<div dir="ltr"><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)">Dear Colleagues, </div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><br></div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)">We invite you to submit your research to The 2nd International Workshop on Secure, Accountable, and Verifiable Machine Learning (SAFE-ML 2026),  co-located with the 19th IEEE International Conference on Software Testing, Verification and Validation (ICST 2026), which will be held in Daejeon, South Korea (Mon 18 - Fri 22 May 2026).</div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><br></div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)">Machine Learning (ML) models are becoming deeply integrated into our daily lives, with their use expected to expand even further in the coming years. However, as these models grow in importance, potential vulnerabilities — such as biased decision-making and privacy breaches — could result in serious unintended consequences.</div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><br></div><div style="font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)">The 2nd International Workshop on Secure, Accountable, and Verifiable Machine Learning (SAFE-ML 2026) aims to bring together experts from industry and academia, with software testing and ML backgrounds, to discuss and address these challenges. The focus will be on innovative methods and tools to ensure correctness, robustness, security, fairness of ML models and in decentralized learning schemes. Topics of the workshop will cover, but are not limited to:</div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><br></div><ul style="margin-top:0px;margin-bottom:0px"><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Privacy preservation of ML models;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Adversarial robustness in ML models;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Security of ML models against poisoning attacks;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Ensuring fairness and mitigating bias in ML models;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Unlearning algorithms in ML;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Security, robustness, and privacy for Large Language Models (LLMs);</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Unlearning algorithms in decentralized learning schemes, such as Federated Learning (FL), gossip learning and split learning;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Secure aggregation in FL;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Robustness of FL models against malicious clients or model inversion attacks;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Secure model updates in FL;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">Explainability and interpretability of ML algorithms;</div></li><li style="margin-left:15px;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><div role="presentation">ML accountability.</div></li></ul><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><br></div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)">Important Dates</div><div style="font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><b>Paper Submission</b>: 27 February AoE, 2026</div><div style="font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><b>Decision Notification:</b> 27 March AoE, 2026</div><div style="direction:ltr;font-family:Calibri,sans-serif;font-size:14.6667px;color:rgb(36,36,36)"><br></div><div style="direction:ltr;font-family:Calibri,sans-serif"><span style="font-size:14.6667px;color:rgb(36,36,36)">For further details and submission instructions, please visit the workshop website: </span><span style="font-size:12pt;color:rgb(0,0,0)"><a href="https://conf.researchr.org/home/icst-2026/safe-ml-2026#Call-for-Papers" target="_blank">https://conf.researchr.org/home/icst-2026/safe-ml-2026#Call-for-Papers</a></span></div><br class="gmail-Apple-interchange-newline"><div><span style="color:rgb(36,36,36);font-family:Calibri,sans-serif;font-size:14.6667px">Best regards,</span></div><div><span style="color:rgb(36,36,36);font-family:Calibri,sans-serif;font-size:14.6667px">Carlo Mazzocca, Alessio Mora, Rebecca Montanari, Stefano Russo</span></div><div><span style="color:rgb(36,36,36);font-family:Calibri,sans-serif;font-size:14.6667px">SAFE-ML Chairs </span></div></div>