<html>
  <head>
    <meta http-equiv="content-type" content="text/html;
      charset=ISO-8859-1">
  </head>
  <body bgcolor="#FFFFFF" text="#000000">
    <div class="moz-text-html" lang="x-western"> [Apologies if you
      receive multiple copies of this CFP]<br>
      <br>
      <b>Call for Papers: Neurocomputing Special Issue on "Advances in
        Learning with Label Noise</b><b>"<br>
        <br>
      </b> <b><u>AIMS AND SCOPE</u></b><br>
      <br>
      Label noise is an important issue in classification. It is both
      expensive and difficult to obtain completely reliable labels, yet
      traditional classifiers expect a perfectly labelled training set.
      In real-world data sets, however, the labels available often
      contain mistakes.  Mislabelling may occur for several reasons,
      including lack of information, speedy labelling by non-experts,
      the subjective nature of class memberships, expert errors, and
      communication problems. Furthermore, label noise may take several
      different forms -- for instance, labelling errors may occur at
      random, or may depend on particular values of the data features,
      or they may be adversarial. Errors may affect all data classes
      equally or asymmetrically. A large body of literature exists on
      the effects of label noise, which shows that mislabelling may
      detrimentally affect the classification performance, the
      complexity of the learned models, and it may impair pre-processing
      tasks such as feature selection. <br>
      <br>
      Many methods have been proposed to deal with label noise. Filter
      approaches aim at identifying and removing any mislabelled
      instances.  Label noise sensitive algorithms aim at dealing with
      label noise during learning, by modelling the process of label
      corruption as part of modelling the data. Some methods have been
      modified to take label noise into account in an embedded fashion. 
      The current literature on learning with label noise is a lively
      mixture of theoretical and experimental studies which clearly
      demonstrate both the complexity and the importance of the problem.
      Dealing with mislabelled instances needs to be flexible enough to
      accommodate label uncertainty, yet constrained enough to guide the
      learning process in its decisions regarding when to trust the
      label and when to trust the classifier.<br>
      <br>
      This special issue aims to stimulate new research in the area of
      learning with label noise by providing a forum for authors to
      report on new advances and findings in this problem area.  Topics
      of interest include, but are not limited to:<br>
      <ul>
        <li>new methods to deal with label noise;</li>
        <li>new applications where label noise must be taken into
          account;</li>
        <li>theoretical results about learning in the presence of label
          noise;</li>
        <li>experimental results which provide insight about existing
          methods;</li>
        <li>dealing with different types of label noise (random,
          non-random, malicious, or adversarial);</li>
        <li>conditions for the consistency of classification in the
          presence of label noise;</li>
        <li> label noise in high dimensional small sample settings;</li>
        <li> the issue of model meta-parameters/order selection in the
          presence of label noise;</li>
        <li>feature selection and dimensionality reduction in the
          presence of label noise;</li>
        <li>label-noise aware classification algorithms in static and
          dynamic scenarios;</li>
        <li>on-line learning with label noise</li>
        <li>learning with side information to counter label noise;</li>
        <li>model assessment in the presence of label noise in test
          data.</li>
      </ul>
      <br>
      <u><b>SUBMISSION OF MANUSCRIPTS</b></u><u><b><br>
        </b></u><br>
      If you intend to contribute to this special issue, please send a
      title and abstract of your contribution to the guest editors.<br>
      <br>
      Authors should prepare their manuscript according to the Guide for
      Authors available at <a
        href="http://www.journals.elsevier.com/neurocomputing"
        target="_blank">http://www.journals.elsevier.com/neurocomputing</a>.
      All the papers will be peer-reviewed following the Neurocomputing
      reviewing procedures.  Authors must submit their papers
      electronically by using online manuscript submission at <a
        href="http://ees.elsevier.com/neucom" target="_blank">http://ees.elsevier.com/neucom</a>. 





      To ensure that all manuscripts are correctly included into the
      special issue, it is important that authors select "SI: Learning
      with label noise" when they reach the "Article Type" step in the
      submission process.<br>
      <br>
      For technical questions regarding the submission website, please
      contact the support office at Elsevier or the guest editors.<br>
      <br>
      <u><b>IMPORTANT DATES</b></u><br>
      <br>
      Deadline of paper submission: 15 February 2014<br>
      Notification of acceptance: 15 July 2014<br>
      <br>
      <u><b>GUEST EDITORS</b></u><br>
      <br>
      Benoît Frénay (Managing Guest Editor)<br>
      Université catholique de Louvain, Belgium<br>
      E-mail: <a href="mailto:benoit.frenay@uclouvain.be"
        target="_blank">benoit.frenay@uclouvain.be</a><br>
      Website:<a href="http://bfrenay.wordpress.com/">
        http://bfrenay.wordpress.com</a><br>
      Phone: <a href="tel:%2B32%2010%20478133" value="+3210478133"
        target="_blank">+32 10 478133</a><br>
      <br>
      Ata Kaban (Special Issue Guest Editor)<br>
      University of Birmingham, United Kingdom<br>
      E-mail: <a href="mailto:A.Kaban@cs.bham.ac.uk" target="_blank">A.Kaban@cs.bham.ac.uk</a><br>
      Website:<a href="http://www.cs.bham.ac.uk/%7Eaxk">
        http://www.cs.bham.ac.uk/~axk</a><br>
      Phone: <a href="tel:%2B44%20121%2041%2042792"
        value="+441214142792" target="_blank">+44 121 41 42792</a> </div>
  </body>
</html>