18 febrero, 2016

Ponentes Plenarios CAEPIA`16 y Congresos Federados

 

CAEPIA’16:

• Prof. Serafín Moral, Universidad de Granada. España: Algoritmos de Inferencia Aproximados para Modelos Gráficos Probabilísticos.
• Prof. Xin Yao, University of Birmingham. Reino Unido: Ensemble Approaches to Class Imbalance Learning.

MAEB’16:

• Prof. Enrique Alba Torres, Universidad de Málaga. España. Sistemas Inteligentes para Ciudades Inteligentes.
• Prof. Sancho Salcedo Sanz, Universidad de Alcalá de Henares. España.  Nuevos Algoritmos para Optimización y Búsqueda basados en simulación de Arrecifes de Coral.

TAMIDA’16:

• Prof. V. Richard Benjamins, Director del Grupo de BI & DATA en Telefónica. Madrid. España.

LODISCO’16:

• Prof. Alberto Bugarín Diz, Universidade de Santiago de Compostela, España.
 


 

INFORMACIÓN DETALLADA SOBRE LOS PONENTES PLENARIOS

 

• Prof. Serafín Moral, Universidad de Granada. España. Ponente Plenario CAEPIA’16.

ponenteplenarioSerafín Moral obtuvo la Licenciatura de Matemáticas en 1981 y el título de Doctor en 1985, ambos en la Universidad de Granada. Es Catedrático del área de Ciencias de la Computación e Inteligencia Artificial desde 1998.

Trabaja en razonamiento con incertidumbre en Inteligencia Artificial, modelos gráficos probabilísticos y probabilidades imprecisas.

Ha publicado más de 90 trabajos en revistas internacionales y  sobre 110 trabajos en actas de congresos y capítulos de libros. Su índice h es de 37 en Google Académico. Ha dirigido 13 tesis doctorales y ha participado en más de 20 proyectos de investigación obtenidos en convocatorias competitivas de carácter nacional y europeo.

Ha sido responsable del comité de programa y organizador de 5 congresos de carácter internacional. Es resposable de área de las revistas Artificial Intelligence Journal, International Journal of Uncertainty, Fuzziness and Knowledge Based Systems y  Progress in Artificial Intelligence.

Es Fellow del  European Coordinating Committee for Artificial Intelligence (ECCAI).

Conferencia: Algoritmos de Inferencia Aproximados para Modelos Gráficos Probabilísticos

Los llamados algoritmos de propagación basados en paso de mensajes en modelos gráficos permiten realizar de forma eficiente
tareas de inferencia en casos de gran tamaño. Pero, como el problema es NP-difícil, surge la necesidad de diseñar algoritmos aproximados.
En esta conferencia haremos un repaso a los distintos problemas de cálculo asociados al razonamiento probabilísticos (cálculo de probabilidades condicionadas, MAP, MPE, máxima utilidad
esperada) y las distintas estrategias que se han usado en su resolución. Para ello usaremos un lenguaje abstracto basado en las valuaciones de Shafer y Shenoy tratando de dar una versión unificada tanto de los algoritmos deterministas (‘mini-buckets’, métodos variacionales, etc..) como de los estocásticos (muestreo por importancia o basado en cadenas de Markov). Dada la naturaleza distribuida de los algoritmos de propagación, especial atención se dará a estrategias iterativas basadas en aprender a realizar cada vez mejores aproximaciones de una información teniendo en cuenta la calidad de las aproximaciones en otros elementos del problema. La idea será tratar de extraer los principios básicos de los métodos empleados, con el objetivo de poderlos emplear en problemas de razonamiento asociados a otros modelos de representación de la información, lo que se ilustrará fundamentalmente con inferencia en lógica proposicional (SAT, MAXSAT, MAJSAT). De esta manera, se pretende poner en relacción los desarrollos en este campo con uno de los más antiguos e importantes objetivos de la IA: la construcción de motores universales de inferencia.

 

• Prof. Xin Yao, University of Birmingham. Reino Unido. Ponente Plenario CAEPIA’16.

XinYaoPhotoXin Yao is a Chair (Professor) of Computer Science and the Director of CERCIA (Centre of Excellence for Research in Computational Intelligence and Applications) at the University of Birmingham, UK. He is an IEEE Fellow and a Distinguished Lecturer of IEEE Computational Intelligence Society (CIS). He previously served as the Editor-in-Chief (2003-08) of IEEE Transactions on Evolutionary Computation and the President (2014-15) of IEEE CIS. His main
research interests include evolutionary computation, ensemble learning, and their applications, especially in software engineering.

His papers won the 2001 IEEE Donald G. Fink Prize Paper Award, 2010 and 2015 IEEE Transactions on Evolutionary Computation Outstanding Paper Awards, 2010 BT Gordon Radley
Award for Best Author of Innovation (Finalist), 2011 IEEE Transactions on Neural Networks Outstanding Paper Award, and many other best paper awards.He won the prestigious Royal Society Wolfson Research Merit Award in 2012 and the IEEE CIS Evolutionary Computation Pioneer Award in 2013. Over the years, he has collaborated with many industrial partners in his research, including Honda, BT, Thales, Marconi Communications, IBM, Unilever, STMicroelectronics, GSK, Rolls Royce, etc.

Xin Yao (http://www.cs.bham.ac.uk/~xin/)

Conference: Ensemble Approaches to Class Imbalance Learning

Many real-world classification problems have unbalanced classes, e.g., in fault detection and software defect prediction, where there are a large number of training examples for the normal class, but few for the abnormal classes. This talk gives an overview of some recent algorithms for dealing with class imbalance in machine learning, including ensemble approaches, sampling methods, evolutionary computation methods, and their combinations. First, we will discuss how diversity influences the classification performance, especially on the minority class, in ensemble classification algorithms. Then new ensemble
algorithms are introduced and evaluated experimentally. Multi-class imbalance will be analysed and considered. The combination of ensemble learning and sampling techniques for dealing with class imbalance will be presented.
Finally, we consider a new problem — online class imbalance learning of data streams, where the majority and minority classes are not pre-defined and have to be learned and detected online.

This talk is partially based on the following publications:

S. Wang and X. Yao, “Relationships Between Diversity of Classification
Ensembles and Single-Class Performance Measures,” IEEE Transactions on
Knowledge and Data Engineering, 25(1):206-219, January 2013.

S. Wang and X. Yao, “Multi-Class Imbalance Problems: Analysis and Potential
Solutions,” IEEE Transactions on Systems, Man and Cybernetics, Part B,
42(4):1119-1130, August 2012.

M. Lin, K. Tang and X. Yao, “A Dynamic Sampling Approach to Training Neural
Networks for Multi-class Imbalance Classification,” IEEE Transactions on
Neural Networks and Learning Systems, 24(4):647-660, April 2013.

U. Bhowan, M. Johnston, M. Zhang and X. Yao, “Evolving Diverse Ensembles using
Genetic Programming for Classification with Unbalanced Data,” IEEE
Transactions on Evolutionary Computation, 17(3):368-386, June 2013.

S. Wang, L. L. Minku and X. Yao, “Resampling-Based Ensemble Methods for Online
Class Imbalance Learning,” IEEE Transactions on Knowledge and Data
Engineering, 27(5):1356-1368, May 2015.