<div dir="ltr"><p><b>ECML/PKDD Workshop on neuro-symbolic metalearning and AutoML</b></p><p>This workshop explores different types of meta-knowledge, such as 
performance summary statistics or pre-trained model weights. 
One way of acquiring meta-knowledge is by observing learning processes 
and representing it in such a way that it can be used later to improve 
future learning processes. 
AutoML systems typically explore meta-knowledge acquired from a single 
task, e.g., by modelling the relationship between hyperparameters and 
model performance. 
Metalearning systems, on the other hand, normally explore metaknowledge 
acquired on a collection of machine learning tasks. 
This can be used not only for selection of the best workflow(s) for the 
current task, but also for adaptation and fine-tuning of a prior model 
to the new task. 
Many current AutoML and metalearning systems exploit both types of 
meta-knowledge. 
Neuro-symbolic systems explore the interplay between neural 
network-based learning and symbol-based learning to get the best of 
those two types of learning. 
While doing so, it tries to use the existing knowledge as a concrete 
symbolic representation or as a transformed version of the symbolic 
representation suited for the learning algorithm. 
The goal of this workshop is to explore ways in which ideas can be 
cross-pollinated between the AutoML/Metalearning and neuro-symbolic 
learning research communities. 
This could lead to, e.g., systems with interpretable meta-knowledge, and
 tighter integration between machine learning workflows and automated 
reasoning systems.</p>

<p>Main research areas:</p>

<ul><li>Controlling the learning processes</li><li>Definitions of configuration spaces</li><li>Few-shot learning</li><li>Elaboration of feature hierarchies</li><li>Exploiting hierarchy of features in learning</li><li>Meta-learning</li><li>Conditional meta-learning</li><li>Meta-knowledge transfer</li><li>Transfer learning</li><li>Transfer of prior models</li><li>Transfer of meta-knowledge between systems</li><li>Symbolic vs subsymbolic meta-knowledge</li><li>Neuro-symbolic learning</li><li>Explainable and interpretable meta-learning</li><li>Explainable artificial intelligence</li></ul><div>Confirmed invited speakers include:<br><ul><li><a href="https://www.city.ac.uk/about/people/academics/artur-davila-garcez" target="_blank" rel="noopener">Artur d’Avila Garcez</a>, City University of London, UK</li><li><a href="https://profiles.waikato.ac.nz/bernhard.pfahringer" target="_blank" rel="noopener">Bernhard Pfahringer</a>, University of Waikato, New Zealand</li></ul></div><div>Deadline: 26 June</div><div>Website: <a href="https://janvanrijn.github.io/metalearning/2023ECMLPKDDworkshop">https://janvanrijn.github.io/metalearning/2023ECMLPKDDworkshop</a></div><div><br></div><div>Best,</div><div>Workshop Chairs<br></div></div>