October 20, 2015
Το Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών (Ι.Π.&Τ.) του Ε.Κ.Ε.Φ.Ε. «Δημόκριτος», στο πλαίσιο υλοποίησης των ερευνητικών προγραμμάτων «Έργο υποστήριξης διεθνών συνεργασιών ΙΠ&Τ με εκπαιδευτικά και ερευνητικά ιδρύματα» (E-11660) – Απόφαση 461η Συν. Δ.Σ./13-7-2011, «Μηχανική Μάθηση» (Ε-11513) – Απόφαση 399η Συν. Δ.Σ./18-6-2008, «Tεχνολογία γνώσεων και λογισμικού» (Ε-10941) – Απόφαση 289η Συν. Δ.Σ./16-3-2001, προσκαλεί τους ενδιαφερόμενους να υποβάλλουν προτάσεις για χορήγηση υποτροφιών με στόχο την εκπόνηση διδακτορικών διατριβών, όσον αφορά στο πρόγραμμα εκπαιδευτικής και ερευνητικής συνεργασίας του Ι.Π.&Τ. του Ε.Κ.Ε.Φ.Ε. «Δημόκριτος» με τα ακόλουθα Πανεπιστήμια:
Department of Computer Science at the University of Houston (UH), ΗΠΑ (http://www.cs.uh.edu/)
Department of Computer Science at the Rice University, ΗΠΑ (http://compsci.rice.edu/)
Department of Computer Science and Engineering at the University of Texas at Dallas (UTD), ΗΠΑ (http://cs.utdallas.edu/)
Department of Computer Science and Engineering at the University of North Texas (UNT), ΗΠΑ (http://www.cse.unt.edu)
Οι υποψήφιοι θα πρέπει να ικανοποιούν τόσο τα κριτήρια υποψήφιου διδάκτορα του ΕΚΕΦΕ “Δημόκριτος”, όσο και τα αντίστοιχα κριτήρια των ξένων Πανεπιστημίων. Η διδακτορική έρευνα θα εκπονείται σύμφωνα με προκαθορισμένο χρονοδιάγραμμα σε κάθε ένα από τα Ιδρύματα. Το πρόγραμμα προβλέπει παραμονή τουλάχιστον 18 μηνών στο ΕΚΕΦΕ “Δημόκριτος”.
Η εκδήλωση ενδιαφέροντος αφορά την κάλυψη έξι (6) θέσεων (2 στο UH, 2 στο Rice, 1 στο UTD, 1 στο UNT) στις ακόλουθες ερευνητικές περιοχές. Για κάθε θέση δίνεται το σχετικό link για την περιγραφή της θέσης, καθώς και ο υπεύθυνος Ερευνητής του ΙΠ&Τ για επιπλέον πληροφορίες για το αντικείμενο της κάθε θέσης. Επίσης δίνονται τα στοιχεία επικοινωνίας για τους υπεύθυνους Καθηγητές για κάθε Πανεπιστήμιο.
Ερευνητική περιοχή
UH
Rice
UTD
UNT
Ανάλυση συναισθήματος, εξαγωγή επιχειρημάτων από κειμενικά δεδομένα (Sentiment analysis, argument extraction)
Β. Καρκαλέτσης (vangelis@iit.demokritos.gr)
The growth in interest in information extraction tasks such as named-entity recognition, relation extraction, sentiment analysis, opinion mining, argument extraction, was motivated by the rapid expansion of the World Wide Web, and more recently the Social Web, which enabled people all over the world to share, comment or consult content on any topic. The exploitation of large knowledge bases such as linked open data, social media content, and the requirements of many real world applications for high performance and accuracy, pose new research challanges. Especially regarding accuracy of extracted information, research has focused on exploiting big data and large corpora, and on augmenting shallow processing with deep learning.
This thesis aims to tackle a relatively new challenge in corpus-based discourse analysis, argument extraction, which tries to identify arguments in texts, by locating and identifying the elements that comprise an argument such as claims, premises, support or conclusions. Argumentation, having an important role in human communication, can also play an important role in improving extraction accuracy in tasks like sentiment analysis or opinion mining, if it can be performed on user generated content, which still remains an open and understudied research topic.
X
Εξαγωγή πληροφορίας από πολυμεσικό περιεχόμενο (Information extraction from multimedia content)
Β.Καρκαλέτσης (vangelis@iit.demokritos.gr)
Modern multimedia databases can contain millions of files such as videos, digital music collections or image archives. Multimedia files are usually incompletely text-annotated, since the annotation process is burdensome. However, high-level semantic descriptions of multimedia content is very important for several aspects of information retrieval: search, recommendation, personalization and filtering. In most of the cases, similarity informaton is extracted from collaborative knowledge such as user comments, likes and user-generated tags.
The aim of this PhD thesis is to adopt state-of-the-art fields and approaches of machine learning (deep networks, probabilistic topic modelling, semi-supervised learning) in order to develop content-based multimedia retrieval systems that leverage knowledge stemming from all types of information: faces, objects, voices, music, audio events, user comments, web pages, video text and low level visual cues (camera motion, color distribution). The developed techniques will be evaluated with regards to their ability to boost the performance of (a) content-based profiling and (b) content-based filtering and detection. Particular focus will be given on extracting useful knowledge from related text information in order to build semi-supervised methods that will assist the performance of the non-text modalities.
X
Αναγνώριση γεγονότων (Complex event recognition)
Γ. Παλιούρας (paliourg@iit.demokritos.gr)
The concept of complex event processing is established as a generic computational paradigm in various application fields, ranging from medicine, over robotics, to finance. Events report on state changes of a system and its environment. Complex event recognition—event pattern matching—in turn, refers to the detection of events that are considered relevant for processing, thereby providing the opportunity to implement reactive measures. Examples consist of the recognition of attacks in computer network nodes, joint action plans in robotics, human activities on video content, (environmentally) unsafe shipping, traffic and transport incidents in smart cities, fraud in electronic marketplaces, cardiac arrhythmias, and epidemic spread. In each scenario, complex event recognition allows to make sense of Big Data and react accordingly.
The characteristics of the event stream, as they are described by the four “V”s and the distribution of events, impose challenges on complex event recognition. That is, velocity (number of events per time unit), volume (overall amount of events), variety (differently structured events), lack of veracity (uncertainty of event occurrence), and the distribution of event sources, complicate event recognition. Moreover, the properties of the event patterns also add to the complexity of the event recognition task. Patterns may be required to adapt to dynamic environments. Further, patterns may integrate various event sources. Finally, patterns may be inherently uncertain in the sense that certain events can be recognised only within the bounds of a confidence interval.
The proposed thesis will address some of the following research challenges of complex event recognition: multi-scale temporal aggregation of events, event recognition under uncertainty, distributed event recognition, event pattern learning, and event forecasting.
X
X
Ανάλυση δεδομένων μεγάλης κλίμακας (Big data analytics)
Β.Καρκαλέτσης (vangelis@iit.demokritos.gr)
As the trend to open up data and provide them freely on the Internet intensifies, new opportunities appear to serve new data needs and applications by combining and cross-indexing large-scale heterogeneous datasets. The cloud of open data, however, is extremely heterogeneous, involving different formats and data models that are well-designed and well-tested to particular needs but do not combine well. Recent advances in Big Data technologies largely ignore Data Flows and similar theoretical work towards a unifying declatative language for Big Data analytics.
In this thesis the aim is to study the major current Big Data analytics paradigms and to identify opportunities for expressing distributed computation for these paradigms in a declarative formalism. The new formalism will hide the heterogeneity in both the data storage and processing infrastructures and and the data itself. This will allow automatically compiling the declarative flow descriptions into different imperative code, dynamically optimizing for the different configurations of data and processing infrastructures available.
X
Βιο-πληροφορική και πληροφορική υγείας (Bio-informatics and health informatics)
Γ. Παλιούρας (paliourg@iit.demokritos.gr)
Due to the advances in new molecular, genomic, and biomedical techniques and applications such as genome sequencing, protein identification, medical imaging, and patient medical records, tremendous amounts of biomedical research data are generated every day. Concerning bio-informatics, a big challenge is the handling of genome sequencing, which requires efficient and accurate computational methods for sequence analysis. Biological text mining is another research sub-field of bio-informatics, where possible applications include biological semantic indexing and/or semantic Question Answering. Concerning health informatics, current challenges include diagnosis and/or prognosis of specific diseases (e.g. diabetes, cancer etc.) based on medical records and other medical data. Another example is the prediction of the average length of stay of patients in the hospital, which is really useful for both resource planning and effective admission scheduling. This thesis aims to introduce methods and algorithms to address one of the above research challenges.
X
X
Αλληλεπίδραση ανθρώπου – ρομπότ (Human – robot interaction)
Β. Καρκαλέτσης (vangelis@iit.demokritos.gr)
As robots are starting to become part of our everyday life, it is increasingly important that they are able to adapt their behaviour to different social environments by learning norms as they interact with their users. Reinforcement learning and similar adaptivity methodologies offer the necessary infrastructure, but require extensive periods of interaction that can, currently, only be achieved via simulation. In this thesis, the aim is to develop experimental methodologies for using in vivo experiments to tune and evaluate simulation runs, so that realistic long-term interactions can be reliably simulated based on real-life data points collected from short-term interactions./div>
X
Σχεδιασμός κίνησης ρομπότ υπό περιορισμούς (Robot motion planning under constraints)
Β. Καρκαλέτσης (vangelis@iit.demokritos.gr)
Machine learning lies at the core of Artificial Intelligence, as the ability to learn is one of the basic traits of what is perceived as intelligent behaviour. Much like most of AI disciplines, however, machine learning is mostly successful when reduced to a search algorithm that identifies optimal or near-optimal feature combinations inside a search space rigidly defined by the human data analyst. Deep Learning in this respect is at the forefront of aligning machine learning with its original AI goal, envisaging a machine that is able to learn the very representation that defines the search space without human supervision. Robotics in general, and in particular motion planning, is in the unique position to be able to offer problems and use cases where the physical world itself is the search space, bypassing the situation where a problem needs to be represented in the machine before the machine can start working on learning the representation. The aim of this PhD thesis is to experiment using cutting-edge robotics platforms operating in realistic environments, and to develop motion planning algorithms that identify robust plans in a search space that is only loosely specified by constraints and second-order meta-knowledge rather than being completely defined and guided by prior knowledge and learning bias.
X
Αλγόριθμοι εκτίμησης πυρήνα σε συστήματα πολλαπλής μάθησης (Deep Kernelized Multi-task Learning: Examining the role of sympathetic responses in critical task performance)
Β. Καρκαλέτσης (vangelis@iit.demokritos.gr)
In typical real-world situations, task performance can be considered as set of human responses and/or decisions within a complex environment that entails different simultaneous processes. The examination of this environment for understanding and analysing human responses constitutes a multi-task learning problem, which presents various challenges in terms of complexity, evolution range and velocity, and variability. Such responses extend to a broad range, like sympathetic responses observed and measured via signals from wearable and imaging sensors, behavioural patterns and/or behavioural outliers, etc. Kernel-based methods are a classic approach suitable for multi-task learning problems, as they reduce the problem’s dimensionality to a computationally handleable size. This thesis will examine the potential of introducing deep learning techniques for kernelized multi-task learning, so as to deal with the full complexity of the examined real-world problems. The outcome will be dual: (a) The effective application of machine learning methods in complex and multifaceted settings where human involvement and action is crucial; (b) a deeper understanding of the psycho-physiological mechanisms that lead to success or failure in critical moments of human endeavors, thus opening the way for the design of effective countermeasures.
X
UH
Prof. Ioannis Kakadiaris (http://cbl.uh.edu/)
Rice
Prof. Lydia Kavraki (http://www.cs.rice.edu/~kavraki/)
UTD
Prof. Eric Wong (http://www.utdallas.edu/~ewong/)
UNT
Prof. Barrett Bryant (http://www.cse.unt.edu/~bryant/)
Στο διαγωνισμό δύνανται να συμμετάσχουν:
α) πτυχιούχοι ΑΕΙ Πληροφορικής ή Διπλωματούχοι Μηχανικών Η/Υ και Πληροφορικής, του εσωτερικού ή ισοτίμων του εξωτερικού, αναγνωρισμένων από το ΔΟΑΤΑΠ,
β) φοιτητές τμημάτων ΑΕΙ Πληροφορικής ή Πολυτεχνικών τμημάτων Μηχανικών Η/Υ και Πληροφορικής, που πρόκειται να ολοκληρώσουν τις σπουδές τους έως τον Ιούλιο 2016,
γ) μεταπτυχιακοί φοιτητές Πληροφορικής ή Μηχανικοί Η/Υ και Πληροφορικής, που πρόκειται να ολοκληρώσουν το μεταπτυχιακό τους έως τον Ιούλιο 2016.
Η υποτροφία είναι για ένα έτος με δυνατότητα ανανέωσης για άλλα τρία έτη.
Οι αιτήσεις συμμετοχής των υποψηφίων μαζί με μια φωτογραφία και τα απαιτούμενα δικαιολογητικά, θα υποβάλλονται έως και τις 13/11/2015 με έναν από τους παρακάτω τρόπους:
Στο Τμήμα Γραμματείας του ΕΚΕΦΕ «Δημόκριτος» (Δευτέρα έως Παρασκευή, 07:30-15:00)
Ταχυδρομικά με συστημένη επιστολή στη διεύθυνση:
ΕΚΕΦΕ «Δημόκριτος», Γραφείο Εκπαίδευσης
Πατριάρχου Γρηγορίου Ε’ και Νεαπόλεως,
Τ.Θ. 60228, 15310 Αγία Παρασκευή Αττικής
(Επιστολές οι οποίες φέρουν σφραγίδα ταχυδρομείου μετά την 13/11/2015 δεν θα γίνουν δεκτές)
Απαιτούμενα δικαιολογητικά:
Οι ενδιαφερόμενοι για συμμετοχή καλούνται να υποβάλουν μέχρι τις 13/11/2015 τα εξής:
– Αντίγραφο πτυχίου (και τυχόν μεταπτυχιακού τίτλου) ή βεβαίωση ολοκλήρωσης σπουδών.
– Αναλυτική βαθμολογία.
– Εκτεταμένη περίληψη (περίπου 5 σελίδες) στα Ελληνικά και στα Αγγλικά της πτυχιακής ή διπλωματικής τους εργασίας (προπτυχιακού επιπέδου ή σε επίπεδο μεταπτυχιακού διπλώματος ειδίκευσης). Η περίληψη πρέπει να περιλαμβάνει τους στόχους και το αντικείμενο της εργασίας, τα αποτελέσματά της και τις προοπτικές της.
– Έκθεση σκοπιμότητας μιας έως δύο σελίδων, στα Αγγλικά, όπου θα αναφέρονται τα επιστημονικά-ερευνητικά ενδιαφέροντα των υποψηφίων και οι λόγοι για τους οποίους επιθυμούν να εκπονήσουν διδακτορική διατριβή στο συγκεκριμένο διδακτορικό πρόγραμμα και στη συγκεκριμένη θεματική κατεύθυνση που έχουν δηλώσει στην αίτησή τους.
– Βιογραφικό σημείωμα στα Αγγλικά συνοδευόμενο από δύο συστατικές επιστολές ή δύο ονόματα για επικοινωνία.
Όσον αφορά τα κριτήρια των Πανεπιστημίων, βλ. σχετικές πληροφορίες στη σχετική ανακοίνωση στη σελίδα του ΙΠ&Τ https://www.iit.demokritos.gr/edu/joint_phd_requirementsοι ενδιαφερόμενοι θα πρέπει να υποβάλουν συμπληρωματικό σημείωμα με τις ενέργειες που έχουν κάνει για να ικανοποιήσουν τα κριτήρια αυτά, ιδιαίτερα όσον αφορά τις εξετάσεις για την Αγγλική γλώσσα.
Διαδικασία Επιλογής:
Οι υποψηφιότητες που θα υποβληθούν θα αξιολογηθούν από επιτροπή του Ινστιτούτου σε δύο φάσεις. Στην πρώτη φάση θα αξιολογηθούν τα δικαιολογητικά των υποψηφίων. Τα ονόματα των υποψηφίων που θα προκριθούν με βάση αυτή την αξιολόγηση θα ανακοινωθούν στις 23/11/2015. Μεταξύ αυτών των υποψηφίων θα γίνει και η τελική επιλογή για τη χορήγηση των υποτροφιών. Όσοι προκριθούν για τη δεύτερη φάση της αξιολόγησης, θα κληθούν να παρουσιάσουν προφορικά τις διπλωματικές/πτυχιακές τους εργασίες στο Ινστιτούτο στις 25/11/2015 – 27/11/2015. Μετά από την κάθε παρουσίαση θα ακολουθεί προφορική συνέντευξη.
Η εξεταστική επιτροπή λαμβάνοντας υπόψη τα τυπικά και ουσιαστικά προσόντα των υποψηφίων, το περιεχόμενο και την παρουσίαση της διπλωματικής/πτυχιακής εργασίας, καθώς και την παρουσία τους στην συνέντευξη θα καταρτίσει πίνακα βαθμολογίας των υποψηφίων. Θα επιλεγούν οι πρώτοι ανά κατεύθυνση, εφόσον συγκεντρώνουν βαθμολογία μεγαλύτερη ή ίση με 7/10.
Πληροφορίες:
– Υπεύθυνος Εκπαίδευσης του Ινστ. Πληροφορικής & Τηλεπικοινωνιών (Δρ Β. Καρκαλέτσης, τηλ: 210 650 3197, e-mail: vangelis@iit.demokritos.gr).
(Εναλλακτικά κα Χ. Αρμενιάκου & κα Δ. Κατσαμώρη, τηλ: 210 650 3204 , email:gram_skel@iit.demokritos.gr)
Η παρούσα εκδήλωση ενδιαφέροντος, καθώς και η αίτηση βρίσκονται ανηρτημένες στην ιστοσελίδα του ΕΚΕΦΕ «Δημόκριτος», στη διεύθυνση www.demokritos.gr.
Προσοχή: Σε κάθε αίτηση θα πρέπει να αναγράφεται το Ινστιτούτο, ο αριθμός του έργου (E-1660, E-1513 & E-941), ο αρμόδιος για πληροφορίες (Β. Καρκαλέτσης) και ο αριθμός πρωτοκόλλου της εκδήλωσης ενδιαφέροντος.
Deadline to apply / register: 13/11/2015