<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html>
  <head>

    <meta http-equiv="content-type" content="text/html; charset=ISO-8859-1">
  </head>
  <body text="#000000" bgcolor="#ffffff">
    Call for Papers
    <br>
    <p>NIPS 2011 WORKSHOP ON MACHINE LEARNING AND INTERPRETATION IN
      <br>
      NEUROIMAGING
      <br>
    </p>
    <p>(NOTE: this workshop is now MERGED with the NIPS workshop on
      <br>
      "Interpretable Decoding of Higher Cognitive States from Neural
      Data"<br>
      - please also note the revised later submission deadline of
      October <br>
      17th, and that submissions are of 4-page extended abstracts)
      <br>
    </p>
    <p><a target="_blank" rel="nofollow"
href="http://www.google.com/url?sa=D&q=https://sites.google.com/site/mlini2011/&usg=AFQjCNGlTDSGZ2LrKcJVNViB3d2UcdNt0g">https://sites.google.com/site/mlini2011/</a>
      <br>
    </p>
    <p>December 16-17, 2011, Melia Sierra Nevada & Melia Sol y
      Nieve, Sierra
      <br>
      Nevada, Spain
      <br>
    </p>
    <p>Submission deadline (EXTENDED):  October 17th, 2011
      <br>
    </p>
    <p>Overview:
      <br>
      --------------
      <br>
    </p>
    <p>Modern multivariate statistical methods have been increasingly
      applied
      <br>
      to various problems in neuroimaging, including “mind reading”,
      “brain
      <br>
      mapping”, clinical diagnosis and prognosis. Multivariate pattern
      <br>
      analysis (MVPA) is a promising machine-learning approach for
      <br>
      discovering complex relationships between high-dimensional signals
      <br>
      (e.g., brain images) and variables of interest (e.g., external
      stimuli
      <br>
      and/or brain's cognitive states). Modern multivariate
      regularization
      <br>
      approaches can overcome the curse of dimensionality and produce
      highly
      <br>
      predictive models even in high-dimensional, low-sample scenarios
      <br>
      typical in neuroimaging (e.g., 10 to 100 thousands of voxels and
      just
      <br>
      a few hundreds of samples).
      <br>
    </p>
    <p>However, despite the rapidly growing number of neuroimaging
      <br>
      applications in machine learning, its impact on how theories of
      brain
      <br>
      function are construed has received little consideration.
      Accordingly,
      <br>
      machine-learning techniques are frequently met with skepticism in
      the
      <br>
      domain of cognitive neuroscience. In this workshop, we intend to
      <br>
      investigate the implications that follow from adopting machine-
      <br>
      learning methods for studying brain function. In particular, this
      <br>
      concerns the question how these methods may be used to represent
      <br>
      cognitive states, and what ramifications this has for consequent
      <br>
      theories of cognition. Besides providing a rationale for the use
      of
      <br>
      machine-learning methods in studying brain function, a further
      goal of
      <br>
      this workshop is to identify shortcomings of state-of-the-art
      <br>
      approaches and initiate research efforts that increase the impact
      of
      <br>
      machine learning on cognitive neuroscience.
      <br>
    </p>
    <p>Decoding higher cognition and interpreting the behavior of
      associated
      <br>
      classifiers can pose unique challenges, as these psychological
      states
      <br>
      are complex, fast-changing and often ill-defined. For instance,
      speech
      <br>
      is received at 3-4 words a second; acoustic, semantic and
      syntactic
      <br>
      processing occur in parallel; and the form of underlying
      <br>
      representations (sentence structures, conceptual descriptions)
      remains
      <br>
      controversial. ML techniques are required that can take advantage
      of
      <br>
      patterns that are temporally and spatially distributed, but
      <br>
      coordinated in their activity. And different recording modalities
      have
      <br>
      distinctive advantages: fMRI provides millimeter-level
      localization in
      <br>
      the brain but poor temporal resolution, while EEG and MEG have
      <br>
      millisecond temporal resolution at the cost of spatial resolution.
      <br>
      Ideally, machine learning methods would be able to meaningfully
      <br>
      combine complementary information from these different
      neuroimaging
      <br>
      techniques, and reveal latent dimensions in neural activity, while
      <br>
      still being capable of disentangling tightly linked and confounded
      sub-
      <br>
      processes.
      <br>
    </p>
    <p>Moreover, from the machine learning perspective, neuroimaging is
      a
      <br>
      rich source of challenging problems that can facilitate
      development of
      <br>
      novel approaches. For example, feature extraction and feature
      <br>
      selection approaches become particularly important in
      neuroimaging,
      <br>
      since the primary objective is to gain a scientific insight rather
      <br>
      than simply learn a ``black-box'' predictor. However, unlike some
      <br>
      other applications where the set features might be quite
      well-explored
      <br>
      and established by now, neuroimaging is a domain where a machine-
      <br>
      learning researcher cannot simply "ask a domain expert what
      features
      <br>
      should be used", since this is essentially the question the domain
      <br>
      expert themselves are trying to figure out. While the current
      <br>
      neuroscientific knowledge can guide the definition of specialized
      <br>
      'brain areas', more complex patterns of brain activity, such as
      spatio-
      <br>
      temporal patterns, functional network patterns, and other
      multivariate
      <br>
      dependencies remain to be discovered mainly via statistical
      analysis.
      <br>
    </p>
    <p>The list of open questions of interest to the workshop includes,
      but
      <br>
      is not limited to the following:
      <br>
      - How can we interpret results of multivariate models in a
      <br>
      neuroscientific context?
      <br>
      - How suitable are MVPA and inference methods for brain mapping?
      <br>
      - How can we assess the specificity and sensitivity?
      <br>
      - What is the role of decoding vs. embedded or separate feature
      <br>
      selection?
      <br>
      - How can we use these approaches for a flexible and useful
      <br>
      representation of neuroimaging data?
      <br>
      - What can we accomplish with generative vs. discriminative
      modelling?
      <br>
      - How can ML techniques help us in modeling higher cognitive
      processes
      <br>
      (e.g. reasoning, communication, knowledge representation)?
      <br>
      - How can we disentangle confounded processes and representations?
      <br>
      - How do we combine the data from different  recording modalities
      <br>
      (e.g. fMRI, EEG, structural MRI, DTI, MEG, NIRS, EcOG, single cell
      <br>
      recordings, etc.)?
      <br>
    </p>
    <p>Workshop Format:
      <br>
      --------------------------
      <br>
    </p>
    <p>In this two-day workshop we will explore perspectives and novel
      <br>
      methodology at the interface of Machine Learning, Inference,
      <br>
      Neuroimaging and Neuroscience. We aim to bring researchers from
      <br>
      machine learning and neuroscience community together, in order to
      <br>
      discuss open questions, identify the core points for a number of
      the
      <br>
      controversial issues, and eventually propose approaches to solving
      <br>
      those issues.
      <br>
    </p>
    <p>The workshop will be structured around 4 main topics:
      <br>
             - Machine learning and pattern recognition methodology
      <br>
             - Interpretable decoding of higher cognitive states <br>
             - Causal inference in neuroimaging
      <br>
             - Linking machine learning, neuroimaging and neuroscience
      <br>
    </p>
    <p>Each session will be opened by 2-3 invited talks, and an in depth
      <br>
      discussion. This will be followed by original contributions.
      Original
      <br>
      contributions will also be presented and discussed during a poster
      <br>
      session. Each day of the workshop will end with a panel
      discussion,
      <br>
      during which we will address specific questions, and invited
      speakers
      <br>
      will open each segment with a brief presentation of their opinion.
      <br>
    </p>
    <p>This workshop proposal is part of the PASCAL2 Thematic Programme
      on
      <br>
      Cognitive Inference and Neuroimaging (<a class="moz-txt-link-freetext" href="http://">http://</a>
      <br>
      mlin.kyb.tuebingen.mpg.de/).
      <br>
    </p>
    <p>Paper Submission:
      <br>
      --------------------------
      <br>
    </p>
    <p>We seek for submission of original (previously unpublished)
      research
      <br>
      papers. The length of the submitted papers should not exceed 4
      pages
      <br>
      in Springer format (here are the  LaTeX2e style files), excluding
      the
      <br>
      references. We aim at publishing accepted paper after the workshop
      in
      <br>
      a proceedings volume that contains full papers, together with
      short (5-
      <br>
      page) review papers by the invited speakers. Authors are expected
      to
      <br>
      prepare a full 8 page paper for the final camera ready version
      after
      <br>
      the workshop.
      <br>
    </p>
    <p>Submission of previously published work is possible as well, but
      the
      <br>
      authors are required to mention this explicitly. Previously
      published
      <br>
      work can be presented at the workshop, but will not be included
      into
      <br>
      the workshop proceedings (which are considered peer-reviewed
      <br>
      publications of novel contributions). Moreover, the authors are
      <br>
      welcome to present their novel work but choose to opt out of the
      <br>
      workshop proceedings  in case they have alternative publication
      <br>
      plans.
      <br>
    </p>
    <p>Important dates:
      <br>
      --------------------------
      <br>
    </p>
    <p>- October 17th, 2011 - paper submission  
      <br>
      - October 24th, 2011 -   notification of acceptance/rejection
      <br>
      - December 16th - 17th - Workshop in Sierra Nevada, Spain,
      following
      <br>
      the NIPS conference
      <br>
    </p>
    <p>Invited Speakers:
      <br>
      --------------------------
      <br>
    </p>
    <p>Elia Formisano (Universiteit Maastricht, Netherlands)
      <br>
      Polina Golland (MIT, US)
      <br>
      James V. Haxby (Dartmouth College, US)
      <br>
      Tom Mitchell (CMU, US)
      <br>
      Daniel Rueckert (Imperial College, UK)
      <br>
      Peter Spirtes (CMU, US)
      <br>
      Gaël Varoquaux (Neurospin/INRIA, France)
      <br>
    </p>
    <p>Program Committee:
      <br>
      --------------------------
      <br>
      Melissa Carroll (Google, New York)
      <br>
      Guillermo Cecchi (IBM T.J. Watson Research Center)
      <br>
      Kai-min Kevin Chang, Language Technologies Institute & Centre
      for
      <br>
      Cognitive Brain Imaging, Carnegie Mellon University, Pittsburgh,
      USA)
      <br>
      Moritz Grosse-Wentrup (Max Planck Institute for Intelligent
      Systems,
      <br>
      Tübingen)* 
      <br>
      James V. Haxby (Dartmouth College)
      <br>
      Georg Langs (Medical University of Vienna)*
      <br>
      Anna Korhonen (Computer Laboratory & Research Centre for
      English and
      <br>
      Applied Linguistics, University of Cambridge)
      <br>
      Bjoern Menze (ETH Zuerich, CSAIL, MIT)
      <br>
      Brian Murphy (Computation, Language and Interaction Group, Centre
      for
      <br>
      Mind/Brain Sciences, University of Trento)*
      <br>
      Janaina Mourao-Miranda (University College London)
      <br>
      Vittorio Murino (University of Verona/Istituto Italiano di
      Tecnologia)
      <br>
      Francisco Pereira (Princeton University)
      <br>
      Irina Rish (IBM T.J. Watson Research Center)*
      <br>
      Mert Sabuncu (Harvard Medical School)
      <br>
      Irina Simanova (Max Planck Institute for Psycholinguistics &
      Donders
      <br>
      Institute for Brain, Cognition and Behaviour, Nijmegen)
      <br>
      Bertrand Thirion (INRIA, NEUROSPIN)
      <br>
    </p>
    <p>      Primary contacts:
      <br>
    </p>
    Moritz Grosse-Wentrup        <a class="moz-txt-link-abbreviated" href="mailto:moritzgw@ieee.org">moritzgw@ieee.org</a><br>
    Georg Langs                        <a class="moz-txt-link-abbreviated" href="mailto:georg.langs@meduniwien.ac.at">georg.langs@meduniwien.ac.at</a><br>
    Brian Murphy                       <a class="moz-txt-link-abbreviated" href="mailto:brian.murphy@unitn.it">brian.murphy@unitn.it</a>
    <br>
    Irina Rish                             <a class="moz-txt-link-abbreviated" href="mailto:rish@us.ibm.com">rish@us.ibm.com</a>
    <pre class="moz-signature" cols="72">-- 
Brian Murphy
Post-Doctoral Researcher
Language, Interaction and Computation Lab
Centre for Mind/Brain Sciences
University of Trento
<a class="moz-txt-link-freetext" href="http://clic.cimec.unitn.it/brian/">http://clic.cimec.unitn.it/brian/</a></pre>
  </body>
</html>