non-profit organization promoting interdisciplinary research and international collaboration in formal ontology.

Important dates

• Paper submission deadline: 31 January 2023
• Author rebuttal period: March 24-31, 2023 (tentative)
• Notifications: April 10, 2023 (tentative)
• Camera-ready papers: May 1, 2023
• Onsite conference: July 17-20, 2023
• Virtual conference: week of September 18, 2023

The submission deadline for workshops will be after the notifications to allow authors to submit a revised version of rejected papers to any of the conference workshops if the paper topics are appropriate for this workshop.

Location

FOIS 2023 will consist of a physical meeting and a virtual meeting:

• An in-person only meeting in Sherbrooke, Quebec from July 17 to 21, 2023 that will be very much like a traditional conference with keynotes, regular talks, workshops and tutorials and plenty of social and networking opportunities. This part will not have a remote participation option, but we plan on recording selected talks (e.g. keynotes).
• This will be followed by an online part to be held from September 18 to 20, 2023 that offers an opportunity for presentation and discussion of additional papers that were not presented at the physical meeting in Sherbrooke.

Submissions

FOIS 2023 seeks three types of full-length (14 pages) high-quality papers on a wide range of topics:

• Foundational papers address content-related ontological issues, their formal representation, and their relevance to some aspect of information systems.

• Application and Methods papers address novel systems, methods, and tools related to building, evaluating, or using ontologies, emphasizing the impact of ontology contents.

• Domain ontology papers describe a novel ontology for a specific realm of interest, clarifying ontological choices against requirements and foundational theory, and showing ontology use.

Please refer to the Submissions Instructions (coming soon) for more details. As usual, the FOIS proceedings will be published by IOS Press.

Topics of interest

Areas of particular interest to FOIS include the following:

Foundational Issues
• Kinds of entities: particulars/universals, continuants/occurrents, abstracta/concreta, dependent entities/independent entities, natural objects/artifacts, events/processes
• Formal relations: parthood, identity, connection, dependence, constitution, causality, subsumption, instantiation
• Vagueness and granularity
• Space, time, and change

Methodological issues
• Top-level vs. domain-specific ontologies
• Role of reference ontologies
• Ontology similarity, integration, alignment, matching and entity reconciliation
• Ontology modularity, patterns, and contextuality
• Ontology evaluation, quality, reuse, adaptation, and evolution
• Ontology compliance with FAIR principles
• Formal comparison among ontologies
• Relationship between conceptual modeling and ontologies
• Relationship with cognition, language, semantics, and context
• Connections between knowledge graphs and ontologies
• Methodological issues in the applications of ontologies
• Social issues, such as trust or bias, with respect to ontologies

Applications
• Technical applications of ontologies, such as
• Semantic Web
• Other areas of AI (Machine Learning, Explainable AI, Rules)
• Qualitative modeling
• Systems applications of ontologies, such as
• Ontology-driven information systems design
• Ontology-based data access
• Knowledge management
• Information retrieval
• Computational linguistics
• Metadata management
• Domain applications of ontologies, such as
• Ontologies for business modeling
• Ontologies for particular scientific disciplines (biology, chemistry, geography, physics, geoscience, cognitive sciences, linguistics, etc.)
• Ontologies for engineering: shape, form and function, artifacts, manufacturing, design, architecture, etc.
• Ontologies for the humanities: arts, cultural studies, history, literature, philosophy, etc.
• Ontologies for the social sciences: economics, law, political science, anthropology, archeology, etc.
• Ontologies for Open Science and dataset sharing

Domain-specific ontologies
• Ontology of physical reality (matter, space, time, motion, etc.)
• Ontology of biological reality (organisms, genes, proteins, cells, etc.)
• Ontology of mental reality and agency (beliefs, intentions, emotions, perceptions, cognition, etc.)
• Ontology of artifacts, functions, capacities and roles
• Ontology of social reality (institutions, organizations, norms, social relationships, artistic expressions, etc.)

Conference Organization

General Chair:
Antony Galton, University of Exeter, UK

PC Chairs:
Nathalie Aussenac-Gilles, IRIT-CNRS Toulouse, France
Torsten Hahmann, University of Maine, USA

Local Organization Chair:
Jean-François Ethier, University of Sherbrooke, Canada

Online Chair:
Cassia Trojahn, IRIT Université Toulouse 2, France

Workshop and Tutorial Chairs:
Megan Katsumi, University of Toronto, Canada
Emilio Sanfilippo, ISTC-CNR, Trento, Italy

Early Career Chairs:
Antoine Zimmermann, École des Mines de Saint-Étienne (EMSE), France
Guendalina Righetti, Free University Bozen/Bolzano, Italy

Demo & Showcase Chairs:
Sergio de Cesare, University of Westminster, UK
TBA

Publicity Chairs:
Lucia Gomez Alvarez, TU Dresden, Germany
Selja Seppälä, University College Cork, Ireland

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Benchmarking de middleware pour le Big Data

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISTIC
Durée : 4 à 6 mois
Contact : asma.dhaouadi@univ-smb.fr
Date limite de publication : 2023-04-01

Contexte :
Le sujet de ce stage se situe dans le cadre d’un projet de recherche visant à proposer une approche de modélisation personnalisable d’un pipeline Big Data pour l’acquisition, le traitement et le stockage de données pour une analyse future. En effet, de nos jours les sources et les types de données se multiplient au sein de l’entreprise : fichiers plats, données opérationnelles, nouveaux services internet, différents réseaux sociaux, nouvelles applications de l’internet des objets (IOT), etc. Cette révolution informationnelle a généré une grande masse de données, dite « Big Data ». Le Big Data est caractérisé par le grand « volume » de données collectées par l’entreprise, la « variété » de ces données, qui peuvent être structurées, semi-structurées ou non structurées et aussi par la fréquence de l’arrivée des données « vitesse » qui devrait être prise en considération. Pour faire face aux challenges de Big Data une bonne variété de technologies dédiées est apparue, tels que l’écosystème d’Hadoop (HDFS, Map Reduce, Yarn, etc), Flink, Kafka, Elasticserach, Kibana, etc. Dans la littérature de différentes solutions architecturales Big Data ont été proposées. Dans ces architectures se trouvent une ou plusieurs technologies pour répondre à un besoin spécifique. Par ailleurs, le choix de ces technologies n’est pas toujours suffisamment justifié.

Sujet :
L’objectif de ce stage sera le déploiement de trois différentes architectures Big Data pour l’extraction, le traitement, le chargement (ETL) des données. Dans chacune de ces architectures, l’étudiant teste le déploiement des technologies selon des critères à définir (RAM, réseau, stockage, etc). L’étudiant est appelé aussi à étudier la compatibilité entre les technologies mises en œuvre au sein d’une même architecture. De plus, tout au long du stage, il serait utile de prendre note de tous les problèmes rencontrés, en particulier celle de configuration et de préciser comment sont-ils surmontés. À la fin du stage, l’étudiant est appelé à synthétiser toutes les étapes menées et relever les résultats du travail de benchmarking.

Pour la mise en œuvre des architectures proposées le candidat pourra avoir accès durant la période du stage à la plateforme MUST, mésocentre de stockage et de calcul scientifique mutualisée ouverte sur la grille de recherche européenne utilisée par les chercheurs des différents laboratoires de l’USMB ainsi qu’a des machines de calcul internes au laboratoire.

Profil du candidat :
BUT, L3, M1 ou M2 recherche
Ingénieur année 1, 2 ou 3

Formation et compétences requises :
– Connaissance et compréhension des phases d’acquisition, de traitement, de stockage de données.
– Connaissances relativement bonnes de l’écosystème Hadoop et d’autres technologies : Redis, Spark, etc.
– Configuration des technologies Big Data.
– Comprendre, analyser et rédiger des documents scientifiques et techniques.

Adresse d’emploi :
LISTIC – Laboratoire d’Informatique, Systèmes, Traitement de l’Information et de la Connaissance
Annecy-le-Vieux, France

Document attaché : 202211251032_SUJET_STAGE_M2-FI5_2022-2023_LISTIC FINAL.pdf

ICGI 2023, 16th International Conference on Grammatical Inference

Date : 2023-07-10 => 2023-07-13
Lieu : Rabat (Morocco)









Grammatical
Inference is the
research area at the intersection of Machine
Learning and Formal
Language Theory. Since
1993, the International Conference on Grammatical Inference (ICGI)
has been the meeting place for presenting, discovering, and
discussing the latest research results on the foundations
of learning languages,
from theoretical and algorithmic perspectives to their applications
(natural language or document processing, bioinformatics, model
checking and software verification, program synthesis, robotic
planning and control, intrusion detection…).

This
16th edition of ICGI will be held in-person in Rabat,
the modern capital with deep-rooted history of Morocco located on the
Atlantic Coast. To celebrate the 30th anniversary of the ICGI
conference, the program will include a distinguished lecture by Dana
Angluin.
The program will also include two
invited talks,
a half-day
tutorial at
the beginning of the conference on formal
languages and neural models for learning on sequences
by
Will
Merrill,
as well as oral presentations of accepted papers.

Important
dates

  • Deadline
    for submissions is:
    March 1, 2023 (anywhere on Earth)

  • Notification
    of acceptance:
    May 15, 2023

  • Camera-ready
    copy:     June 15,
    2023

  • Conference: July
    10-13, 2023

Topics
of interest

Typical
topics of interest include (but are not limited to):

  • Theoretical
    aspects of grammatical inference: learning paradigms, learnability
    results, complexity of learning.

  • Learning
    algorithms for language classes inside and outside the Chomsky
    hierarchy. Learning tree and graph grammars. 

  • Learning
    probability distributions over strings, trees or graphs, or
    transductions thereof.

  • Theoretical
    and empirical research on query learning, active learning, and other
    interactive learning paradigms.

  • Theoretical
    and empirical research on methods using or including, but not
    limited to, spectral learning, state-merging, distributional
    learning, statistical relational learning, statistical inference, or
    Bayesian learning

  • Theoretical
    analysis of neural network models and their expressiveness through
    the lens of formal languages.

  • Experimental
    and theoretical analysis of different approaches to grammar
    induction, including artificial neural networks, statistical
    methods, symbolic methods, information-theoretic approaches, minimum
    description length, complexity-theoretic approaches, heuristic
    methods, etc.

  • Leveraging
    formal language tools, models, and theory to improve the
    explainability, interpretability, or verifiability of neural
    networks or other black box models.

  • Learning
    with contextualized data: for instance, Grammatical Inference from
    strings or trees paired with semantic representations, or learning
    by situated agents and robots.

  • Novel
    approaches to grammatical inference: induction by DNA or quantum
    computing, evolutionary approaches, new representation spaces, etc.

  • Successful
    applications of grammatical learning to tasks in fields including,
    but not limited to, natural language processing and computational
    linguistics, model checking and software verification,
    bioinformatics, robotic planning and control, and pattern
    recognition.

Types
of contributions

We
welcome three types of
papers:

  • Formal
    or technical papers describe original contributions
    (theoretical, methodological, or conceptual) in the field of
    grammatical inference. A technical paper should clearly describe the
    situation or problem tackled, the relevant state of the art, the
    position or solution suggested, and the benefits of the
    contribution.

  • Position
    papers can describe completely new research positions, approaches,
    or open problems. Current limits can be discussed. In all cases,
    rigor in the presentation will be required. Such papers must
    describe precisely the situation, problem, or challenge addressed,
    and demonstrate how current methods, tools, and ways of reasoning,
    may be inadequate.

  • Tool
    papers describing a new tool for grammatical inference. The tool
    must be publicly available and the paper has to contain several
    use-case studies describing the use of the tool. In addition, the
    paper should clearly describe the implemented algorithms, input
    parameters and syntax, and the produced output.

Guidelines
for authors

Accepted
papers will be published within the Proceedings
of Machine Learning Research series. The total length of the
paper should not exceed 12 pages on A4-size paper (references and
appendix may exceed this limit but Authors are warned that Reviewers
may not read after page 12). The prospective authors are strongly
recommended to use the JMLR
style file for LaTeX since it will be the required format for the
final published version.

All papers should be
submitted electronically by March 01, 2023; the submission URL
is:
https://www.easychair.org/conferences/?conf=icgi2023

The
peer review process is double-blind: we expect submitted papers to be
anonymous.


Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Stage M2 : Driver scene monitoring / analyse de l’environnement de conducteur

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ImViA
Durée : 6 months
Contact : yannick.benezeth@u-bourgogne.fr
Date limite de publication : 2022-11-24

Contexte :
Titre : Driver scene monitoring / analyse de l’environnement de conducteur
Laboratoire ImViA (Univ. Bourgogne)
Location: Dijon France
Supervisor:
Yannick Benezeth – yannick.benezeth@u-bourgogne.fr – https://sites.google.com/view/ybenezeth
Cédric Demonceaux (cedric.demonceaux@u-bourgogne.fr) https://sites.google.com/view/cedricdemonceaux/home
Houda Rafi (houda.rafi@renault.com)
Keywords: Image and signal analysis, deep learning, scene understanding
If you are interested, send CV and motivation letter to yannick.benezeth@u-bourgogne.fr, cedric.demonceaux@u-bourgogne.fr and houda.rafi@renault.com.

Sujet :
(english below)
Le domaine des systèmes d’aide à la conduite s’intéresse de plus en plus à la manière dont l’environnement de conduite affecte l’état émotionnel du conducteur. Alors que certaines études de cas spécifiques montrent une corrélation entre le stress des conducteurs et l’environnement de la voiture, comme les types de routes (ville, autoroute et parking) [1, 2, 3] et les conditions de circulation [4], d’autres recherches ont exploré plus en profondeur la possibilité d’estimer directement le stress ressenti des conducteurs à partir des informations trouvées dans la scène entourant la voiture [5]. L’identification et l’analyse des objets de la scène visuelle et de leur emplacement sont essentielles pour comprendre comment la scène routière affecte le stress du conducteur. Pour atteindre cet objectif, diverses architectures de segmentation sémantique doivent être exploitées afin de surmonter les multiples problèmes qui peuvent survenir lors de l’identification d’objets dans différentes scènes enregistrées dans différents environnements. Les architectures de segmentation sémantique les plus récentes sont SFNet-R18 [6] , PSPNet-101 [7], HRNetV2 + OCR + [8] etc…
L’objectif de ce projet est de rechercher différentes architectures de segmentation sémantique, d’évaluer leur efficacité et d’utiliser les résultats de la segmentation pour déduire et estimer le stress perçu par le conducteur.
Le projet s’inscrit dans le cadre d’une collaboration avec la société Renault. Les travaux seront menés au sein du laboratoire ImViA sur le campus de Dijon.

*******************
The field of driver-assistance systems is increasingly interested in determining how the driving environment affects the driver’s emotional state. While some specific case studies show a correlation between the drivers’ stress and the car environment like the types of roads (e.g. city, highway, and parking) [1, 2, 3] and traffic circumstances [4], other research explored more in-depth the possibility of estimating directly the drivers’ subjective stress from the information found in the scene surrounding the car [5]. Identification and analysis of the objects in the visual scene and their locations are crucial to understanding how the road scene affects the driver’s stress. For this goal, various architectures of semantic segmentation should be exploited to upsample multiple issues that can occur while identifying objects in different scenes recorded in different environments. Some up-to-date semantic segmentation architectures are SFNet-R18 [6] , PSPNet-101 [7], HRNetV2 + OCR + [8] etc… This project’s objective is to research various semantic segmentation architectures, assess their effectiveness, and use the segmentation result to infer and estimate the perceived stress of the driver.
The project is part of a collaboration with the Renault company. The work will be carried out within the ImViA lab on the Dijon campus.

********************
[1] O. V. Bitkina et al. “Identifying traffic context using driving stress: A longitudinal preliminary case study,” Sensors, 2019.
[2] J. A. Healey and R. W. Picard, “Detecting stress during real-world driving tasks using physiological sensors,” IEEE Trans. on Intelligent Transportation Systems, vol. 6, no. 2, pp. 156–166, 2005.
[3] N. Elhaouij, J.-M. Poggi, S. Sevestre-Ghalila, R. Ghozi, and M. Ja¨ıdane, “AffectiveROAD system and database to assess driver’s attention,” in Proc. of the 33rd Annual ACM Symposium on Applied Computing, 2018, pp. 800–803.
[4] W.-Y. Chung, T.-W. Chong, and B.-G. Lee, “Methods to detect and reduce driver stress: a review,” Int. Journal of Automotive Technology, vol. 20, no. 5, pp. 1051–1063, 2019
[5] Bustos, Cristina, et al. “Predicting driver self-reported stress by analyzing the road scene.” 2021 9th International Conference on Affective Computing and Intelligent Interaction (ACII). IEEE, 2021.
[6] LI, Xiangtai, YOU, Ansheng, ZHU, Zhen, et al. Semantic flow for fast and accurate scene parsing. In : European Conference on Computer Vision. Springer, Cham, 2020. p. 775-793.
[7] ZHAO, Hengshuang, SHI, Jianping, QI, Xiaojuan, et al. Pyramid scene parsing network. In : Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. p. 2881-2890.
[8] YUAN, Yuhui, CHEN, Xiaokang, CHEN, Xilin, et al. Segmentation transformer: Object-contextual representations for semantic segmentation. arXiv preprint arXiv:1909.11065, 2019.

Profil du candidat :
The recruited student should have strong computer science background, applied mathematics or programming.

Formation et compétences requises :
computer science

Adresse d’emploi :
Dijon