IV Workshop on Data and Knowledge Engineering

WDKE-2020, Infornor-Chile 2020, September 4, 2020

Organized by Núcleo de Investigación en Inteligencia Artificial y Data Science, Universidad Católica del Norte, Antofagasta, Chile

Workshop on Data and Knowledge Engineering

The Workshop on Data and Knowledge Engineering (WDKE) is a space for the dissemination of scientific and professional academic activity in the area data and knowledge enginnering, including:

  • Presentations of short papers and posters
  • Invited Talks

Topics of Interest

WDKE would accept research works in the subject of data and knowledge engineering, mainly on but not limited to:

  • Big Data
  • Intelligent systems
  • Data Analytics
  • Web/Data mining
  • Sentiment Analysis and Opinion Mining
  • Machine Learning
  • Deep Learning
  • Knowledge Representation
  • Expert Systems
  • Data Visualization
  • Computer Vision

General Programme

Time Activity
8:55-9:00 Welcome from organizers.
9:00-10.00 Invited Talk #1: How Deep Learning and Uncertainty Modeling can help people get aware how they eat.
Dra. Petia Radeva [petia.ivanova@ub.edu], Universidad de Barcelona, España.
10.00-11.00 Invited Talk #2: Generación de grafos condicionada a entidades nombradas para la detección de polarización y controversia en redes sociales.
Dr. Marcelo Mendoza [marcelo.mendoza@usm.cl], Universidad Técnica Federico Santa María, Chile.
11.00-11.15 Coffee Break
11:15-13:00 Special Session: Research topics on data science and artificial intelligence.
Chairs: Dr. Jorge Littin, Dr. Claudio Meneses

Diagnosing neuropathies in diabetic patients by applying machine learning, Speaker: David Coo A. [david.coo92@gmail.com]

Inteligencia Artificial. Aplicabilidad y desafíos en el campo del envejecimiento y las personas mayores, Speaker: Andrés Ledezma [aledezma@santotomas.cl]

Applied Artificial Intelligence techniques and Simulation on generating sulphury acid process from a chemical plant, Speaker: Víctor Flores [vflores@ucn.cl]

Clasificación de señales sísmico volcánicas mediante técnicas de transferencia de aprendizaje y aprendizaje profundo, Speaker: Franz Yupanqui [frayup@gmail.com]

Estimación del estado emocional de una persona a través de secuencias de video multimodales utilizando técnicas de aprendizaje automático multitask y Deep Learning, Speaker: Ricardo Pizarro [ ricardo.pizarro@ce.ucn.cl]

• Panel: Forming a collaborative network on data science & intelligent systems.
13:00-15:00 Lunch Time
15:00-16:00 Tutorial I: Una introducción a modelos predictivos.
Dr. Jorge Littin [jlittin@ucn.cl], Universidad Católica del Norte, Antofagasta, Chile.
16:00-17:00 Tutorial II: Redes neuronales recurrentes de corto y largo plazo.
Dr. Juan Bekios [juan.bekios@ucn.cl], Universidad Católica del Norte, Antofagasta, Chile.
17:00 Closing

Invited Talk #1: How Deep Learning and Uncertainty Modeling can help people get aware how they eat.

  • 4 septiembre 2020, 9.00- 10.00 hrs.
  • Dra. Petia Radeva [petia.ivanova@ub.edu], Universidad de Barcelona, Barcelona, España.

Abstract: Recently, computer vision approaches specially assisted by deep learning techniques have shown unexpected advancements that practically solve problems that never have been imagined to be automatized like face recognition or automated driving. However, food image recognition due to its high complexity and ambiguity, still remains far from being solved. In this talk, we focus on how to combine two challenging research lines: deep learning and uncertainty modeling (epistemic and aleatoric uncertainty) in order to address the food image recognition. We will show the relevance of GANs within this research line. After discussing our methodology to advance in this direction, we comment on potential applications, as well as the social and economic impact of the research on food image analysis.

Short Bio: Prof. Petia Radeva is a Full professor at the Universitat de Barcelona (UB), PI of the Consolidated Research Group “Computer Vision and Machine Learning” at the University of Barcelona (CVUB) at UB (www.ub.edu/cvub) and Senior researcher in Computer Vision Center (www.cvc.uab.es). She was PI of UB in 4 European, 3 international and more than 20 national projects devoted to applying Computer Vision and Machine learning for real problems like food intake monitoring (e.g. for patients with kidney transplants and for older people). Petia Radeva is a REA-FET-OPEN vice-chair since 2015 on, and international mentor in the Wild Cards EIT program since 2017. She is an Associate editor of Pattern Recognition journal (Q1) and International Journal of Visual Communication and Image Representation (Q2). Petia Radeva has been awarded IAPR Fellow since 2015, ICREA Academia assigned to the 30 best scientists in Catalonia for her scientific merits since 2014, received several international awards (“Aurora Pons Porrata” of CIARP, Prize “Antonio Caparrós” for the best technology transfer of UB, etc). She supervised 19 PhD students and published more than 100 SCI journal publications and 250 international chapters and proceedings, her Google scholar h-index is 44 with more than 7600 cites.


Invited Talk #2: Generación de grafos condicionada a entidades nombradas para la detección de polarización y controversia en redes sociales.

  • 4 septiembre 2020, 10.00- 11.00 hrs.
  • Dr. Marcelo Mendoza [marcelo.mendoza@usm.cl], Universidad Técnica Federico Santa María, Chile.

Abstract: Muchas interacciones entre usuarios de redes sociales son controversiales, especialmente en entornos polarizados. En efecto, más que producir un espacio de deliberación, estos entornos favorecen la descalificación. En sitios de noticias, los comentarios se caracterizan por este tipo de interacciones. Esto es perjudicial para la construcción de un espacio democrático de sana convivencia, generando la necesidad de contar con herramientas que permitan pronosticar de manera temprana la polarización y el surgimiento de controversias. En esta charla se introduce GENE, un método generativo de grafos condicionados a entidades nombradas, el cual proporciona una vista de la red de usuarios condicionada a las entidades de las cuales comentan. GENE modela la inclinación de cada usuario en relación con las entidades mencionadas en noticias. Sus grafos permiten segmentar la red de usuarios según su polarización. Usando la red segmentada, estudiamos el desempeño de dos índices de controversia: random walks controversy y relative closeness controversy. Los índices permiten cuantificar la interacción entre polos de opinión cuantificando el surgimiento de la controversia. Una evaluación de gran escala sobre datos reales permite concluir que más del 60% de los comentarios de los usuarios tiene una polaridad predecible. GENE muestra que además es posible anticipar un escenario de confrontación, con una sensitividad a la clase objetivo superior al 90% en AUC.

Short Bio: Marcelo Mendoza es Ingeniero Civil Electrónico y Magíster en Ciencias de la Ingeniería Informática de la Universidad Técnica Federico Santa María. Recibió el grado de Doctor en Ciencias, mención Computación en la Universidad de Chile. Realizó un Post Doc en Yahoo! Research. Actualmente es profesor asociado del Departamento de Informática de la Universidad Técnica Federico Santa María y director del programa Magíster en Ciencias de la Ingeniería Informática de la misma universidad. Es uno de los socios fundadores de la Asociación Chilena de Reconocimiento de Patrones, de la cual fue presidente. Es investigador del Centro Científico y Tecnológico de Valparaíso e investigador asociado del Instituto Milenio Fundamentos de los Datos. Sus intereses en investigación son text mining, information retrieval y data mining en redes sociales. Ha publicado en conferencias top-tier como WWW, KDD y CIKM así como en revistas de corriente principal como KBS, IPM, ESWA y EPJ Data Science. Ha sido general chair de conferencias internacionales como ICPRS '17 y CIARP '18. Sus artículos cuentan más de 5000 citas y tiene factor H=18 e i10-index=29 según Google Scholar. Actualmente trabaja en métodos de detección de stance, bots, noticias falsas, inclinación política y detección de controversia en redes sociales.


Tutorial I: Introducción a modelos predictivos.

  • 4 septiembre 2020, 15.00- 16.00 hrs.
  • Dr. Jorge Littin [jlittin@ucn.cl], Universidad Católica del Norte, Antofagasta, Chile.

Abstract: En esta charla discutiremos algunos de los puntos más relevantes que se deben tener en consideración al momento de hacer un buen análisis de series de tiempo, así como de algunos de los errores más comunes que se cometen. Específicamente, se discutirán las técnicas más usuales que se utilizan para las etapas de exploración, identificación, estimación y predicción, así como de las consideraciones principales que se deben tener en cada una de ellas.

Short Bio: Profesor Asistente de la Universidad Católica del Norte, doctorado en la Universidad de Chile /Unix. Aix Marseille en Modelación Matemática e Ingeniero Civil Matemático de la UTFSM. Sus áreas de interés son Modelamiento de Sistemas Aleatorios, Modelos Predictivos y Teoría de Probabilidades. Actualmente tiene bajo su dirección varias tesis de postgrado sobre el área.


Tutorial II: Redes Neuronales Recurrentes de Corto y Largo Plazo.

  • 4 septiembre 2020, 16.00- 17.00 hrs.
  • Dr. Juan Bekios [juan.bekios@ucn.cl], Universidad Católica del Norte, Antofagasta, Chile.

Abstract: Las Redes Neuronales Recurrentes (Recurrent Neural Network - RNN), son un tipo de aprendizaje supervisado que presentan uno o más ciclos en el grafo definido por las interconexiones de sus unidades de procesamiento. La existencia de estos ciclos les permite trabajar de forma innata con secuencias temporales. Las redes recurrentes son sistemas dinámicos no lineales capaces de descubrir regularidades temporales en las secuencias procesadas y pueden aplicarse, por lo tanto, a multitud de tareas de procesamiento de este tipo de secuencias.

Short Bio: Profesor Asistente de la Universidad Católica del Norte, Doctor en Inteligencia Artificial en la Universidad Politécnica de Madrid bajo la tutela del Dr. Luis Baumela Molina y el Dr. José Miguel Buenaposada Biencinto. El tema de investigación es el análisis automático del rostro humano y pose, utilizando visión por computador y técnicas de aprendizaje automático. Adicionalmente, apoya proyectos de análisis de datos y sistemas basados en conocimiento. http://jbekios.ucn.cl