Ricerca

Abbiamo proposto algoritmi di apprendimento supervisionato per l’induzione della funzione di appartenenza a insiemi fuzzy e shadowed [Malchiodi e Pedrycz, 2013; Cermenati et al., 2020; Malchiodi e Zanaboni, 2019], applicandoli ai campi del Web semantico [Malchiodi e Tettamanzi, 2018] e della bioinformatica [Frasca e Malchiodi, 2017; Frasca e Malchiodi, 2016].

Abbiamo analizzato la notevole richiesta energetica dei modelli basati su reti neurali all'avanguardia in diversi ambiti applicativi [Marinò et al., 2023a], e la conseguente necessità di ridurle tramite tecniche di compressione lossy e formati succinti di rappresenzazione lossless [Marinò et al., 2023; Marinò et al., 2021]. Abbiamo applicato queste tecniche allo scopo di ridurre le risorse richieste da parte di modelli neurali per la rilevazione di patologie tumorali [Gliozzo et al., 2024].

Abbiamo contribuito allo sviluppo della recente tematica delle strutture dati apprese, valutando il ruolo dei classificatori [Malchiodi et al., 2023; Fumagalli et al., 2022] e della complessità dei dati nei filtri di Bloom appresi [Malchiodi et al., 2024] e proponendo strutture specifiche per l’indicizzazione di stringhe [Ferragina et al., 2023].

Applichiamo metodi di apprendimento automatico in contesti ingegneristici, con particolare attenzione alla manutenzione predittiva. In particolare, abbiamo utilizzato metodi interpretabili per rilevare e localizzare quench in superconduttori [Biagiotti et al., 2025] e sviluppato protocolli di federated learning per il rilevamento di anomalie basato su metodi kernel [Frasson e Malchiodi, 2024].

Abbiamo studiato approcci basati sul machine learning per elaborare basi di conoscenza nei settori del Web semantico [Malchiodi et al., 2020; Malchiodi e Tettamanzi, 2018; Malchiodi et al., 2018a] e della bioinformatica [Cavalleri et al., 2024; Frasca e Malchiodi, 2017].

Abbiamo sviluppato reti di Hopfield parametriche per problemi di classificazione singola e multitask, con particolare attenzione a scenari caratterizzati da un forte sbilanciamento delle etichette [Frasca et al., 2020; Frasca et al., 2013].

L'apprendimento automatico e la data science sono strumenti chiave a supporto della ricerca scientifica in ogni campo. Abbiamo collaborato con diversi gruppi di ricerca, mettendo a disposizione le nostre competenze nell'analisi intelligente dei dati nei seguenti ambiti: beni culturali (classificazione di reperti archeologici [Malchiodi et al., 2025; Ruschioni et al., 2023; Zanaboni et al., 2022]), medicina legale (stima dell’altezza di cadute mortali [Blandino et al., 2024] e previsione del tipo di veicolo coinvolto in investimenti pedonali [Casali et al., 2021]), medicina veterinaria (valutazione di fattori cardiovascolari [Bagardi et al., 2021; Galizzi et al., 2021]), medicina (supporto alla diagnosi basata su immagini [Gliozzo et al., 2024; Casiraghi et al., 2020; Esposito et al., 2021]) e bioinformatica (LLM per la previsione di enzimi [Nicolini et al., 2025], generazione di proteine [Nicolini et al., 2024; Valentini et al., 2023] e analisi dell’RNA [Cavalleri et al., 2024]).

Ci siamo concentrati sull'identificazione di variazioni temporali nella distribuzione dei dati utilizzati per interrogare modelli basati su vettori di supporto nel contesto del federated learning [Frasson e Malchiodi, 2024], al fine di reagire tempestivamente quando tale distribuzione si discosta in modo significativo dai dati di addestramento, causando un degrado delle prestazioni.