Descrizione posizione

Titolo del progetto di ricerca in italiano	2023RTDAPNRR009 PE 1 Spoke 5
Titolo del progetto di ricerca in inglese	2023RTDAPNRR009 PE 1 Spoke 5
Descrizione sintetica in italiano	La ricerca si concentrerà sullo sviluppo di algoritmi di ottimizzazione volti a migliorare la qualità dei modelli di apprendimento automatico. Per qualità del modello si intende la garanzia di ottimalità delle soluzioni prodotte dagli algoritmi rispetto ai criteri utilizzati per valutare le prestazioni del modello e/o garanzie di interpretabilità. La ricerca riguarderà problemi supervisionati e semi-supervisionati, e l’ottimalità sarà ottenuta costruendo metodi esatti di soluzione del problema di addestramento. L'interpretabilità, invece, sarà ottenuta imponendo requisiti di interpretabilità durante la fase di addestramento, intesi sia come sparsità dei modelli ottenuti sia come requisiti sulla struttura del modello prodotto, come ad esempio un albero decisionale di profondità limitata. Gli strumenti utilizzati per raggiungere gli obiettivi del progetto saranno l'ottimizzazione non lineare e l'ottimizzazione combinatoria, definendo sia modelli che algoritmi innovativi.
Descrizione sintetica in inglese	The research activity will focus on the development of optimization algorithms aimed at improving the quality of machine learning models. Model quality refers to providing guarantees of optimality of the solutions produced by the algorithms with respect to the criteria used to evaluate model performance and/or guarantees of model interpretability. The research will cover both supervised and semi-supervised problems, and optimality guarantees will be achieved by constructing exact methods for solving the training problem. Interpretability, on the other hand, will be achieved by imposing interpretability requirements during the training phase, intended as both sparsity of the obtained models and requirements on the structure of the produced model, such as a decision tree of limited depth. The tools used to achieve the project goals will be nonlinear optimization and combinatorial optimization, defining both innovative models and algorithms
Numero posti	1
Settore Concorsuale	01/A6 - RICERCA OPERATIVA
S.S.D	MAT/09 - RICERCA OPERATIVA
Destinatari del bando (of target group)	Experienced researcher or 4-10 yrs (Post-Doc)
Data del bando	12/05/2023

 

FP7 / PEOPLE / Marie Curie Actions

Research Framework Programme / Marie Curie Actions	No

 

Dettagli dell'impiego

Tipo di contratto	Temporary
Tempo	Full-time
Ore settimanali	36
Organizzazione/Ente	Sapienza Università di Roma
Paese (dove si svolgerà l'attività)	ITALY
Città	ROMA

 

Contatto presso l'Organizzazione/Ente

Organizzazione/Ente	Sapienza Università di Roma
Tipo	Academic
Facoltà/Dipartimento/Laboratorio di ricerca	Dipartimento di Ingegneria informatica, automatica e gestionale Antonio Ruberti
Paese	ITALY
Stato/Provincia	RM
Città	ROMA
Codice postale	00185
Indirizzo	Via Ariosto 25
E-mail	giampaoletti@diag.uniroma1.it
Sito web	https://web.uniroma1.it/trasparenza/bandi_concorso_docenti/2185

 

Dettagli per la candidatura

Data di scadenza del bando	27/05/2023
Come candidarsi	Other

 

Titoli di studio richiesti

Laurea	PhD or equivalent
Ambito della laurea	Mathematics

 

Esperienze di ricerca richieste

Campo principale della ricerca	Mathematics
Sottocampo della ricerca
Anni di esperienza richiesti	3

 

Lingue richieste

Lingua	ENGLISH
Livello di conoscenza della lingua	Good