Archives

Bayesian Deep Learning workshop for Cosmology and Time Domain astrophysics

Date : 2022-06-20 => 2022-06-24
Lieu : Paris, Université Paris Cité (Paris 13).

We are glad to announce that the second edition of a workshop on Bayesian Deep Learning for Cosmology and Time Domain Astrophysics 2022 is open for registration. It will be held in Paris, France the week of June 20th to 24th and a call for contributions is open until May 18th.

The goal of this workshop, sponsored by the LSSTC Enabling Science effort – with contributions from DESC, ISSC and TVS collaborations – is to bring together physicists and machine learning specialists to exchange recent results at the crossroads between cosmology, time-domain astrophysics and probabilistic machine learning frameworks to leverage uncertainties. During registration, young scientists are invited to apply for grants covering lodging and part of the conference fees. Please follow the indications on the registration website for grant applications.

The first day of the workshop will be structured as a school to introduce the Bayesian framework and probabilistic machine learning concepts. The rest of the workshop will alternate between keynote talks, topical presentations, interactive tutorials and poster sessions.

We welcome in particular contributions that target, or report on, the following non-exhaustive list of topics

  • Applications of Bayesian Deep Learning in Cosmology and Time Domain Astrophysics
  • Methodology for Model Uncertainty Quantification
  • Anomaly and outlier detection
  • Probabilistic ML frameworks and methodology
  • Use of Bayesian deep learning outside of academia
  • Ethical considerations of large-scale machine learning

Contributions do not necessarily need to be astrophysics-focused. Work on relevant ML methodology, or similar considerations in other scientific fields are welcome.

Confirmed keynote speakers and panelists

  • Anja Butter, ITP Heidelberg, Germany
  • Jean-Gabriel Ganascia, LIP6, Paris, France
  • Stephen Green, MPI, Potsdam, Germany
  • Alan Heavens, Imperial College, London, UK
  • Tomasz Kacprzak, ETH Zurich / PSI, Switzerland
  • Ashley Villar, Penn State University, USA
  • Ben Wandelt, IAP, Paris, France

More information is available on the workshop website: https://astrodeep.net/workshop2022 and specific inquiries can be directed to workshop@astrodeep.net.

We look forward to welcoming you in Paris.

All the best,
The organizing committee
Eric Aubourg (CEA) – Federica Bianco (Univ. of Delaware) – Alexandre Boucaud (CNRS)
François Lanusse (CNRS) – Cécile Roucelle (Univ. Paris Cité) – Chad Schafer (CMU)

Lien direct

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

Offre de Post-doctorat : Inférence du visage à partir de la voix

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

Laboratoire/Entreprise : GREYC UMR CNRS 6072
Durée : 36 mois
Contact : olivier.lezoray@unicaen.fr
Date limite de publication : 2022-09-15

Contexte :
Le laboratoire GREYC UMR CNRS de l’Université de Caen Normandie et ENSICAEN (Caen, France), en collaboration avec l’entreprise United Biometrics (Caen, France), lance un appel à candidatures pour un poste de recherche postdoctorale (durée entre un et 3 ans) sur l’inférence du visage à partir de la voix. Les travaux réalisés se feront dans le cadre du projet BIOPOP (BIOmétrie Pour les Opérations) financé par l’AID (Agence Innovation Défense).

Sujet :
Missions :
———————————————————————-
L’objectif visé est d’inférer des informations sur le visage d’une personne à partir d’un enregistrement brut de sa voix. De récents travaux préliminaires [1, 2, 3, 4] ont montré la faisabilité de cette inférence. Il ne s’agira pas de générer le visage exact correspondant à la voix, mais de générer un visage qui permette de ressortir les caractéristiques discriminantes principales du visage (genre, âge, ethnicité, attributs crano-faciaux). Ceci peut présenter de nombreux intérêts dans le cadre d’applications liées à la sécurité. En effet, inférer un visage à partir d’une voix peut permettre ensuite à un opérateur d’effectuer différentes tâches à partir de l’image de visage inférée. Nous pouvons citer par exemple : la vérification de la cohérence entre une voix et un visage, la recherche du visage inféré dans une base de données.

Le post-doctorant réalisera un état de l’art précis des méthodes d’inférence du visage à partir de la voix. Il implémentera une solution de l’état de l’art reposant sur des modèles génératifs. Enfin il développera une nouveau modèle génératif plus efficace, qui puisse garantir la génération d’un visage réaliste pour répondre aux attentes du projet BIOPOP.

Profil du candidat :
Profil attendu :
———————————————————————-
Doctorat en informatique et spécialisé en apprentissage automatique.
– De solides connaissances de l’apprentissage profond, de la vision par ordinateur.
– Des publications dans des conférences majeures du domaine.
– De solides compétences en développement logiciel/programmation, en particulier en Python/PyTorch.
– De bonnes compétences en communication écrite et verbale sont requises, le candidat doit parler couramment le français et maitriser l’anglais écrit.
– Des compétences interpersonnelles et la capacité à travailler individuellement ou en tant que membre d’une équipe de projet sont recommandées.

Formation et compétences requises :

— Pour postuler : Les candidats intéressés doivent soumettre (par courrier électronique, dans un seul fichier pdf) leur curriculum vitae, la liste de leurs publications, une lettre de motivation et les coordonnées de trois références (ne pas inclure les lettres de référence avec vos candidatures car nous ne les demanderons qu’aux candidats présélectionnés). Les candidatures seront admises jusqu’à ce que le poste soit pourvu. Le poste débutera début Octobre
— Contact / encadrement:
— Olivier Lézoray (olivier.lezoray@unicaen.fr, Professeur, UNICAEN, GREYC)
— Sébastien Bougleux (sebastien.bougleux@unicaen.fr, Maître de Conférences, UNICAEN, GREYC)
— Christophe Charrier (christophe.charrier@unicaen.fr, Maître de Conférences HDR, UNICAEN, GREYC)

Adresse d’emploi :
Informations générales :
———————————————————————-
– Laboratoire : Le laboratoire GREYC (UMR CNRS 6072) est une Unité Mixte de Recherche en sciences du numérique sous la tutelle de l’ENSICAEN, du CNRS et de l’Université de Caen Normandie (UNICAEN). Les travaux seront effectués au sein de l’équipe Image dont les activités de recherche sont centrées sur le développement de nouvelles méthodes de traitement et d’analyse de signaux/images/vidéos.
— Lieu : Caen (France), située en région Normandie, près de la mer et à environ 240 km à l’ouest de Paris, la ville possède encore de nombreux quartiers anciens, une population d’environ 120 000 habitants et une agglomération d’environ 250 000 habitants, incluant plus de 30 000 étudiants à l’Université.

Document attaché : 202205120826_post-doc-greyc.pdf

Postdoc in NLP @ Laboratoire d’Informatique de Grenoble

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

Laboratoire/Entreprise : LIG
Durée : 18 months
Contact : Emilie.Devijver@univ-grenoble-alpes.fr
Date limite de publication : 2022-09-15

Contexte :
Despite their success in many NLP tasks, seq2seq models fail at learning
simple generalization rules, i.e. interpreting novel combinations
of known lexical items, as illustrated by results on challenge datasets
such as SCAN [1] or COGS [2].
The HyperboTAL project is a multi-disciplinary collaboration
aiming at applying the tools of hyperbolic geometry to improve the
systematic compositional capabilities of Natural Language Processing models.
The project will build on recent proposals, as [3] and [4], that use
hyperpolic geometry to better encode linguistic information (e.g. Poincaré
embeddings).

[1] Generalization without systematicity: On the compositional skills of
sequence-to-sequence recurrent networks. B. M. Lake, M. Baroni. ICML 2018.
[2] COGS: A Compositional Generalization Challenge Based on Semantic
Interpretation. N. Kim, T. Linzen. EMNLP 2020
[3] Poincaré Embeddings for Learning Hierarchical Representations.
M. Nickel, D. Kiela. Neurips 2017.
[4] Hyperbolic graph neural networks. Q Liu, M Nickel, D Kiela.
NeurIPS 2019.

Sujet :
Main tasks:

– Literature review on hyperbolic geometry applications in NLP and
deep learning approaches to systematic compositionality.
– Design compositionality models that bring together
the tools of hyperbolic geometry and those of deep learning.
– Implementation and evaluation of proposed models on existing
challenge datasets (COGS).

The scientific orientations of the post-doc may vary according to the
candidates’ background and interests.

Profil du candidat :
– Background and/or strong interest in Mathematics and Natural Language
Processing.
– Programming skills: proficiency in python and experience with a deep
learning library.
– Proficiency in either French or English.

Formation et compétences requises :
– PhD in computer science.

Work environment:

– Location: Laboratoire d’Informatique de Grenoble (LIG), on Université
Grenoble Alpes campus.
– Cosupervision by Émilie Devijver (PI), Gérard Besson, Maximin Coavoux,
Éric Gaussier.
– Gross salary: minimum 2400 euros per month (depends on experience).
– Starting date: September 2022 (flexible).

To apply, please send a cv and a cover letter to contacts below as soon as
possible (applications are open until the position is filled).

Contacts (for applications or any questions about the position/project):
emilie.devijver@univ-grenoble-alpes.fr
g.besson@univ-grenoble-alpes.fr
maximin.coavoux@univ-grenoble-alpes.fr
eric.gaussier@imag.fr

Adresse d’emploi :
Laboratoire de Grenoble d’Informatique

Fouille de données biomédicale

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

Laboratoire/Entreprise : Inria Paris, Centre de Recherche des Cordeliers et
Durée : 36 mois
Contact : adrien.coulet@inria.fr
Date limite de publication : 2022-09-15

Contexte :
La considération combinée des connaissances de l’état de l’art (la littérature scientifique, les bases de données biologiques expertes, etc.) et les entrepôts de données cliniques doivent permettre de structurer, puis d’enrichir les connaissances actuelles sur les maladies auto-immunes qui sont actuellement trop compartimentées entre spécialités médicales.

Sujet :
Objectifs concrets de la thèse :
– extraction et analyse des connaissances de l’état de l’art à partir de la littérature et des bases de données expertes (notamment PubMed, OrphaNet, HPO, IGMT),
– extraction et analyse des données des entrepôts de données de santé pour valider les connaissances extraites de la littérature et les compléter par de nouvelles (EDS, BNDMR),
– construire et publier deux ressources de référence de façon ouverte et FAIR : un thésaurus des auto-anticorps, et une cartographie sous forme de graphes de connaissances qui relient pathologies auto-immunes, signes cliniques observés et présence d’auto-anticorps,
– comparaison entre les connaissances d’origines diverses.

Profil du candidat :
autonomie, esprit d’équipe, intérêt pour le domaine de la santé, excellentes compétences relationnelles et sociales

Formation et compétences requises :
compétences techniques (Python, SQL, R), expérience préalable en sciences de données ou en traitement automatique du langage appréciée

Adresse d’emploi :
A PariSanté Campus (75015 Paris) et l’Institut Cochin (75014 Paris). L’inscription sera faite dans l’Ecole Doctorale ED386 de l’Université Paris Cité.

Document attaché : 202205111417_PhD opportunity on Data Intelligence_vf.pdf

Semantic Segmentation of Heterogeneous Data by Deep Learning for the Prevention of Natural Hazards

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

Laboratoire/Entreprise : Laboratoire/Entreprise : PRISME / BRGM
Durée : 36 months
Contact : yves.lucas@univ-orleans.fr
Date limite de publication : 2022-09-15

Contexte :
The aim of this thesis is to evaluate the contribution of artificial intelligence to better assess the vulnerability of assets facing natural hazards, by unfolding impact scenarios in a multi-risk and multi-scale perspective. The highly multimodal and heterogeneous character of remote sensing data (visible, IR, hyperspectral, lidar, radar, topography, spectral libraries of materials ….) to characterize a territory, brings out a new methodological challenge: to develop network architectures adapted for the classification and semantic segmentation of these massive and complex data. This thesis work is also in synergy with the actions carried out at BRGM (H2020 COCLICO, VIGIRISKS, ANR RICOCHET projects) and the ANR-IA where joint work has been initiated between PRISME and BRGM

Sujet :
Complete description is available in the attached file.

Profil du candidat :
The candidate should have obtained a Master’s degree in computer science. Autonomy, scientific rigor and a strong motivation for the proposed subject will be undeniable assets to successfully complete the thesis.

Candidates must send the following documents in a single pdf file :
CV + cover letter + Master grades – optional letters of recommendation.

Contacts:

yves.lucas@univ-orleans.fr
a.hohmann@brgm.fr
c.negulescu@brgm.fr

Formation et compétences requises :
The candidate should have a broad knowledge of image processing, including deep learning techniques and their implementation in software and hardware. Fundamental notions in remote sensing are also required. Fluency in English is essential.

Adresse d’emploi :
Polytech Orléans · 12, rue de Blois, BP 6744 · 45067 cedex 2 Orléans , France

BRGM 3 avenue Claude-Guillemin, BP 36009 45060 Orléans Cedex 02 France

Document attaché : 202205111304_these_BRGM_PRISME_annonce_MADICS.pdf

Apprentissage automatique de la dynamique des utilisateurs dans les bâtiments intelligents

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

Laboratoire/Entreprise : L@bISEN Yncréa Ouest, Equipe Vision-AD/KARDHAM
Durée : 3 ans
Contact : matthieu.saumard@isen-ouest.yncrea.fr
Date limite de publication : 2022-09-15

Contexte :
En France, la consommation énergétique dans le secteur du bâtiment (résidentiel et tertiaire) représente 44% de la consommation globale, loin devant celle dans l’industrie et les transports [1]. Cette consommation est équivalente à 1,1 tonne de pétrole par an et par habitant. Cette part de consommation ne cesse d’augmenter pour totaliser une hausse de 30% sur les dernières 3 décennies. Entretemps, les bâtiments modernes intègrent de plus en plus des composantes digitales comme les capteurs, microcontrôleurs et moyens de communications. Les objets connectés deviennent une composante nécessaire dans les nouvelles constructions et les cas d’usages de ces objets dans les bâtiments fusent avec un objectif global de contribuer à la maitrise de la consommation dans les bâtiments et à leur réduction. De nouveaux systèmes ont vu le jour pour (i) être informé de l’état du bâtiment ou pour (ii) agir sur les bâtiments comme les solutions EcoStrcuture ou Gapéo dédiée au pilotage du confort et de la performance environnementale et énergétique.
L’usage des nouvelles technologies dans le bâtiment n’est pas exclusivement dédié aux réductions des énergies. La sécurité, l’amélioration du confort thermique, la gestion intelligente des espaces de travail sont un exemple de réalisations récentes. Plus particulièrement, la combinaison des techniques de captation de données avec les avancées récentes dans le domaine de l’intelligence artificielle peut contribuer à la mise en place d’application permettant la fluidification du parcours du collaborateur en entreprise. En effet, avec les nouvelles tendances regroupées dans un paradigme connu sous le nom du New World of Work (NWOW), il est intéressant pour l’entreprise de connaitre l’occupation temps réel de ses espaces de travail et de faire des profils d’utilisation selon l’activité, le collaborateur, l’espace de travail, la temporalité, etc. L’objectif étant de pouvoir réserver aux éventuels espaces sous-utilisés un nouvel usage ou de les rentabiliser avec de la location ce qui permet également des économies financières pour l’entreprise et énergétique pour la ville.

Sujet :
Face à ce paysage concurrentiel, le groupe Kardham Digital souhaite proposer des solutions innovantes pour permettre à l’industrie de l’immobilier de l’entreprise une meilleure efficacité économique. Le constat que nous faisons est que les bâtiments intelligents reposent sur peu d’algorithmes, qui de surcroît, manquent d’interaction avec les usagers. Ces derniers souhaitent reprendre le contrôle sur le bâtiment en ajoutant des services innovants. Par conséquent, la prise en compte du comportement de l’occupant de l’espace connecté présente un enjeu majeur et nécessite des études plus approfondies.
Plus particulièrement, à travers cette thèse, nous cherchons à répondre à des nouvelles questions posées par ce contexte. Des questions prosaïques telles que :
– Comment réduire les espaces tout en maximisant le confort des utilisateurs ?
– Quelles applications pouvons-nous proposer pour faciliter la vie à l’intérieur du bâtiment ?
– Comment répondre au mieux aux demandes des propriétaires des immeubles qui cherchent à augmenter l’attractivité de leur bien en proposant des services innovants et performants ?
– Quels services pouvons-nous rendre aux locataires pour fluidifier l’expérience des utilisateurs et collaborateurs ?
– Quels usages pouvons-nous tirer des capteurs générant des données ? Quels capteurs nous donneront accès à des cas d’usage plus pertinents ? Cet usage compensera-t-il le cout énergétique de fabrication du capteur ?
– Peut-on avoir une cartographie sur les flux des données échangés dans le bâtiment connecté et comment utiliser ces données massives ?
– Quelle différentiation entre l’occupation des salles de réunion et de bureaux individuels ?
– Dans quelles mesures les services proposés sont dynamiques ?
Finalement, par cette thèse nous souhaitons proposer une solution logicielle à base d’algorithmes capables de manipuler et analyser des données dans le cadre du bâtiment tertiaire intelligent. A travers ces algorithmes, de nouveaux services seront proposés exploitant la prédiction du comportement de l’occupant de l’environnement connecté. Les données collectées dans le bâtiment intelligent de Kardham feront l’objet d’observations sur le terrain, puis à l’aide de modèles mathématiques (Machine Learning) seront éprouvées et expérimentées. Les algorithmes sous-jacents seront alors déployés en phase de test avec retour d’expérience et amélioration des méthodes.

Profil du candidat :
Pour cette thèse, nous recherchons un(e) jeune doctorant(e) fortement motivé(e) et ayant un goût prononcé pour l’innovation. Il/elle devra participer au développement de la solution qui s’intègre dans les offres proposées Kardham Digital.

Formation et compétences requises :
Concernant les aspects liés à la recherche, le/la candidat(e) devra être titulaire d’un Master ou d’un diplôme d’ingénieurs avec des compétences en Machine Learning, intelligence artificielle et/ou gestion des données massives. Il/elle est aussi nécessaire qu’il/elle ait une expérience réussie dans le développement informatique. Un recul sur les questions sociales liées aux bâtiments et à la ville intelligents est nécessaire. Un excellent niveau d’expression en français à l’écrit et à l’oral est exigé.

Adresse d’emploi :
– 10 Rue du Débarcadère 75017 Paris, France
– 33 quarter chemin du champ de manoeuvre, Carquefou, France

Document attaché : 202205110720_Sujet_Kardham_ISEN_10052022 (002).pdf

Postdoc Deep Learning/Inverse Problem/Ocean Dynamics

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

Laboratoire/Entreprise : IMT Atlantique, AI Chair OceaniX
Durée : 24 mois
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2022-09-15

Contexte :
This postdoc position is open in the framework of AI Chair OceaniX (https://cia-oceanix.github.io/) and a collaboration between OceaniX chair and SHOM (https://www.shom.fr/) on AI approaches for the modelling of ocean dynamics and their impact on underwater acoustic propagation. The postdoc will be hosted on IMT Atlantique campus in Brest by the newly created INRIA team Odyssey (https://team.inria.fr/odyssey).

Sujet :
This postdoc aims to explore and develop deep learning schemes for the reconstruction of upper ocean dynamics and associated acoustic propagation conditions from underwater acoustics observations possibly combined with other in situ data and available satellite-derived observations.

More information can be found at https://cia-oceanix.github.io/vacancies

Profil du candidat :
Applications are encouraged from candidates with a Ph.D in applied math/machine learning/data assimilation with interest in ocean science or a Ph.D in ocean science and a strong interest in deep learning.. Candidates should have a strong interest and commitment to research. Creativity with an aim towards independent research is highly emphasized.

Formation et compétences requises :
Background in deep learning, machine learning, inverse problems and/or data assimilation

Adresse d’emploi :
IMT Atlantique, Brest

PhD Deep Learning and Ocean Modeling and Forecasting

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

Laboratoire/Entreprise : IMT Atlantique, AI Chair OceaniX
Durée : 36 mois
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2022-09-15

Contexte :
Two PhD positions are open in the framework of AI Chair OceaniX (https://cia-oceanix.github.io/). The PhD candidates will be hosted on IMT Atlantique campus in Brest by the newly created INRIA team Odyssey (https://team.inria.fr/odyssey).

Sujet :
The open PhD scholarships will address:
– Learning Reduced-Order Ocean Forecasting Models
– Learning-based calibration of ocean carbon models using emerging data from new observing devices and platforms

More information can be found at: https://cia-oceanix.github.io/vacancies

Profil du candidat :
Applications are encouraged from candidates with a MSc./engineer degree in applied math/data science/AI with interest in ocean science or a MSc./engineer in geoscience and a strong interest in data science and deep learning.

Formation et compétences requises :
Background in machine learning and data science.

Adresse d’emploi :
IMT Atlantique, Brest

AALTD@ECML: 7th Workshop on Advanced Analytics and Learning on Temporal Data

Date : 2022-07-05
Lieu : Grenoble, France

AALTD 2022: CALL FOR PAPERS

https://project.inria.fr/aaltd22/

################################################################################

 

The 7th International Workshop on Advanced Analytics and Learning on Temporal Data (AALTD 2021) will be held on Friday, September 23, 2022, co-located with the ECML/PKDD 2022 hybrid conference (https://2022.ecmlpkdd.org). The aim of this workshop is to bring together researchers and experts in machine learning, data mining, pattern analysis and statistics and create a platform for sharing research challenges, as well as advancing the research on temporal data analysis. Analysis and learning from temporal data covers a wide scope of tasks including learning metrics, learning representations, unsupervised feature extraction, clustering, classification and interpretation.

 

Topics of Interest

The workshop welcomes papers that cover, but are not limited to, one or several of the following topics:Temporal data clustering

  • Classification and regression of univariate and multivariate time series

  • Early classification of temporal data

  • Deep learning for temporal data

  • Learning representation for temporal data

  • Metric and kernel learning for temporal data

  • Modelling temporal dependencies

  • Time series forecasting

  • Time series annotation, segmentation and anomaly detection

  • Spatial-temporal statistical analysis

  • Functional data analysis methods

  • Data streams

  • Interpretable/explainable time-series analysis methods

  • Dimensionality reduction, sparsity, algorithmic complexity and big data challenges

  • Benchmarking and assessment methods for temporal data

  • Applications, including bioinformatics, medical, energy consumption, etc, on temporal data.

We welcome contributions that address aspects including, but not limited to: novel techniques, innovative use and applications, techniques for the use of hybrid models. We also invite papers describing industry time series management platforms, in particular those that raise open questions for which there are no current off-the-shelf solutions.

Paper Submission

Submission website is here: https://easychair.org/conferences/?conf=aaltd22

Authors that would not want their papers to apply for possible oral presentation should inform the organisers at the time of submission. Submitted papers should be 6 to 16 pages long using the LNCS formatting style.

After the workshop, authors of selected papers will be invited for publication in a special volume in the Lecture Notes in Computer Science (LNCS) series (see last year’s edition).

Important Dates

  • Abstract submission deadline: June 13, 2022
  • Paper submission deadline: June 20, 2022
  • Acceptance notification: July 13, 2022
  • Camera-ready deadline: August 10, 2022
  • Workshop date: September 23, 2022

Organizers

  • Tony Bagnall, University of East Anglia, England
  • Thomas Guyet, Inria, France
  • Georgiana Ifrim, University College Dublin, Ireland
  • Vincent Lemaire, Orange Labs, France
  • Simon Malinowski, Université de Rennes 1/IRISA, France
  • Patrick Schäfer, Humboldt University of Berlin, Germany

Contact

If you have any questions about this workshop please contact smalinow@irisa.fr

Lien direct

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

CfP: Open-SOFOS – Open Data Science For Food Security (online workshop @ECML/PKDD2022)

Date : 2022-09-19
Lieu : Online Event

KEY DATES

Paper submission deadline: 20 June 2022
Paper acceptance notification: 13 July 2022
Workshop date: Monday, Septembre 19th, 2022 (to be confirmed)

CONTEXT

After many years of decline, the number and severity of food insecurity situations is growing again in recent years all over the world. Multiple and interrelated reasons can be identified for this generalized rise in hunger situations, that make it challenging to monitor an extremely complex phenomenon such as food security. While great quantities of open data are available, that are related at different levels with food security, there is a urgent need to develop advanced data science techniques able to process this data in order to produce effective answers to food security related problems.

The goal of the Open-SOFOS workshop, to be held in conjunction with ECML/PKDD 2022, is to bring together researchers and practitioners from around the world interested in developing data science techniques for food security related problems, preferably using open access data. Even though the focus is on computer science, the themes of the workshop also encourage interdisciplinary discussion about topics touching different fields such social science, humanities and geography.
This will allow to get an insight in the current status of research in data science for food security, showing how the possibility to exploit massive quantities of open data in this context can make it possible to improve solutions to classic tasks (e.g., the ones addressed by the existing Food Security Systems), but also to focus on research questions and practical problems that have not been deeply investigated so far.

TOPICS

Topics of interest include, but are not limited to:

– Prediction of Food Security Indicators
– Poverty Prediction
– Agricultural Monitoring
– Prediction of Economical Indicators
– Social Media Analysis
– Evolutionary Systems
– Landscape Analysis
– Modeling of Spatial and Social Dynamics
– Mobility Problems
– Complex Network Models for Food Security
– Machine and Deep Learning methods for Food Security
– Text Mining Methods for Food Security
– Heterogeneous Data Integration Methods for Food Security
– KMS for Food Security

SUBMISSION

We welcome original contributions, either theoretical or empirical, describing ongoing projects or completed work.
Contributions can be of two types: either short position papers (up to 6 pages including references) or full research papers (up to 10 pages including references). Papers must be written in LNCS format, i.e., accordingly to the ECML-PKDD 2022 submission format.
Accepted contributions will be made available electronically through the CEUR Workshop Proceedings platform (http://ceur-ws.org).

SUBMISSION WEBSITE:

https://easychair.org/conferences/?conf=opensofos2022

PC-CHAIRS

Roberto Interdonato, CIRAD, UMR Tetis, Montpellier, France, roberto.interdonato@cirad.fr
Mathieu Roche, CIRAD, UMR Tetis, Montpellier, France, mathieu.roche@cirad.fr
Giulia Martini, World Food Programme (WFP), Rome, Italy, giulia.martini@wfp.org
Sabrina Gaito, Computer Science Department, University of Milan, Milan, Italy, sabrina.gaito@unimi.it

Lien direct

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