Call for Papers του LION20 (The 20th Learning and Intelligent Optimization Conference), το οποίο θα πραγματοποιηθεί στο Μιλάνο (Ιταλία) από τις 15 έως τις 19 Ιουνίου 2026. Το συνέδριο εστιάζει στη διασταύρωση των ερευνητικών πεδίων της μηχανικής μάθησης, της βελτιστοποίησης, της επιχειρησιακής έρευνας και των μετα-ευρετικών μεθόδων.
Το LION αποτελεί εδώ και χρόνια σημείο αναφοράς στον χώρο, και ειδικά φέτος φιλοξενεί εξαιρετικούς keynote ομιλητές, μεταξύ των οποίων οι Juergen Schmidhuber (IDSIA, KAUST), Andrea Lodi (Cornell) και Wolfram Wiesemann (Imperial College London).
Στα πλαίσια του συνεδρίου διοργανώνουμε ένα special session με τίτλο " Learning to Optimize: RL as an optimizer" και σας προσκαλούμε να συμμετάσχετε υποβάλλοντας κάποιο άρθρο (είτε στο δικό μας session είτε και γενικά στο συνέδριο). Μπορείτε να συμμετέχετε με τριών ειδών εργασίες:
1) Long paper: original novel and unpublished work (12-15 pages in LNCS format);
2) Short paper: an extended abstract of novel work (6-11 pages in LNCS format);
3) Abstract: for oral presentation only (maximum 1000 words in LNCS format).
Η καταληκτική ημερομηνία υποβολής εργασιών (μέσω OpenReview) είναι η 1η Φεβρουαρίου 2026 για Long και Short Paper (συνήθως δίνεται μία μικρή παράταση). H περίοδος υποβολών για Abstract είναι από την 1η Μαρτίου μέχρι την 8η Απριλίου 2026.
Περισσότερες πληροφορίες μπορείτε να βρείτε στην ιστοσελίδα του συνεδρίου: https://www.lion20.org
Στη διάθεσή σας για οποιαδήποτε επιπλέον πληροφορία.
Με εκτίμηση,
Κων/νος Χατζηλυγερούδης, Επίκουρος Καθηγητής, Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών, Πανεπιστήμιο Πατρών, http://lar.upatras.gr/
Κωνσταντίνος Ασημακόπουλος, Υποψήφιος Διδάκτωρ, Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών, Πανεπιστήμιο Πατρών, http://lar.upatras.gr/
====================================================================
Call for Papers for the Special Session "Learning to Optimize: RL as an optimizer" at the 20th Learning and Intelligent Optimization Conference in Milan, Italy (15-19 June 2026):
Can optimizers themselves be learned? Traditional solvers must resolve from scratch every time even within families of very familiar problems. Typically the user needs to hand-design heuristics such as step sizes, branching rules etc. Another interesting way to approach this is to use reinforcement learning (RL) to learn decision rules that guide an optimization process across families of problem instances. In this special session, we invite research where RL discovers update rules, search heuristics, or branching strategies that outperform hand-crafted counterparts on families of problems.
---
Konstantinos Chatzilygeroudis
Assistant Professor, Electrical and Computer Engineering Department,
University of Patras,
GR-26504 Rion, Patras, Greece