Predictive and Adaptive models for Time-varying and Heterogeneous data & systems – PATH

Descrizione Attività

Le attività del gruppo si articolano nelle seguenti principali linee di ricerca:

1. Analisi di dati longitudinali: Questa linea di ricerca si riferisce a un insieme ampio di metodologie statistiche e di apprendimento automatico finalizzate allo studio di dati raccolti sugli stessi soggetti in più momenti temporali (ad esempio, serie temporali). La presenza di una struttura temporale rende l’analisi longitudinale particolarmente rilevante nei contesti in cui è essenziale prevedere variazioni, stabilità o tendenze nel tempo. L’attività di ricerca del gruppo si concentra in particolare sullo sviluppo e l’applicazione di metodologie di clustering longitudinale, concepite come strumenti flessibili e guidati dai dati per l’analisi di processi multivariati evolutivi. Questa metodologia si presta in modo particolare alle analisi esplorative, finalizzate all’individuazione di sottopopolazioni latenti caratterizzate da dinamiche temporali comuni.

Diverse soluzioni metodologiche possono essere sviluppate a partire da algoritmi classici, quali k-means, fuzzy k-means e clustering gerarchico, così come su approcci di tipo model-based, tra cui latent class growth analysis o functional data clustering.

In ambito sanitario, il clustering longitudinale riveste un ruolo di particolare importanza nell’analisi delle traiettorie dei pazienti nel tempo, come l’evoluzione di indicatori clinici, le risposte ai trattamenti o la progressione delle patologie, elementi fondamentali per il miglioramento della diagnosi precoce e la progettazione di interventi personalizzati.

2. Modelli predittivi e analisi di reti complesse: Lo sviluppo di modelli predittivi mira a catturare in modo esplicito le dipendenze temporali di lungo periodo, elementi spesso decisivi per garantire previsioni accurate e supporto efficace ai processi decisionali. Una delle principali sfide in questa linea di ricerca consiste nella gestione di dati eterogenei e campionati in modo irregolare, condizioni spesso riscontrate nelle applicazioni reali. Un ambito di particolare interesse è la previsione dell’evoluzione di reti complesse, con un’attenzione specifica ai cambiamenti della connettività funzionale cerebrale, sia normali che patologici. Analizzando le alterazioni nello scambio di segnali tra i principali agglomerati cerebrali — i nodi del connectome umano — è possibile interpretare una malattia neurologica come variazione strutturale e funzionale della rete. L’effetto della patologia, inteso come variazione dei pesi delle connessioni cerebrali, viene modellato mediante approcci ispirati alla fisica. Il confronto quantitativo tra cervelli sani e cervelli affetti da patologie neurodegenerative o neuropsichiatriche, integrato all’interno del modello teorico, consente di sviluppare approcci predittivi finalizzati a prevedere l’evoluzione della malattia.

3. Federated Learning: Gli approcci di federated learning risultano fondamentali per preservare la privacy dei dati nella costruzione di modelli predittivi in ambienti distribuiti. Una linea di ricerca di particolare rilievo riguarda la progettazione di modelli di manutenzione predittiva basati su architetture federate, che consentano ai singoli nodi di apprendere dai dati locali dei sensori, garantendo al contempo la riservatezza dei dati e l’adattamento alle condizioni operative specifiche di ciascun sito. Il gruppo indagherà anche approcci federati al clustering longitudinale, finalizzati all’identificazione di pattern comportamentali o di traiettorie di progressione a partire da dati temporali raccolti in fonti decentralizzate. Infine, saranno sviluppati modelli di apprendimento collaborativo per il riconoscimento di pattern in sistemi distribuiti, capaci di estrarre conoscenza da dati eterogenei e geograficamente dispersi, senza necessità di centralizzazione.

4. Sistemi adattivi: I sistemi adattivi sono in grado di operare in ambienti complessi e dinamici, modificando autonomamente il proprio comportamento in risposta a variazioni dell’ambiente, delle condizioni operative, degli obiettivi degli utenti e dello stato degli stessi. Questi sistemi si caratterizzano per l’interazione tra agenti artificiali e utenti umani e devono possedere la capacità di percepire, ragionare, apprendere e adattarsi in modo proattivo e autonomo. Una funzionalità centrale dei sistemi adattivi è la pianificazione automatica adattiva, che richiede approcci multipli, tra cui: i) ragionamento automatico per la generazione dei piani, ii) ragionamento normativo per la gestione di regole, norme sociali, vincoli e risorse limitate; iii) reinforcement learning per migliorare il comportamento degli agenti basandosi sull’esperienza in ambienti incerti e parzialmente osservabili, tenendo conto anche delle preferenze degli utenti; iv) architetture cognitive che integrano sia il ragionamento deliberativo sia quello reattivo, supportando la generazione dei piani e la ripianificazione in risposta a cambiamenti dinamici dell’ambiente operativo.

Obiettivi

L’obiettivo principale del gruppo di ricerca PATH è lo sviluppo di modelli predittivi e sistemi adattivi in grado di gestire in modo efficace dati dinamici, eterogenei e variabili nel tempo, affrontando le principali sfide legate alla modellizzazione di sistemi complessi del mondo reale in diversi ambiti applicativi.

Integrando tecniche avanzate di machine learning con framework adattivi, il gruppo PATH mira a creare soluzioni robuste, interpretabili e scalabili in grado di rispondere in modo intelligente a sistemi complessi, dinamici e in continua evoluzione.

Campi Applicativi

Healthcare, Industry 4.0, Robotics, Ambient Intelligence, Active and Assistive Living.

Area Tematica

Intelligenza Artificiale

Keywords

Norm-aware Adaptive Planning, Longitudinal data analysis, Federated learning, Complex networks.

Responsabile del Gruppo

Patrizia Ribino