Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Compatible representations for continuous incremental learning |
|---|---|
| Titolo del progetto di ricerca in inglese | University of Florence- Compatible representations for continuous incremental learning- published on the |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Computer engineering |
| G.S.D. | 09/IINF-05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI |
| S.S.D | - |
| Descrizione sintetica in italiano | Le rappresentazioni apprese (ad es. caratteristiche semantiche) funzionano eccezionalmente bene in vari compiti (ad es. riconoscimento facciale, ricerca/recupero di informazioni). Tuttavia, ogni modello di rete neurale addestrato sviluppa una rappresentazione unica, distinta dalle altre. Questa unicità porta con sè degli elementi di criticità: le caratteristiche apprese da un modello non possono essere utilizzate direttamente con quelle apprese da un altro modello. In questo contesto, l'obiettivo principale di questo studio è apprendere ciò che viene definito rappresentazione compatibile. Ciò in generale comporta l'allineamento delle rappresentazioni apprese da vari modelli di rete neurale. Questi modelli possono differire a causa di diversi dati su cui sono addestrati, o diversi semi di inizializzazione, o diverse funzioni di Loss che utilizzano o anche nelle loro architetture sottostanti. |
| Descrizione sintetica in inglese | Learned representations (i.e. semantic features) perform exceptionally well across various tasks (i.e., face recognition, information search/retrieval). However, each trained neural network model develops a unique representation, distinct from others. This uniqueness presents a challenge: features learned by one model cannot be directly used with those learned by another model. In this scenario, the main goal in this investigation is to learn what is referred to as compatible representations. This in general involves aligning the representations learned by various neural network models. These models may differ in the data they are trained on, their initialization seeds, the loss functions they use, or their underlying architectures. |
| Data del bando | 05/09/2024 |
| Numero di assegnazioni per anno | 1 |
| 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%2F005670663-UNFICLE-82682989-c131-47a9-a54d-ea476216c0c4-000.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 |
| Criteri di selezione in inglese (breve descrizione) | Information engineering 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 an 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 | 25/09/2024 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |