Il LaborEst, per ricordare la figura e l’opera di Edoardo Mollica, pioniere nel campo delle ricerche sulle Aree Interne e attento studioso delle Città Metropolitane, bandisce un premio destinato a giovani ricercatori.

Il premio verrà assegnato ai migliori papers presentati in risposta alla Call For Papers "NEW METROPOLITAN PERSPECTIVES" - Strategic planning, spatial planning, economic programs and decision support tools, through the implementation of Horizon/Europe2020, da parte di giovani ricercatori under 35, dottorandi o dottori di ricerca, titolari di borse di studio o assegni di ricerca, senza rapporti di lavoro subordinato o parasubordinato con strutture universitarie.

Gli autori interessati a partecipare alla selezione dovranno inviare, contestualmente alla submission del paper tramite il sistema EASYCHAIR, domanda di partecipazione al Premio Edoardo Mollica all’indirizzo email Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

Per ulteriori dettagli e le istruzioni per la partecipazione al premio: http://www.isth2020.org/#!mollica-award/bu452 .

Scadenza presentazione progetto: 22 febbraio 2016.

Per informazioni e chiarimenti: Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

La Fondazione Pisa promuove e finanzia la ricerca scientifica e tecnologica svolta da Università e Enti pubblici del territorio.

Tematiche del bando

I progetti devono affrontare tematiche di ricerca rientranti nella macroarea scientifica della Biomedicina.
Scarica l'Avviso Ricerca Scientifica e Tecnologica della Fondazione Pisa

Modalità di presentazione della domanda

Le proposte di progetto dovranno essere presentate mediante l’apposita modulistica (da redigere completamente ed in doppia copia, una in lingua inglese ed una in lingua italiana).
Per la presentazione delle proposte di progetto sono previste due fasi:

FASE 1: il soggetto proponente predispone una sintetica proposta di progetto, per consentire una preliminare selezione, utilizzando lo schema Allegato A.
Tale proposta deve essere inviata in plico chiuso, a mezzo raccomandata con avviso di ricevimento, al seguente indirizzo:

Fondazione Pisa
Palazzo Blu – Lungarno Gambacorti, 9
56125 Pisa

oppure

- consegna a mano, dal lunedì al venerdì, dalle 8.30 alle 17.30, presso la portineria degli uffici della Fondazione.

La proposta di progetto (Allegato A), e tutta la documentazione contenuta nella busta, deve essere presentata in formato cartaceo debitamente sottoscritta in originale ed in formato elettronico (file word o rtf) su supporto digitale.
Scadenza: 13 APRILE 2016

FASE 2: subordinata all’esito positivo della Fase 1.
In questa fase, dovrà essere fornita, utilizzando lo schema Allegato B, una più ampia elaborazione del progetto che includa una rappresentazione analitica degli elementi di dettaglio esecutivo del progetto stesso utile alla valutazione comparativa finale.
L’Allegato B dovrà essere sottoscritto dal Direttore del Dipartimento del soggetto proponente (responsabile scientifico della proposta di progetto).

Scadenza: la Fondazione indicherà la data di scadenza della FASE 2 nell’apposita comunicazione formale di superamento della prima fase di valutazione.

N.B. La Fondazione Pisa richiede che la proposta di progetto nella FASE 1 sia sottoscritta dal responsabile scientifico del progetto (c.d. soggetto proponente).
È opportuno in ogni caso comunicare al Direttore del proprio Dipartimento l’intenzione di inviare alla Fondazione Pisa una proposta di progetto.

Tutti proponenti dovranno a tal fine compilare, far vistare al proprio Direttore di Dipartimento e inviare a Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo. la scheda presentazione proposte.

Per informazioni

• Il sito della Fondazione Pisa
  
  
• Settore Ricerca
  Unità Ricerca Nazionale
  (Michele Padrone, Annalisa Rovini, Claudia Giorgetti)
  Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

Martedì 15 dicembre dalle 9.30 alle 12.30, presso Aula Magna di Palazzo Matteucci in Piazza Torricelli, si svolgerà la giornata di informazione “HORIZON 2020: il finanziamento della ricerca nel settore umanistico e socio-economico”.

La giornata ha lo scopo di illustrare le principali opportunità di finanziamento nei settori umanistico e socio-economico.
La giornata vedrà la partecipazione della dott.ssa Monique Longo, punto di contatto nazionale APRE, Agenzia per la Promozione della Ricerca Europea, per la Sfida sociale 6 “Europe in a changing world – inclusive, innovative, reflective societies”.

Per informazioni:
Settore Ricerca, Unità Ricerca Europea e Internazionale
e-mail: Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

Martedì 24 novembre dalle ore 12 presso l’Aula Fratelli Pontecorvo del Polo Fibonacci (ex aula Magna Scienze) si è tenuto un incontro rivolto a professori e ricercatori dell'Ateneo per chiarire alcuni aspetti del nuovo bando PRIN 2015, anche a seguito dell’incontro tenutosi presso il MIUR lo scorso 18 novembre.

Slide: Bando PRIN - Analisi e approfondimenti

Riportiamo, suddiviso per argomento, l’elenco delle principali domande e risposte, relative al Bando PRIN 2015.
Segnaliamo le FAQ pubblicate direttamente dal MIUR (es. FAQ 3 – MIUR) e i chiarimenti richiesti dal Settore Ricerca UNIPI al MIUR.

FAQ MIUR + Ateneo aggiornate al 3/12/2015

Per informazioni

Settore Ricerca
Unità ricerca nazionale
Cristiana Barghini -tel. 050 2212 389
Michele Padrone - tel. 050 2212 594
Annalisa Rovini – tel 050 2212 165
Claudia Giorgetti - tel 050 22 12 374
e-mail: Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

La ricerca si occuperà di studiare metodologie che permetteranno di sviluppare modelli di apprendimento automatico per una particolare classe di dati, gli alberi, che viene utilizzata per rappresentare efficacemente relazioni gerarchiche nei contenuti digitali.

PI: Davide Bacciu

Dipartimento: Dipartimento di Informatica
Data inizio: 23/09/2015
Data fine: 23/09/2018 (prorogato di 12 mesi: 23/09/2019)
Durata: 36 mesi
Costo del progetto: 318.560 €
Finanziamento ministeriale: 318.560 €

Abstract

A tree provides an effective representation of hierarchical composite data: it allows describing both the atomic information units as well as how they interact and relate to form the compound. Hierarchically structured information is commonly found as the result of natural and artificial processes. The availability of methodological instruments for the adaptive processing of tree data is of paramount importance to realize flexible and innovative applications. This has motivated a considerable research effort in Machine Learning (ML) for structured data which has yielded to the development of several adaptive models for classification, regression, and clustering of trees, with impacting applications, e.g., in chemistry, biology and natural language processing.

Nevertheless, a fundamental research question has been left open and mostly unexplored: learning non-isomorph tree transductions. A transduction manipulates the relational knowledge underlying structured data to transform an input tree into a new piece of (dependant) structured information. It characterizes as a generalization of supervised learning to the structured domain, where the target tree represents the prediction associated to the input tree. Non-isomorph transductions are the most complex and general form of tree transformations. They place no constraints on the properties of the input and target structures which are allowed to have different sizes and connectivity patterns.

The ultimate LIST-IT objective is the design and development of the first ML approach to learning non-isomorph structured transductions from unconstrained pairs of tree data. Approaches in literature are either limited to isomorph transformations (equivalent to simple node relabeling) or they rely on the availability of a pre-defined structural alignment between the input and target trees, such as in synchronous grammars. LIST-IT addresses these limitations by putting forward an innovative approach based on the composition of probabilistic tree models within a joint generative process. It seeks flexible and generalizable transductions by composing the generative process of an input-driven Markov model with the expressivity of a mixture of trees distribution. The former captures the structural properties of the input trees into the Markov state space, while its hidden states generate the parameters of the mixture distributions encoding the output trees. Non-parametric Bayesian techniques are used to enhance generality of the generative process.

LIST-IT is expected to introduce methodological advancements that will open new scientific perspectives in terms of ML models for graphs transduction. These are also intended to have a ground-breaking impact on the next generation of AI, machine vision and information retrieval applications. The ability to effectively process the textual and visual content in its structured representation is bound to be essential for the success of these applications. LIST-IT will provide the essential learning machinery to model and efficiently address the computational challenges underpinning such applications through the use of non-isomorph tree transductions. By allowing a complete data-driven acquisition of general classes of non-isomorph transductions, LIST-IT models will allow surpassing legacy non-adaptive solutions relying on the availability of costly, human-defined procedural knowledge.

Two impacting real-world applications will serve to measure LIST-IT impact and performance
- addressing question-answering task by learning parse tree transductions;
- visual content annotation by multi-modal transductions between hierarchical image representations and annotation parse trees (see image).
Applications will avail of off-the-shelf components to generate structured representation, e.g. image Treebank repository, NLP and image parsers. A LIST-IT toolkit will be openly available to foster research in the area and promote project visibility.