Kinship verification in the wild: the first kinship verification competition

In this paper, we present the Kinship Verification in the Wild Competition: the first kinship verification competition which is held in conjunction with the International Joint Conference on Biometrics 2014, Clearwater, Florida, USA. The key goal of this competition is to compare the performance of different methods on a new-collected dataset with the same evaluation protocol and develop the first standardized benchmark for kinship verification in the wild.

Learning for scheduling a portfolio of constraint solvers

Nel lavoro di tesi qui presentato si indaga l'applicazione di tecniche di apprendimento mirate ad una più efficiente esecuzione di un portfolio di risolutore di vincoli (constraint solver). Un constraint solver è un programma che dato in input un problema di vincoli, elabora una soluzione mediante l'utilizzo di svariate tecniche. I problemi di vincoli sono altamente presenti nella vita reale. Esempi come l'organizzazione dei viaggi dei treni oppure la programmazione degli equipaggi di una compagnia aerea, sono tutti problemi di vincoli. Un problema di vincoli è formalizzato da un problema di soddisfacimento di vincoli(CSP). Un CSP è descritto da un insieme di variabili che possono assumere valori appartenenti ad uno specico dominio ed un insieme di vincoli che mettono in relazione variabili e valori assumibili da esse. Una tecnica per ottimizzare la risoluzione di tali problemi è quella suggerita da un approccio a portfolio. Tale tecnica, usata anche in am- biti come quelli economici, prevede la combinazione di più solver i quali assieme possono generare risultati migliori di un approccio a singolo solver. In questo lavoro ci preoccupiamo di creare una nuova tecnica che combina un portfolio di constraint solver con tecniche di machine learning. Il machine learning è un campo di intelligenza articiale che si pone l'obiettivo di immettere nelle macchine una sorta di `intelligenza'. Un esempio applicativo potrebbe essere quello di valutare i casi passati di un problema ed usarli in futuro per fare scelte. Tale processo è riscontrato anche a livello cognitivo umano. Nello specico, vogliamo ragionare in termini di classicazione. Una classicazione corrisponde ad assegnare ad un insieme di caratteristiche in input, un valore discreto in output, come vero o falso se una mail è classicata come spam o meno. La fase di apprendimento sarà svolta utilizzando una parte di CPHydra, un portfolio di constraint solver sviluppato presso la University College of Cork (UCC). Di tale algoritmo a portfolio verranno utilizzate solamente le caratteristiche usate per descrivere determinati aspetti di un CSP rispetto ad un altro; queste caratteristiche vengono altresì dette features. Creeremo quindi una serie di classicatori basati sullo specifico comportamento dei solver. La combinazione di tali classicatori con l'approccio a portfolio sara nalizzata allo scopo di valutare che le feature di CPHydra siano buone e che i classicatori basati su tali feature siano affidabili. Per giusticare il primo risultato, eettueremo un confronto con uno dei migliori portfolio allo stato dell'arte, SATzilla. Una volta stabilita la bontà delle features utilizzate per le classicazioni, andremo a risolvere i problemi simulando uno scheduler. Tali simulazioni testeranno diverse regole costruite con classicatori precedentemente introdotti. Prima agiremo su uno scenario ad un processore e successivamente ci espanderemo ad uno scenario multi processore. In questi esperimenti andremo a vericare che, le prestazioni ottenute tramite l'applicazione delle regole create appositamente sui classicatori, abbiano risultati migliori rispetto ad un'esecuzione limitata all'utilizzo del migliore solver del portfolio. I lavoro di tesi è stato svolto in collaborazione con il centro di ricerca 4C presso University College Cork. Su questo lavoro è stato elaborato e sottomesso un articolo scientico alla International Joint Conference of Articial Intelligence (IJCAI) 2011. Al momento della consegna della tesi non siamo ancora stati informati dell'accettazione di tale articolo. Comunque, le risposte dei revisori hanno indicato che tale metodo presentato risulta interessante.

[New insights into diagnosis and management of gestational diabetes mellitus: recommendations of the Swiss Society for Endocrinology and Diabetes]

Physiology and current knowledge about gestational diabetes which led to the adoption of new diagnostic criterias and blood glucose target levels during pregnancy by the Swiss Society for Endocrinology and Diabetes are reviewed. The 6th International Workshop Conference on Gestational Diabetes mellitus in Pasedena (2008) defined new diagnostic criteria based on the results of the HAPO-Trial. These criteria were during the ADA congress in New Orleans in 2009 presented. According to the new criteria there is no need for screening, but all pregnant women have to be tested with a 75 g oral glucose tolerance test between the 24th and 28th week of pregnancy. The new diagnostic values are very similar to the ones previously adopted by the ADA with the exception that only one out of three values has to be elevated in order to make the diagnosis of gestational diabetes. Due to this important difference it is very likely that gestational diabetes will be diagnosed more frequently in the future. The diagnostic criteria are: Fasting plasma glucose > or = 5.1 mmol/l, 1-hour value > or = 10.0 mmol/l or 2-hour value > or = 8.5 mmol/l. Based on current knowledge and randomized trials it is much more difficult to define glucose target levels during pregnancy. This difficulty has led to many different recommendations issued by diabetes societies. The Swiss Society of Endocrinology and Diabetes follows the arguments of the International Diabetes Federation (IDF) that self-blood glucose monitoring itself lacks precision and that there are very few randomized trials. Therefore, the target levels have to be easy to remember and might be slightly different in mmol/l or mg/dl. The Swiss Society for Endocrinology and Diabetes adopts the tentative target values of the IDF with fasting plasma glucose values < 5.3 mM and 1- and 2-hour postprandial (after the end of the meal) values of < 8.0 and 7.0 mmol/l, respectively. The last part of these recommendations deals with the therapeutic options during pregnancy (nutrition, physical exercise and pharmaceutical treatment). If despite lifestyle changes the target values are not met, approximately 25 % of patients have to be treated pharmaceutically. Insulin therapy is still the preferred treatment option, but metformin (and as an exception glibenclamide) can be used, if there are major hurdles for the initiation of insulin therapy.