Torna ai risultati della ricercaBando per incarichi di ricerca
| Titolo del progetto dell'incarico in italiano | 2026_IR_16_DEI – Metodi di apprendimento federato per data biomedici: Fairness |
|---|---|
| Titolo del progetto ddell'incarico in inglese | 2026_IR_16_DEI – Federated Learning Methods for Biomedical Data: Fairness |
| G.S.D. | 09/IINF-05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI |
| S.S.D | IINF-05/A - Sistemi di elaborazione delle informazioni |
| Descrizione sintetica in italiano | Il/la ricercatore/ricercatrice svilupperà approcci di federated learning consapevoli della fairness per dati biomedici multimodali nell'ambito del progetto HEREDITARY (Horizon Europe RIA, grant 101137074), con focus sulla piattaforma di analisi e apprendimento multimodale (WP4). L'attività affronta il problema del bias statistico e della disparità rappresentativa che emergono nell'addestramento di modelli predittivi su dati clinici federati con composizione demografica eterogenea tra i siti. I task principali comprendono: (i) la formalizzazione e operativizzazione di criteri di fairness — parità demografica, equalized odds, calibrazione — nel contesto federato non-IID in cui i dati individuali non possono essere condivisi; (ii) la progettazione di algoritmi di rilevamento e mitigazione del bias, tra cui ottimizzazione federata con vincoli di fairness e debiasing in post-elaborazione, applicabili a dati clinici tabulari, genomici e di imaging biomedico... |
| Descrizione sintetica in inglese | The researcher will investigate fairness-aware federated learning approaches for multimodal biomedical data within the HEREDITARY project (Horizon Europe RIA, grant 101137074), with focus on the Multimodal Analytics and Learning Platform (WP4). The activity addresses statistical bias and representational unfairness that arise when training predictive models over federated clinical data with heterogeneous demographic composition across sites. The main tasks include: (i) formalizing and operationalizing fairness criteria — demographic parity, equalized odds, calibration — in the federated non-IID setting where individual-level data cannot be shared; (ii) designing bias detection and mitigation algorithms, such as fairness-constrained federated optimization and post-processing debiasing, applicable to tabular clinical data, genomic data, and medical imaging... |
| Data del bando | 09/06/2026 |
| Paesi in cui può essere condotto l'incarico |
OTHER |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://www.dei.unipd.it/bandi |
| Destinatari dell'incarico di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|
| Nome dell'Ente finanziatore | Dipartimento di Ingegneria dell'Informazione - Università degli studi di Padova |
|---|---|
| Tipologia dell'Ente | Academic |
| Paese dell'Ente | Italy |
| Città | Padova |
| Sito web | https://www.dei.unipd.it/bandi |
| bandi@dei.unipd.it |
| L'incarico finanziato/cofinanziato attraverso un EU Research Framework Programme? | HE |
|---|
| Data di scadenza del bando | 16/07/2026 - alle ore 13:00 |
|---|---|
| Come candidarsi | https://pica.cineca.it/unipd/ |