Archives

Rencontres de la SFC

Date : 2022-09-14
Lieu : Université Lumière Lyon 2

Les 27èmes Rencontres de la Société Francophone de Classification (SFC) se tiendront du 14 au 16 septembre 2022 à Lyon. Après deux ans d’interruption, ces journées auront lieu en “présentiel”. Ces rencontres ont pour objectifs de présenter des résultats récents et des applications originales en classification sous toutes ses formes, mathématique, informatique et statistique, de favoriser les échanges scientifiques entre ces trois communautés autour de la thématique commune de la classification et de faire connaitre à divers partenaires extérieurs les travaux de ses membres.

L’édition 2022 portera sur les thèmes classiques associés à la classification et à l’analyse de données au sens large. Cette année, le comité de programme souhaite mettre à l’honneur l’analyse de données textuelles (Text Mining) et l’analyse de séries temporelles. Les applications de la classification dans le domaine des sciences du vivant sont vivement encouragées.

Lien direct

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

ML4Oceans Summer School 2022

Date : 2022-08-29 => 2022-09-02
Lieu : SCAI, Sorbonne Université, Paris, France.

Dear colleagues,

We are pleased to announce the ML4Oceans Summer School 2022, to be held from August 29th to September 2nd 2022 at SCAI/Sorbonne University in Paris, France.

The use of artificial intelligence is now crucial for environmental and climate issues, including oceanography. In this context, SCAI (https://scai.sorbonne-universite.fr/) , ISCD (https://iscd.sorbonne-universite.fr/), and the Institut de l’Océan (https://institut-ocean.sorbonne-universite.fr/en) of Sorbonne Université joined their forces to offer a transdisciplinary summer school for PhD and post-doctoral students. 20 students will be selected according to their academic background, their research subject & their motivation to participate in this school.

The objective: to acquire knowledges and skills in AI applied to oceanography (marine biology – omics, imagery -, physics, modeling, etc.)

Registration is open here until May 31st 2022:
https://framaforms.org/ml4oceans-summer-school-pre-registration-1647261215

Please do not hesitate to forward this announcement to any colleague who could be interested and sorry in advance for any cross-posting.

Provisional program (courses in English) :

Monday August 29: programming reminders and quick introduction
Tuesday August 30: biology-environment link (genomics, gradient boosting, distribution models). L Bittner & JO Irisson
Wednesday August 31: Derivation of poorly observed variables (satellite images of water color, SOM, filling by CNN). C Jamet & A Charantonis
Thursday September 1: Image classification (plankton images, CNN, vision transformers). JO Irisson, M Cord & H Touvron
Friday September 2: Dynamic modeling (marine ecosystem models, AI-informed physics). SD Ayata & P Gallinari.

Speakers:
Sakina-Dorothée Ayata, LOCEAN, SU
Lucie Bittner, ISYEB, SU
Anastase Charantonis, ENSIIE
Matthieu Cord, LIP6, SU
Patrick Gallinari, SU/Criteo AI Lab
Jean-Olivier Irisson, LOV, SU
Cédric Jamet, LOG, ULCO
Hugo Touvron, Facebook AI Research

Lien direct

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

Analysis of SAR images of the Sundarban region for deforestation detection

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

Laboratoire/Entreprise : IBISC/LMEE, Université Paris-Saclay, Univ. Evry
Durée : 4 à 6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2022-06-01

Contexte :
Sundarbans, UNESCO world heritage site, is a mangrove area in the delta formed by the confluence of the Ganga, Padma, Brahmaputra and Meghna Rivers in the Bay of Bengal. The site is intersected by a complex network of tidal waterways, mudflats and small islands of salt-tolerant mangrove forests.
This is also home to many endangered species like the Royal Bengal Tiger, Crocodile and numerous faunae. This is one of the most cyclone prone region of India where presence of this mangrove safeguards eastern part of India from the effect of cyclone. These forests also act as protection from soil erosion in the coastal region.
The sundari tree that populates the region is important for survival of various fauna of this region especially big mammals like royal Bengal tiger and spotted deer due to the characteristic of the tree. Other mangroves trees are relatively smaller in nature and grow in saline water, creating a bush type low height canopy near the canals, causing a hindrance to the movement of wild animals.
However, for the past couple of decades the mangroves of Sundarban are facing threats due to several natural and manmade causes. Due to global warming the number of cyclones and their intensity has increased in the Bay of Bengal. Cyclone Sidr (2007), Aila (2009), Amphan (2020) destroyed almost 40% of the forest.
Developing a strategy of active monitoring of the Sundarban forest, would allow to follow in real time the evolution of its state. Detecting the deforestation, would allow to identify the cause and to plan a remedy to finally protect the fauna but also the flora.

Sujet :
Internship proposal and main tasks to be carried out:

The candidate will carry out an appropriate survey of the state of the art on SAR image processing approaches in a deforestation context. The candidate will then investigate relevant classical features extraction methods and those based on machine learning techniques. The last step will focus on the development of a method that combines classical features from a SAR image with a deep learning architecture to characterize the state of the forest.

References:

[1] Abdelkader Horch, Khalifa Djemal, Abdelkader Gafour and Nasreddine Taleb, Supervised fusion approach of local features extracted from SAR images for detecting deforestation changes. IET Image Processing, 13 pages, DOI: 10.1049/iet-ipr.2019.0122, september 2019.

[2] Sahana, M., Rehman, S., Patel, P.P. et al. Assessing the degree of soil salinity in the Indian Sundarban Biosphere Reserve using measured soil electrical conductivity and remote sensing data–derived salinity indices. Arab J Geosci 13, 1289 (2020). https://doi.org/10.1007/s12517-020-06310-w

[3] Samanta, S.; Hazra, S.; Mondal, P.P.; Chanda, A.; Giri, S.; French, J.R.; Nicholls, R.J. Assessment and Attribution of Mangrove Forest Changes in the Indian Sundarbans from 2000 to 2020. Remote Sens. 2021, 13, 4957. https://doi.org/10.3390/rs13244957

Profil du candidat :
Required skills: To carry out this research work, the candidate need to have the following skills:
– Artificial intelligence, machine learning
– Data and image processing
– Computer science
– Applied mathematics (modeling and scientific calculations)

Internship supervision:
Khalifa DJEMAL and Amir FEIZ: University of Paris Saclay, France
Soham SARKAR: RCC Institute of Information Technology, Kolkata, India
Sheli Sinha CHAUDHURI: University of Jadavpur, Kolkata, India

Internship contacts:
Khalifa DJEMAL: khalifa.djemal@univ-evry.fr
Amir FEIZ: amirali.feiz@univ-evry.fr

Formation et compétences requises :
Python programming, data and image processing tools.
Machine learning methods. Basic knowledge in environmental sciences will also be highly appreciated.

Please send us your CV and Motivation letter.

Adresse d’emploi :
Université Paris-Saclay, Univ. Evry
IBISC, 40 rue du Pelvoux
91020 Evry.

Document attaché : 202205031006_Proposal-Inernship-deforestation.pdf

Apprentissage profond basé sur la conception de modèles efficaces : applications à la surveillance maritime

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

Laboratoire/Entreprise : Laboratoire d’informatique et systèmes (LIS) UMR
Durée : 36 mois
Contact : tpnguyen@univ-tln.fr
Date limite de publication : 2022-06-01

Contexte :
Ces dernières années, les réseaux de neurones profonds (DNNs pour Deep Neural Networks) ont considérablement repoussé les limites de l’intelligence artificielle dans un large éventail de tâches, notamment la reconnaissance d’objets à partir d’images, la reconnaissance vocale, la traduction automatique, etc. Les réseaux de neurones profonds nécessitent beaucoup de calcul et de mémoire, ce qui les rend difficiles à déployer sur des équipements embarqués avec des ressources de calcul limitées. Ces réseaux profonds sont caractérisés par des millions voire des milliards de paramètres et sont presque exclusivement entraînés en utilisant une ou plusieurs cartes graphique (GPU) très rapides et gourmandes en énergie. Considérons un exemple avec le modèle de pointe VGG-16, il est constitué de 138,34 millions de paramètres, occupant plus de 500 Mo d’espace de stockage, 15,5 milliards d’opérations de cumul (MAC) et nécessite 30,94 milliards d’opérations en virgule flottante (FLOP) pour classer une seule image. Cela prend plusieurs minutes dans la phase d’inférence sur un appareil mobile ayant une capacité de calcul et des ressources de mémoire limitées.
Ces réseaux profonds nécessitent donc énormément de données, de calcul, de mémoire et d’énergie, ce qui les rend difficiles à utiliser et à déployer dans des applications réelles sur des équipements tels que smartphones, tablettes et systèmes embarqués. La compression des modèles de réseaux profonds et la réduction de la consommation d’énergie, tout en préservant les performances prédictives, revêt une importance cruciale pour le déploiement de réseaux profonds dans un tel contexte. C’est pour cela que les tendances récentes se concentrent sur le déploiement d’applications en temps réel telles que YOLO ou sur des ressources limitées (par exemple, MobileNet). Dans le cadre de cette thèse, nous nous concentrerons sur la compression des réseaux de neurones pour surmonter ce défi en réduisant les besoins en stockage, en consommation d’énergie, et la complexité de calcul dans la phase d’inférence des réseaux de neurones sans que cela n’affecte leur précision. Le but est de déployer les modèles compressés sur des équipements embarqués tels que les caméras intelligentes ou les drones (AUV, ROV, etc). Ces systèmes seront ensuite utilisés pour des tâches de vision par ordinateur telles que l’analyse de scènes dynamiques, ou la détection/reconnaissance d’objets dans des scènes maritimes ou sous-marines. Cela aura un lien avec d’autres projets portés par notre équipe, notamment le projet Rapid DGA UHV-MANTA et le projet ANR Astrid ROV-Chasseur.

Sujet :
Voir le sujet joint.

Profil du candidat :
Un candidat autonome et très motivé est sollicité avec un fort intérêt pour le domaine des méthodes mathématiques avancées appliquées au traitement du signal et l’apprentissage automatique.

Formation et compétences requises :
Une formation solide en traitement du signal, mathématiques appliqués, machine learning ou informatique.

Une bonne maîtrise des algorithmes d’apprentissage automatique, notamment les réseaux de neurones.

De bonnes compétences en programmation python sont requises. La connaissance des frameworks d’apprentissage (PyTorch, tensorflow, tensorly, etc.) est un plus souhaitable.

Le candidat doit avoir de bonnes capacités en communication orale et écrite.

Adresse d’emploi :
Laboratoire d’informatique et systèmes (LIS) UMR 7020
SeaTech – Bâtiment X – Avenue de l’Université 83130 LA GARDE

Document attaché : 202205021735_EDJ2022-2.pdf

Réduction des biais pour un apprentissage collaboratif et éthique sur des données dynamiques

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

Laboratoire/Entreprise : Laboratoire d’Informatique, Systèmes, Traitement
Durée : 36 mois
Contact : faiza.loukil@univ-smb.fr
Date limite de publication : 2022-05-29

Contexte :
voir document attaché.

Sujet :
voir document attaché.

Profil du candidat :
Le/la candidat(e) doit avoir un intérêt à la recherche. Il/elle devra être capable d’apporter ses idées novatrices, son enthousiasme, sa rigueur et devra faire preuve d’un esprit d’équipe prononcé.

Formation et compétences requises :
Idéalement, le/la candidat(e) suit actuellement une formation (master de recherche, diplôme d’ingénieur, …) en lien avec le domaine de l’Intelligence Artificielle/Apprentissage Automatique.
La connaissance en ingénierie des données et particulièrement en apprentissage distribué sont nécessaires.
De bonnes compétences au développement logiciel et la maîtrise de langages de programmation (idéalement Python) sont indispensables.

Adresse d’emploi :
LISTIC – Polytech Annecy-Chambéry, BP 80439 – Annecy le Vieux – 74944 ANNECY Cedex, France.

Document attaché : 202205021515_SujetTheseED_LISTIC.pdf

Reconstruction et segmentation de données IRM cérébrales fœtales par apprentissage profond

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

Laboratoire/Entreprise : Institut de Neuroscience de la Timone
Durée : 3 ans
Contact : francois.rousseau@imt-atlantique.fr
Date limite de publication : 2022-07-01

Contexte :
Lab

La thèse se déroulera à l’interface entre deux laboratoires reconnus et dynamiques.

L’Institut de Neurosciences de la Timone (INT) est l’un des meilleurs instituts français de recherche en neurosciences avec 150 membres réunis en 10 équipes interdisciplinaires examinant différents aspects de l’organisation cérébrale. Il est situé sur le campus médical d’Aix-Marseille Université. Le candidat retenu rejoindra l’équipe interdisciplinaire MeCA ( https://meca-brain.org/) au sein de l’INT et interagira avec des neuroscientifiques, des médecins ainsi que des spécialistes de l’acquisition et du traitement de données en neuroimagerie.

La recherche à l’IMT Atlantique concerne près de 800 personnes, dont 290 enseignants et chercheurs et 300 doctorants, et porte sur les technologies numériques, l’énergie et l’environnement. Il couvre toutes les disciplines (des sciences physiques aux sciences humaines et sociales en passant par celles de l’information et du savoir) et couvre tous les domaines des sciences et des technologies de l’information et de la communication.

Date de début : Octobre 2022
Financement : Agence Nationale de la Recherche

Sujet :
Description du sujet :
On est de plus en plus conscient de l’importance de la détection précoce des anomalies du développement neurologique et de leur impact majeur tout au long de la vie. Affectant environ 10% des enfants, il peut entraîner des handicaps neurologiques et les charges qui en découlent. Deux tiers des cas de développement neurologique anormal peuvent être détectés avant la naissance, mais à l’heure actuelle, les troubles neurocomportementaux et cognitifs qui en résultent ne sont, dans la majorité des cas, détectés que plus tard dans l’enfance, ce qui empêche une intervention précoce et augmente l’impact sur la vie ultérieure. L’objectif est donc de décrire le développement cortical anormal dans les premiers stades du fœtus, en développant des biomarqueurs non invasifs dérivés de l’IRM et des outils informatiques spécifiques au fœtus, afin de prédire les individus présentant un risque plus élevé de développement post-natal anormal.

L’analyse quantitative d’images du cerveau fœtal in vivo joue un rôle essentiel dans la prise de décision clinique et la recherche en neurosciences [1]. Les avantages de l’IRM in utero par rapport à l’échographie dans l’étude du développement du cerveau ont été démontrés, notamment grâce au développement de méthodes de traitement et d’analyse d’images dédiées.

L’utilisation de l’IRM fœtale étant limitée, plusieurs centres doivent collaborer pour rassembler suffisamment de sujets, notamment pour la pathologie, ce qui pose d’importants défis techniques d’harmonisation. Dans le cadre de ce travail, une approche multicentrique sera mise en place en développant des stratégies d’apprentissage fédérées pour appliquer des solutions d’IA tout en préservant la confidentialité des données privées des patients. Les approches dont l’IRM adulte bénéficie depuis longtemps seront adaptées pour la première fois par ce projet aux études d’IRM du cerveau fœtal.

Le retard de croissance intra-utérin (RCIU), qui touche 5 à 10 % des grossesses, et l’agénésie du corps calleux (ACC), qui touche 1 grossesse sur 4 000, sont les deux applications principales visées ici pour explorer le développement cortical fœtal et identifier les déviations grâce à une analyse conjointe d’un ensemble de données multicentriques d’une ampleur sans précédent (>950 sujets) avec des outils informatiques dédiés. Ce travail de thèse s’inscrit dans le cadre d’un projet européen dont le but sera de fournir à la communauté mondiale des outils standardisés et efficaces pour transformer le diagnostic prénatal des anomalies du développement neurologique.

Ce travail de thèse vise à développer une méthode de reconstruction et de segmentation conjointe de données IRM fœtales, permettant d’unifier les étapes B et C illustrées sur la figure 1. La première étape consistera à s’inspirer de la méthode [5] développée à l’IMT pour l’adaptation aux données d’IRM foetales acquises à l’Hôpital de la Timone à Marseille et prétraitées à l’INT. Plusieurs axes d’améliorations seront ensuite considérés pour augmenter les performances. Cette méthode permettra d’extraire l’ensemble des mesures quantitatives (ex: volume, forme des structures anatomiques) à partir de données de moindre qualité résultant d’acquisitions contraintes par le contexte clinique. Les dernières années ont vu un développement sans précédent des méthodes d’apprentissage en traitement d’images médicales, et plus particulièrement basées sur l’apprentissage profond. Les réseaux de neurones convolutifs ont montré d’énormes performances dans de nombreuses tâches telles que la reconstruction ou la segmentation d’images à haute résolution. Dans un tel cadre, l’utilisation de tâches auxiliaires permet d’améliorer les performances et aussi les propriétés de généralisation. Il s’agira de développer une méthode prenant en compte à la fois les problèmes de reconstruction et de segmentation des données du cerveau fœtal en utilisant une représentation démêlée (“disentangle learning”) dans le but de fournir des algorithmes robustes pour une utilisation multi-sites. L’objectif est de représenter les données IRM en séparant les principales composantes (pose, contraste IRM, caractéristiques, etc.) afin d’améliorer notre interprétation des réseaux neuronaux et de s’affranchir des biais liés aux différents systèmes d’acquisition de chaque site.

Ce travail de thèse sera réalisé sous la direction de F.Rousseau et G.Auzias, en collaboration avec leurs équipes (Latim, https://meca-brain.org/). Il s’inscrit dans le projet européen MULTI-FACT (https://www.neuron-eranet.eu/projects/MULTI-FACT/) rassemblant des équipes de 4 pays (France, Espagne, Suisse, Allemagne). Le candidat sera donc amené à collaborer directement avec ces équipes de renommée internationale.

Profil du candidat :
Les candidats doivent être titulaires d’un diplôme de master (ou ingénieur) en traitement des images ou en mathématiques.

Formation et compétences requises :
Les compétences requises pour mener à bien ce travail concernent l’apprentissage machine, le traitement d’images et les mathématiques appliquées. Des connaissances en informatique et en programmation (Python) seront également requises afin de développer les algorithmes associés.

Adresse d’emploi :
Contact
Guillaume Auzias
email : guillaume.auzias@univ-amu.fr

François Rousseau
email : francois.rousseau@imt-atlantique.fr

Document attaché : 202205021012_2022_These_EraNet.pdf

Analyze and integrate multi-modal data (sequencing, imaging, spatial profiling, treatment response and clinical data) for translational outcomes to cancer patients

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

Laboratoire/Entreprise : Bioinformatics Institute, A*STAR
Durée : 6 months
Contact : woo_xing_yi@bii.a-star.edu.sg
Date limite de publication : 2022-06-15

Contexte :
This offer is proposed by Xing Yi Woo, Head of Research Data Integration and Senior Principal Investigator at Bioinformatics Institute, A*STAR.
We work closely with clinicians to explore personalized treatment options for cancer patients using multi-omic and spatial profiling, and therapeutic screening in patient-derived models. Data of multiple modalities are generated in the process, and we are developing systematic workflows to integrate and analyze the data to enable clinical-decision-making and drive translation research. This project is looking for candidates to develop computational methods, including big-data analytics and AI/ML approaches, to analyze and integrate the multi-modal data (sequencing, imaging, spatial profiling, treatment response and clinical data) that can deliver translational outcomes to cancer patients. The candidate will have the opportunity to work in a multi-disciplinary team led by a senior Principal Investigator highly experienced in cancer computational biology and clinician-scientists specializing in oncology. Eventually, the candidate will receive training in both computational biology and translation oncology disciplines.

Sujet :
The intern is expected to work on any of these tasks, depending on field of study and interests.
1. Develop, implement and benchmark executable workflows for variant (SNP, Indels, SV, CNV) calling from WES/WGS data, transcriptome profiling from RNASeq data and image processing of histology images.
2. Write scripts to output data in a format that can be integrated with publicly available cancer datasets
3. Organize and analyze publicly available cancer datasets
4. Develop visualization tools to visualize results in a meaningful way
5. Organize all data in a structured manner using relational databases
6. Curation of cancer treatment and biomarkers, and patient clinical data.

Profil du candidat :
• The candidate should have basic programming skills (e.g. Python, R, RStudio, Jupyter Notebook, RShiny, SQL), except for curation tasks.
• Familiarity with Unix/Linux environment or cloud architecture would be an advantage
• Strong analytical and problem-solving skills.
• Excellent oral and written communication and presentation skills.
• Able to work independently, and as part of a team

Formation et compétences requises :
Computer science, any field of Science and Engineering, Pharmacy, Medicine, Public Health

Adresse d’emploi :
BII, A*STAR, Singapore

Second Inria-DFKI European Summer School on AI (IDESSAI 2022)

Date : 2022-08-29 => 2022-09-02
Lieu : Saarbrücken, Germany

*******************************************************************
Second Inria-DFKI European Summer School on AI (IDESSAI 2022)

Trusted AI and Sustainable AI

Saarbrücken, Germany
August 29th – September 2nd, 2022

Second Inria-DFKI European Summer School on AI (IDESSAI 2022)

Registration deadline: May 9th, 2022

*******************************************************************

IDESSAI 2022 is the second yearly Summer School organized by the two renowned German and French AI institutes, DFKI and Inria. It stands out from the crowd of offerings for AI students in several aspects:

We ensure a good balance in the number of participants and instructors: participants will have the opportunity to join a community of like-minded people, and, at the same time, they will be in close contact with the experts.
Our program features a line-up of courses focused on two themes, Trusted AI, and Sustainable AI, which are at the forefront of socio-economic issues related to AI.
On top of the latest methodological advances and the shared vision of the future that both organizing institutes have to offer, IDESSAI 2022 will be practically oriented. We will achieve this through hands-on courses and the involvement of industry practitioners and innovators.
Participants will be offered to the opportunity to present their work to each other in dedicated poster/demo sessions.
Trusted AI and AI Sustainable AI will take place in two parallel tracks. There will be plenty of opportunities to exchange between these two tracks at coffee breaks, meals, and social events, as well as through joint cross-track sessions.

TARGETED AUDIENCE

IDESSAI 2022 was designed for PhD students in all areas of AI, including machine learning, knowledge representation and reasoning, search and optimisation, planning and scheduling, multi-agent systems, natural language processing, robotics, computer vision, and other areas. PhD students in other fields, MSc students, postdocs, and researchers in academia and industry are also welcome.

VENUE
IDESSAI 2022 is planned as a fully in-person event, which will take place at the University of Saarland. Remote attendance will not be possible. Participants will comply with the health and social distancing rules in force at the time of the event.

CONFIRMED SPEAKERS
Cross-track

Titouan Vayer (ENS Lyon) – Less is more? How compressive learning and sketching for large-scale machine works
Sophie Quinton (Inria) – A holistic perspective on IT sustainability
Trusted AI Track:

Martin Georg Fränzle (University of Oldenburg) – AI components for high integrity, safety-critical cyber-physical systems: chances and risks
Michael Luck (King’s College London) – Artificial Intelligence: Towards safety and trust
André Meyer-Vitali (DFKI) – Trustworthy hybrid team decision support
Caterina Urban (Inria) – Formal methods for machine learning
Freddy Lecue (Thales & Inria) – Explainable AI: a focus on machine learning and knowledge graph-based approaches
Oana Goga (CNRS – LIG) – Security and privacy issues with social computing and online advertising
Sustainable AI Track:

Silviu-Ioan Filip (Inria) – Tools for DNN quantization
Olivier Sentieys (Inria) – Hardware accelerators for DNNs
Christoph Lüth (DFKI Bremen) – An introduction to the RISC-V ISA
Richard Membarth (DFKI Saarbrücken & Technische Hochschule Ingolstadt) – Code optimization via specialization
Anne-Laure Ligozat (ENSIIE) – Carbon footprint of AI
Danilo Carastan dos Santos (Inria) – Measuring the energy consumption of AI
Daniel Beutel (Adap) – An Introduction to federated learning with Flower

FEES AND REGISTRATION

Our fees are all-inclusive. Please keep in mind that an accommodation must be organised on your own and paid by your own.

For more details and to register, see https://idessai.eu/registration-2022/ (deadline: May 9th, 2022).

To ensure a good balance in the number of participants and instructors and maximize the chances of interaction, the number of attendees is limited to 50 per track. Applicants will be selected on the grounds of diversity and benefit gained from attending the selected track.

ORGANIZERS

Co-organized by: Inria, DFKI

Contact us: idessai-support@dfki.de.

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

Application of Reasoning on Complex and Evolving Data: Methods and Use-Cases

Annonce en lien avec l’Action/le Réseau : RoCED

Thème :

workshop associated to The Knowledge Graph Conference (KGC) 2022

Présentation :

In this workshop, we seek contributions describing methods and uses-cases that rely on the application of reasoning and machine learning on complex, uncertain and evolving knowledge graphs. These contributions can be applied to different domains such as smart cities, smart health, smart farming, digital humanities and automation of business processes.

Du : 2022-05-02

Au : 2022-05-02

Lieu : virtual workshop. The conference is located at new york, USA

Site Web : https://www.knowledgegraph.tech/kgc-2022-program/

Mini symposium JOBIM 2022 – GIDAPE

Annonce en lien avec l’Action/le Réseau : RoCED

Thème :

Gestion et intégration de données agronomiques, phénotypiques et environnementales

Présentation :

Rendre accessibles, exploitables et réutilisables les jeux de données issues d’expérimentation en milieu naturel ou agricole est un enjeu majeur pour les sciences environnementales. Leur structuration et leur interconnexion impliquent d’assurer l’indexation et l’exposition des contenus disponibles dans des ressources distribuées, mais aussi de développer des méthodes pour l’extraction et la visualisation des informations. Dans ce symposium, nous aborderons les différents aspects (ressources, systèmes d’information, ontologies, indexation, intégration, collecte) permettant de faciliter l’exploitation de ces données par les (bio-eco)informaticiens.

Du : 2022-07-07

Au : 2022-07-07

Lieu : Campus Beaulieu, Université de Rennes 1

Site Web : https://jobim2022.sciencesconf.org/page/minisymposiums