Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Interpretabilità e Incertezza nelle Reti Neurali |
|---|---|
| Titolo del progetto di ricerca in inglese | University of Florence- Managing and Explaining Uncertainty in AI- published on the |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Computer engineering |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI |
| Descrizione sintetica in italiano | Le reti neurali sono classicamente addestrate senza considerare il fatto che potrebbero dover elaborare dati al di fuori della distribuzione dell'insieme di addestramento. La rilevazione di dati fuori dalla distribuzione, out of distribution detection (OOD) rileva se dei dati si trovano al di fuori della distribuzione di addestramento. In questo progetto di ricerca, miriamo a migliorare la comprensione dei meccanismi interni delle reti neurali mediante la creazione di nuovi algoritmi per l'interpretabilità. Inoltre, puntiamo a sviluppare modelli capaci di comprendere l'incertezza delle loro previsioni e sfruttare questa conoscenza per migliorare il processo di addestramento e, in generale, fornire un feedback agli utenti di tali sistemi, eseguendo OOD. Recentemente, l'uso di modelli basati sull'attenzione ha fornito una comprensione migliore delle reti neurali. In questo progetto, miriamo a combinare questa caratteristica di tali sistemi con meccanismi di stima dell'incertezza. |
| Descrizione sintetica in inglese | Deep neural networks are classically trained without considering the fact that they may need to process data outside the training set distribution. Out-of-distribution (OOD) detection is the task of identifying data samples that lie outside the training distribution. In this research project we aim at improving the understanding of neural networks internals by devising novel algorithms for explainability. Moreover, we aim at developing models able to understand the uncertainty of their prediction and leverage this knowledge to improve the training process and in general to provide feedback to users of such systems, performing OOD when necessary. Recently, the use of attention based models provided a built-in understanding of neural networks decisions. In this project we aim at combining this feature, derived from self-attention computation with decision uncertainty estimation. |
| Data del bando | 19/06/2023 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | https://titulus.unifi.it/albo/viewer?view=files%2F005060716-UNFICLE-d2c6be14-9e56-42b2-a7f0-80ee61fb673e-000.pdf |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Il contratto prevede la copertura delle prestazioni sociali? | yes |
| Importo annuale | 23890 |
| Valuta | Euro |
| Comprende lo stipendio dell'assegnista | yes |
| Comprende vitto e spese di viaggio | no |
| Comprende il costo della ricerca | no |
| Massima durata dell'assegno (mesi) | 12 |
| Criteri di selezione in italiano (breve descrizione) | Laurea magistrale in Ingegneria informatica o in Informatica |
| Criteri di selezione in inglese (breve descrizione) |
nformatics Engineering or computer science master degree |
| Processo di selezione in italiano (breve descrizione) | per titoli e colloquio |
| Processo di selezione in inglese (breve descrizione) | evaluation of titles and examination by means of a n interview |
| Nome dell'Ente finanziatore | Università degli Studi Firenze |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Firenze |
| Sito web | http://www.unifi.it |
| amministrazione@dinfo.unifi.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 06/07/2023 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |