Fabio Anselmi (https://mlcsl.units.it/)

- Studio dei prior nei modelli di machine learning: integrazione di vincoli espliciti (es. simmetrie) e analisi dei prior impliciti indotti dalla struttura del modello per un apprendimento efficiente.

- Applicazioni di machine learning alla meccanica quantistica, alle neuroscienze computazionali e alla modellizzazione di equazioni differenziali.

Luca Bortolussi (https://ai-lab.units.it/)

- Intelligenza artificiale spiegabile, affidabile e neuro-simbolica: robustezza di reti neurali da attacchi avversari, robustezza di metodi di spiegazione, metodi neuro-simbolici per serie temporali, integrazione di machine learning e metodi formali.

- Intelligenza artificiale generativa: generazione condizionata, integrazione della conoscenza, AI generativa neuro-simbolica, dati sintetici, applicazioni di LLM per industria, commercio, PA e sanità.

- Applicazioni dell’intelligenza artificiale: medicina (ECG, EEH), design industriale, manifattura, sostenibilità ambientale (clima ed oceano), sistemi cyber-fisici.

Giulio Caravagna (https://www.caravagnalab.org/)

- Modelli Bayesiani per analisi molecolari: sviluppo di modelli Bayesiani per la misurazione di processi evolutivi a partire da dati di sequenziamento di nuova generazione, applicati nella ricerca sul cancro per la medicina di precisione.

- Modellazione matematica di processi evolutivi: processi stocastici per la modellazione di traiettorie evolutive in un singolo paziente, utilizzati per potenziare tecniche di machine learning model-based che sfruttano le distribuzioni predette.

- Integrazione di dati eterogenei su larga scala: modelli statistici per l’integrazione di dati eterogenei collezionati su coorti di pazienti molto grandi, utilizzati per identificare pattern ricorrenti e marcatori con rilevanza traslazionale.

Giulia Cisotto (https://sites.google.com/view/giulia-cisotto/)

- Sviluppo di modelli di machine learning e deep learning (supervisionati e non supervisionati) per diversi task su time-series multivariate biologiche (EEG, EMG, ECG, IMU, SpO2, ecc.), inclusa anomaly detection, classificazione e supporto alla diagnosi.

- Sviluppo di metodi basati su machine learning e deep learning per l’analisi della qualità del dato e il labeling automatico e rimozione degli artefatti.

- Sviluppo di metodi per l’estrazione di componenti latenti che spieghino la variabilità inter-individuali e intra-individuali in condizioni di normalità e patologiche.

- Sviluppo di metodi per le brain-computer interface (BCI) basate su diversi paradigmi (motor imagery, ERP).

- Estrazione features standard (approccio feature engineering), inclusa power analysis, features nel dominio del tempo e in frequenza, misure di coerenza cortico-muscolare, misure di accoppiamento in frequenza (cross-frequency coupling), analisi multimodale a partire da dataset eterogenei.

- Sviluppo di software open-source.

Alessandro Fabris (https://alessandro-fabris.github.io/)

- Equità algoritmica. Analisi scientifica del bias nei dati e individuazione di comportamenti discriminatori nei modelli. Sviluppo di metodologie di audit per la modellazione dei fattori critici che determinano risultati algoritmici iniqui e le loro implicazioni. Implementazione di strategie di mitigazione con applicazioni in motori di ricerca, selezione del personale e medicina.

- Data governance. Valutazione rigorosa della qualità e dell’accuratezza dei dati. Progettazione di nuovi framework per la documentazione e il tracciamento dell’uso dei dati. Analisi e miglioramento delle pratiche di gestione dei dati nella comunità scientifica. Stima delle proprietà algoritmiche anche in assenza di dati sensibili.

- Quantificazione. Sviluppo di tecniche avanzate per stimare la distribuzione delle classi in dati non etichettati, con applicazioni nella misurazione dell’equità algoritmica e della diversità nei dataset.

Alejandro Rodriguez Garcia

- Sviluppo e applicazione di metodi di Unsupervised Learning.

- Studio della fisica della materia condensata usando Machine Learning.

Luca Manzoni (https://naturalcomputinglab.github.io/)

- Evolutionary computation: ottimizzazione e apprendimento tramite l’uso di tecniche ispirate all’evoluzione Darwiniana, tra cui programmazione genetica e algoritmi genetici.

- Natural computing: studio della potenza di calcolo, delle proprietà dinamiche, e della complessità e decidibilità di proprietà di modelli bio-ispirati, tra cui automi cellulari, sistemi a membrane e sistemi di reazioni.

- Applicazioni di machine learning all’oceanografia: ricostruzione e predizione di variabili biogeochimiche tramite integrazione di dati da modelli numerici e osservazioni.

Alberto d’Onofrio

- Epidemiologia Comportamentale delle Malattie infettive: modellazione del ruolo delle decisioni umane (dei singoli e dei governi) sulla evoluzione e controllo della diffusione delle malattie infettive. Questa linea di ricerca spazia da aspetti molto teorici ad aspetti molto applicativi di Global Public Health e di Science in Society.

- Fisica e Informatica dei sistemi complessi: dai sistemi caotici spazio-temporali alla mathematical oncology.

- Applicazione del machine learning alla clinica, alla fisica, alla biomedicina e alla modellazione non-lineare e controllo dei sistemi dinamici.

Adriano Peron

- Metodi formali per la specifica e la verifica di sistemi critici.

- Aspetti di espressività per logiche temporali e loro complessità rispetto ai problemi di soddisfacibilità e model checking.

- Tecniche di testing di regressione per la validazione del software.

Tatjana Petrov (https://www.tpetrov.info/)

- Metodi Formali e Verifica Formale – Riduzione dei modelli, verifica probabilistica dei modelli, sintesi dei parametri.

- Comportamento Collettivo e Intelligenza nei Sistemi Ispirati alla Biologia – Dinamiche degli sciami, intelligenza emergente e presa di decisioni in collettivi naturali e sintetici, robotica degli sciami, biologia dei sistemi e biologia sintetica.

- IA per Sistemi Complessi e Applicazioni in medicina, industria ed educazione.