| Argomento | Persone | Descrizione | |
|---|---|---|---|
| Computer graphics aderente allo standard ACM 2012 | |||
| Modellazione e analisi di forme |
Umberto Castellani |
La modellazione di forme si concentra sulla sintesi e simulazione 3D del mondo reale coinvolgendo aspetti geometrici, dinamici (i.e., oggetti deformabili) e di apparenza. L’analisi di forme si basa sull’elaborazione di strutture 3D per dedurre un’interpretazione di più altro livello dei dati osservati usando per esempio le tecniche di corrispondenze tra forme e di segmentazione. Gli sviluppi più recenti in questo campo comprendono i metodi di deep learning applicati al dominio 3D (i.e., deep learning geometrico). | |
| Computer vision aderente allo standard ACM 2012 | |||
| Biometria |
Cigdem Beyan Vittorio Murino |
Avanzamento del riconoscimento facciale, delle impronte digitali e dell'iride, nonché dell'analisi della camminata, della biometria vocale e dei sistemi biometrici multimodali. Si occupa anche delle questioni relative alla privacy e all'etica nelle applicazioni biometriche. | |
| Elaborazione delle immagini mediche |
Cigdem Beyan Vittorio Murino |
Sviluppare tecniche per elaborare e interpretare immagini mediche, inclusi quelle provenienti da modalità come raggi X, TAC, risonanze magnetiche e campioni di istopatologia. Le applicazioni includono la diagnosi di malattie, la segmentazione dei tessuti, il riconoscimento degli organi, la rilevazione di anomalie e il monitoraggio dei trattamenti farmacologici. Sfruttando il deep learning e l'elaborazione avanzata delle immagini, la visione artificiale medica migliora la precisione diagnostica, supporta trattamenti personalizzati e consente approfondimenti in tempo reale nei contesti sanitari. | |
| Riconoscimento e comprensione delle attività |
Cigdem Beyan Vittorio Murino |
Riconoscere e comprendere attività ed azioni individuali e di gruppo, inclusi il tracciamento dello sguardo, l'analisi delle espressioni facciali e l'analisi delle interazioni tra esseri umani e oggetti e sociali, con applicazioni in sanità, assistenza domiciliare e sicurezza pubblica. | |
| Sorveglianza e monitoraggio video |
Cigdem Beyan Vittorio Murino |
Rilevare anomalie nei filmati di sorveglianza, identificare eventi e generare allarmi, tracciare oggetti e analizzare i movimenti. Ha applicazioni nelle smart city, nei trasporti e nei contesti commerciali. | |
| Distributed artificial intelligence aderente allo standard ACM 2012 | |||
| Agenti intelligenti |
Alberto Castellini Matteo Cristani Luca Di Persio Alessandro Farinelli Daniele Meli |
L'area di ricerca degli agenti intelligenti si occupa di progettare e sviluppare entita' autonome in grado di percepire, comprendere ed interagire con l'ambiente in cui gli agenti operano. Alcuni degli argomenti di tale area di ricerca sono: pianificazione delle azioni, apprendimento, ragionamento in condizioni di incertezza. | |
| Sistemi Multiagente |
Alberto Castellini Matteo Cristani Luca Di Persio Alessandro Farinelli |
L'area di ricerca dei sistemi multiagente si occupa di progettare e sviluppare sistemi in cui agenti intelligenti interagiscono tra loro, con l'ambiente e con persone. Questa area di ricerca si folalizza sull'interazione ed integrazione di tecniche di soluzione relative a pianificazione per sistemi multi-agente, apprendimento statistico, apprendimento per rinforzo in sistemi multi-agente e teoria dei giochi. | |
| Human computer interaction (HCI) aderente allo standard ACM 2012 | |||
| Informatica affettiva |
Cigdem Beyan Vittorio Murino |
Si concentra sulla progettazione di sistemi in grado di rilevare, interpretare e rispondere agli stati interni umani, tra cui emozioni, umori, motivazioni e stati cognitivi, nonché segnali sottili come stress, livelli di attenzione e coinvolgimento, utilizzando input da espressioni facciali, tono della voce, segnali fisiologici e comportamenti contestuali (verbali e non). L'obiettivo dell'informatica affettiva è permettere alla tecnologia di interagire in modo più naturale ed empatico, adattando le risposte in base allo stato interiore dell'utente per migliorare l'esperienza e il coinvolgimento dell'utente. | |
| Intelligenza Artificiale Sociale |
Cigdem Beyan Vittorio Murino |
Sviluppare sistemi di intelligenza artificiale in grado di percepire, interpretare e rispondere ai comportamenti sociali e alle interazioni umane. Questo campo combina conoscenze provenienti dalla visione artificiale, dai multimedia, dalla psicologia, dalla linguistica e dall'apprendimento automatico per consentire alle macchine di comprendere i segnali sociali, come espressioni facciali, gesti, sguardi, intonazione vocale e linguaggio (non verbale) del corpo. L'obiettivo è creare sistemi capaci di intraprendere interazioni socialmente consapevoli, riconoscere le intenzioni umane e le dinamiche sociali e adattare le risposte di conseguenza. | |
| Knowledge representation and reasoning aderente allo standard ACM 2012 | |||
| Ragionamento automatico |
Maria Paola Bonacina Matteo Cristani |
Procedure di decisione per la soddisfacibilità modulo teorie e assegnamenti; Dimostrazione automatica di teoremi; Costruzione automatica di modelli; Ragionamento sui programmi; Interpolazione di prove per generazione di astrazioni o spiegazioni; Analisi di strategie; Deduzione automatica distribuita; Riscrittura. | |
| Ragionamento temporale |
Roberto Posenato |
Le reti di vincoli temporali sono un’area di ricerca nell’ambito del ragionamento temporale focalizzata sulla modellazione e risoluzione di problemi in cui eventi, azioni o risorse sono vincolati da dipendenze temporali. Le reti di vincoli temporali vengono usate per affrontare problemi complessi di programmazione, pianificazione e coordinazione, soprattutto in ambienti dinamici in cui i vincoli possono evolversi nel tempo. I recenti progressi integrano modelli della teoria dei giochi, vincoli spazio-temporali e metodi probabilistici per affrontare le sfide poste dai sistemi che variano nel tempo, decentralizzati e che presentano incertezze. | |
| Rappresentazione della conoscenza |
Matteo Cristani |
La rappresentazione della conoscenza è il settore di ricerca a cavallo tra Intelligenza Artificiale e Sistemi Informativi che si occupa del problema di elaborare informazione di natura non numerica. | |
| Machine learning aderente allo standard ACM 2012 | |||
| Active learning |
Cigdem Beyan Manuele Bicego Ferdinando Cicalese Rosalba Giugno |
Nell'apprendimento attivo, il modello interroga iterativamente un oracolo (tipicamente un annotatore umano) per etichettare solo i punti dati più informativi che contribuiscono maggiormente a migliorare l'accuratezza del modello. In questo modo, l'apprendimento attivo riduce il costo dell'etichettatura e accelera il processo di apprendimento del modello. Questo approccio è particolarmente utile quando i dati etichettati sono scarsi o costosi da ottenere. La ricerca si concentra sullo sviluppo di criteri di selezione efficaci per identificare i punti dati più informativi da etichettare, migliorando così l'efficienza del processo di apprendimento attivo. | |
| Adattamento/generalizzazione del dominio |
Cigdem Beyan Vittorio Murino |
Si riferisce a tecniche di apprendimento automatico che mirano a migliorare le prestazioni dei modelli quando applicati a nuovi domini o ambienti non visti. L'adattamento del dominio si concentra sul trasferimento delle conoscenze apprese da un dominio di origine (con abbondanti dati etichettati) a un dominio di destinazione (con dati etichettati limitati o assenti), superando le differenze distributive tra i due. D'altra parte, la generalizzazione del dominio mira a sviluppare modelli che possano generalizzare attraverso più domini, rendendoli robusti alle variazioni senza la necessità di riaddestrarli su ciascun dominio specifico. Questi approcci sono particolarmente importanti nelle applicazioni del mondo reale, dove i modelli devono funzionare in modo affidabile su set di dati diversificati e in evoluzione. | |
| Apprendimento multimodale |
Cigdem Beyan Vittorio Murino |
Mira a integrare e analizzare dati provenienti da più fonti o modalità, come immagini, testo, audio e video, per migliorare le prestazioni e la comprensione dei modelli di apprendimento automatico. Combinando informazioni provenienti da diversi tipi di dati, l'apprendimento multimodale consente ai sistemi di catturare meglio la ricchezza e la complessità delle informazioni del mondo reale. Questo campo include sfide come la traduzione tra modalità, l'allineamento, la fusione, la rappresentazione efficace e altro. In questa area rientrano anche i modelli multimodali/visivi come CLIP, che collega testo e immagini, DALL-E, che genera immagini a partire da testo, BLIP, progettato per la didascalia delle immagini e per rispondere a domande visive, e modelli di linguaggio di grandi dimensioni come GPT-4 e LLaMA, che si estendono a funzioni multimodali per compiti come la generazione di immagini a partire dal testo. | |
| Apprendimento multi-task |
Cigdem Beyan Vittorio Murino |
Un paradigma in cui un modello viene addestrato per risolvere simultaneamente più compiti correlati, condividendo conoscenze e rappresentazioni tra i compiti per migliorare le prestazioni complessive. Invece di addestrare modelli separati per ciascun compito, l'apprendimento multi-task sfrutta caratteristiche e parametri condivisi, permettendo al modello di apprendere rappresentazioni generalizzate che avvantaggiano tutti i compiti coinvolti. La ricerca in questo campo si concentra sul miglioramento della priorizzazione dei compiti, sull'equilibrio dell'importanza dei compiti, sulla progettazione di architetture più efficienti e sulla gestione del trasferimento negativo di conoscenza, in cui l'apprendimento di un compito danneggia le prestazioni degli altri. Inoltre, l'esplorazione di metodi per il peso dei compiti, per strati condivisi e specifici per il compito, e per tecniche di transfer learning è attivamente indagata per migliorare la versatilità e la scalabilità dei modelli multi-task. | |
| Apprendimento non supervisionato |
Cigdem Beyan Manuele Bicego Alberto Castellini Ferdinando Cicalese Alessandro Farinelli Rosalba Giugno Vittorio Murino |
È un approccio in cui i modelli vengono addestrati su dati non etichettati, con l'obiettivo di identificare schemi o strutture nascoste all'interno dei dati senza etichette predefinite. Viene comunemente utilizzato per compiti come il clustering, la riduzione della dimensionalità dei dati e il rilevamento delle anomalie. La ricerca aperta nell'apprendimento non supervisionato si concentra sul miglioramento della capacità di scoprire strutture significative in insiemi di dati complessi e ad alta dimensione, spesso con conoscenze preliminari limitate. Le sfide principali includono lo sviluppo di algoritmi di clustering più efficaci, il miglioramento dell'interpretabilità dei modelli che scoprono strutture latenti e la gestione di alti livelli di rumore o scarsità nei dati. Inoltre, sono in corso lavori per colmare il divario tra l'apprendimento non supervisionato e altri paradigmi, come l'apprendimento semi-supervisionato, auto-supervisionato e per contrasto, e per migliorare la robustezza dei modelli non supervisionati nelle applicazioni reali. | |
| Apprendimento per rinforzo |
Alberto Castellini Alessandro Farinelli |
Il Reinforcement Learning (RL) è un paradigma di apprendimento in cui gli agenti imparano a risolvere problemi di decision-making sequenziale attraverso interazioni con l'ambiente. I I metodi di RL addestrano un modello considerando un segnale di ricompensa associato alle azioni eseguite nell'ambiente (ricompensa elevata per buone azioni e viceversa). Il modello mira a ottimizzare la ricompensa accumulata attesa nel tempo. Il RL è molto interessante per applicazioni pratiche (ad esempio, robotica, sistemi di raccomandazione) perché richiede specifiche minime dall'utente e può adattarsi a cambiamenti imprevedibili nell'ambiente. Le sfide principali riguardano l'ideazione di policy sicure per gli agenti, ad esempio, l'apprendimento evitando errori catastrofici (apprendimento di rinforzo sicuro e apprendimento di rinforzo offline), per valutare correttamente la qualità di un sistema addestrato, ad esempio, garantire che l'agente si comporterà correttamente in situazioni ignote e per migliorare l'efficienza nell'utilizzo dei singoli campioni, ad esempio, apprendimento per rinforzo basato su modello. | |
| Apprendimento semi-supervisionato |
Cigdem Beyan Vittorio Murino |
Combina una piccola quantità di dati etichettati con una grande quantità di dati non etichettati durante l'addestramento. L'obiettivo è sfruttare l'abbondante disponibilità di dati non etichettati per migliorare il processo di apprendimento, utilizzando i dati etichettati limitati per guidare la comprensione del modello del compito. Questo approccio è particolarmente utile in scenari in cui etichettare i dati è costoso o richiede molto tempo, ma è disponibile un ampio insieme di dati non etichettati. | |
| Apprendimento supervisionato |
Cigdem Beyan Manuele Bicego Alberto Castellini Ferdinando Cicalese Alessandro Farinelli Rosalba Giugno Vittorio Murino |
È un approccio in cui i modelli vengono addestrati su dati etichettati per apprendere una mappatura dagli input agli output, consentendo loro di prevedere etichette corrette per nuovi dati non visti. Sebbene sia ampiamente utilizzato per compiti come classificazione, regressione e predizione di serie temporali, la ricerca attuale in questo campo affronta diverse sfide. Tra le questioni principali, si annoverano come rendere i modelli più robusti al rumore e alle incongruenze delle etichette, migliorare l’efficienza dei campioni per ridurre la necessità di grandi set di dati etichettati e abilitare un "trasferimento" di conoscenza (transfer learning) efficace tra compiti e domini diversi con dati etichettati limitati. Inoltre, affrontare problematiche di equità e bias nei modelli supervisionati, così come migliorare la scalabilità per gestire grandi set di dati senza compromettere le prestazioni, oltre che approcci basati su attenzione/transformer restano aree di ricerca attive. | |
| Deep learning |
Cigdem Beyan Alberto Castellini Alessandro Farinelli Rosalba Giugno Vittorio Murino |
Si focalizza sull'addestramento di reti neurali profonde, ovvero con numerosi strati, per apprendere automaticamente pattern e rappresentazioni da grandi quantità di dati. Utilizzando architetture come le reti neurali convoluzionali (CNN) per le immagini, le reti neurali ricorrenti (RNN) per i dati sequenziali e i transformer per compiti diversi, l'apprendimento profondo eccelle in compiti complessi come il riconoscimento delle immagini, l'elaborazione del linguaggio naturale, il riconoscimento vocale, il reinforcement learning, la predizione di serie temporali e la guida autonoma. | |
| Intelligenza artificiale spiegabile |
Alberto Castellini Alessandro Farinelli Daniele Meli |
L'obiettivo dell'IA spiegabile (XAI) è i) spiegare i modelli black-box; ii) sviluppare modelli di IA che siano interpretabili per costruzione. Ad esempio, ciò comporta l'analisi e la scoperta causale, i modelli logici di agenzia (con la programmazione logica) e l'apprendimento automatico logico (con la programmazione logica induttiva). XAI aiuta a caratterizzare l'accuratezza del modello, l'equità, la trasparenza e i risultati nel processo decisionale alimentato dall'IA; inoltre questo campo si concentra sui metodi per migliorare l'interpretazione dei modelli e delle decisioni utilizzando strumenti statistici e grafici. | |
| Natural language processing aderente allo standard ACM 2012 | |||
| NLP e LLM |
Matteo Cristani |
Tecnologie per la comprensione e la generazione di testi; elaborazione specifica di testi, in particolare testi giuridici; generazione di testi, inclusi quelli in linguaggi artificiali. | |
| Planning and scheduling aderente allo standard ACM 2012 | |||
| AI e robotica |
Alberto Castellini Alessandro Farinelli Daniele Meli |
Applicazione di tecniche di intelligenza artificiale per aumentare il livello di autonomia dei sistemi robotici. Ciò include l'adattamento di algoritmi per la pianificazione autonoma e l'apprendimento per rinforzo per: i) gestire i vincoli cyber-fisici imposti dai robot che operano in scenari parzialmente osservabili e incerti; ii) garantire l'affidabilità e la robustezza dei sistemi robotici che operano in ambienti aperti (ad esempio, interagendo con gli esseri umani e altri sistemi robotici); iii) facilitare l'uso di sistemi robotici in applicazioni realistiche proponendo nuovi paradigmi di interazione con gli utenti (ad esempio, addestrare un robot a eseguire un compito piuttosto che specificare un programma di controllo). | |
| Pianificazione con incertezza |
Alberto Castellini Alessandro Farinelli |
La pianificazione con incertezza si concentra su processi decisionali sequenziali in ambienti incerti, cioè in situazioni con informazioni imperfette. I processi decisionali di Markov (completamente o parzialmente osservabili) vengono utilizzati per rappresentare questi contesti. L'obiettivo della pianificazione con incertezza è generare politiche ottimali per questi problemi, vale a dire funzioni in grado di suggerire azioni ottimali nelle situazioni in cui l'agente opera. Le principali sfide riguardano la gestione di grandi problemi (scalabilità), l'acquisizione di nuove conoscenze sull'ambiente (adattabilità), la prevenzione di comportamenti indesiderati (safety), il miglioramento sicuro delle politiche (robustezza), l'interazione con gli esseri umani (human-in-the-loop), il supporto alla comprensione umana (spiegabilità), il collegamento tra pianificazione e apprendimento per rinforzo (RL basato su modelli), il collegamento tra pianificazione simbolica e probabilistica/data-driven. Tra gli approcci più recenti per affrontare queste sfide, i metodi online basati su Monte Carlo Tree Search hanno ottenuto ottimi risultati negli ultimi anni sia nei giochi strategici (ad esempio il gioco Go) sia nelle applicazioni del mondo reale (ad esempio, robotica, sistemi cyber-fisici e sistemi di supporto alle decisioni). | |
| Pianificazione multi-agente |
Alberto Castellini Alessandro Farinelli |
La pianificazione multiagente si occupa di sviluppare approcci di pianificazione applicati ai sistemi multiagente. L'obiettivo principale di queste tecniche è generare soluzioni per il processi decisionali sequenziali che promuovano la sinergia tra più agenti autonomi per raggiungere obiettivi collettivi. Tra gli argomenti principali di questo campo ci sono l'ottimizzazione decentralizzata, la pianificazione di percorsi multiagente, l'apprendimento multiagente, la cooperazione e il coordinamento tra agenti. Strumenti importanti in questo ambiti sono, ad esempio, i coordination graph utilizzati nei recenti algoritmi di pianificazione multiagente ed in quelli di apprendimento per rinforzo multi-agente (MARL) in cui il coordinamento tra agenti è essenziale per portare a termine il compito. I grafici di coordinamento consentono di rappresentare il modo in cui gli agenti possono coordinarsi utilizzando una comunicazione tramite passaggio di messaggi. Le applicazioni della pianificazione multiagente si estendono su un ampio insieme di domini tra cui guida autonoma, logistica (ad esempio, gestione di flotte di robot autonomi), monitoraggio ambientale (flotte di droni mobili per l'acquisizione di dati). | |
| Pianificazione neurosimbolica |
Alberto Castellini Alessandro Farinelli Daniele Meli |
L'IA neurosimbolica si concentra sulla combinazione dell'IA standard basata sui dati (ad esempio, l'apprendimento per rinforzo) con approcci simbolici (ad esempio, la programmazione logica e la programmazione logica induttiva), al fine di migliorare la spiegabilità dei sistemi di IA (ad esempio, gli agenti autonomi), la loro efficacia nell'interazione uomo-robot e favorire l'acquisizione incrementale di conoscenza e la generalizzazione nella pianificazione. | |
| Nome | Descrizione | URL |
|---|---|---|
| Algoritmi | Il gruppo persegue lo studio degli aspetti strutturali di problemi fondamentali in informatica e dei loro modelli. Lo scopo è porre le basi per la progettazione di algoritmi protocolli e sistemi migliori e comprenderne i limiti computazionali. Aree specifiche di interesse includono: progettazione di algoritimi, strutture dati, algoritmi su stringhe, complessità, ottimizzazione combinatoriale, codici e teoria dell’informazione, machine learning. I problemi investigati hanno forti connessioni con le aree della bioinformatica, delle reti di comunicazione, della ricerca operativa e dell’intelligenza artificiale. | |
| Algoritmi in Bioinformatica e Calcolo Naturale | Applicazione di metodi teorici e di analisi dati per modellare l’informazione sottostante ai processi biologici: algoritmi su grafi e stringhe per la biologia dei sistemi; strutture dati avanzate per sequenze di dati; misure di distanza tra sequenze biologiche; calcolo naturale (biotecnologico, e a membrane), riconoscimento di pattern, e apprendimento automatico da dati biomedicali. | |
| ARLette - Laboratorio di Ragionamento Automatico | Il gruppo svolge ricerche in Ragionamento Automatico: soddisfacibilità modulo teorie e assegnamenti, procedure di decisione per la soddisfacibilità, dimostrazione di teoremi, costruzione di modelli, riscrittura, e applicazioni. | |
| Basi di dati e Sistemi Informativi | Questo gruppo di ricercatori si occupa di varie tematiche nell'ambito dei sistemi informativi | http://stars.di.univr.it |
| INdAM - Unità di Ricerca dell'Università di Verona | Raccogliamo qui le attività scientifiche dell'Unità di Ricerca dell'Istituto Nazionale di alta Matematica INdAM presso l'Università di Verona | |
| InfOmics | La nostra ricerca mira ad analizzare i dati biomedici in modo efficiente, in particolare sviluppiamo nuovi metodi per estrarre reti biologiche, integrare dati eterogenei, analizzare omici, ricostruire pangenomi, analizzare genomi consapevoli dell'aplotipo e classificare i pazienti. Utilizziamo la teoria derivante dall'apprendimento automatico, dalla scienza dei dati, dalla matematica e dalla teoria dei grafi. | https://infomics.github.io/InfOmics/index.html |
| Intelligenza Artificiale (IA) | Il gruppo svolge ricerche in Intelligenza Artificiale: Ragionamento Automatico, Algoritmi di Ricerca, Rappresentazione della Conoscenza, Apprendimento Automatico, Sistemi Multi-Agenti e applicazioni. | |
| ISLa - Intelligent Systems Lab | Intelligenza artificiale, statistical learning ed analisi dei dati per sistemi intelligenti | https://isla-lab.github.io/ |
| K.Re.Art.I. | Rappresentazione della conoscenza tramite tecniche di IJntelligenza Artificiale | |
| Logica | Logica in matematica ed informatica. | https://www.logicverona.it/ |
| PARCO – Parallel Computing | Obiettivo del gruppo di ricerca è lo sviluppo e ottimizzazione di Software per sistemi di calcolo multi-core CPU/many-core GPU con vincoli di risorse (e.g., Edge Computing) e per sistemi di calcolo ad alte prestazioni (High-performance Computing – HPC). | |
| Robotica, Intelligenza Artificiale e Controllo | Il gruppo di ricerca si occupa di robotica non convenzionale | |
| Visione, Immagini, Pattern e Segnali (VIPS) | Le attività del gruppo VIPS sono rivolte all’analisi, al riconoscimento, alla modellazione e alla predizione di pattern e segnali multidimensionali e multimediali mediante metodi di intelligenza artificiale e apprendimento automatico. Le competenze specifiche e i domini applicativi riguardano: elaborazione delle immagini, visione artificiale, riconoscimento di pattern, interazione uomo-macchina, grafica al calcolatore e modellazione digitale, realtà virtuale e mista, gaming e all’analisi e modellazione di dati in ambito biomedicale e delle neuroscienze a fini di ricerca di base e traslazionale. | http://vips.sci.univr.it/ |
© 2025 | Università degli studi di Verona
******** CSS e script comuni siti DOL - frase 9957 ********
