Behavioral Modeling and Scalable Analytics – BMSA

Descrizione Attività

L’approccio del gruppo prevede una proficua sinergia tra ricerca applicata e ricerca di base. In quest’ambito, le attività di ricerca del gruppo spaziano sulle seguenti tre direzioni principali, per le quali le tecnologie di riferimento sono il probabilistic modeling e il deep representation learning:

Impiego di modelli generativi a fattori latenti negli ambiti social media marketing, social network analysis e information diffusion ed event forecasting. Tali modelli rappresentano una sfida sia dal punto di vista applicativo (non è banale la loro adozione per modellare la propagazione dell’informazione o in contesti in cui la topologia dei dati è complessa) sia per i risvolti teorici (le tecniche attuali di apprendimento basate su inferenza statistica non sono adeguate).
Enhanced information filtering tramite integrazione di modellazione simbolica e sub-simbolica. Il riferimento applicativo principale riguarda i recommender systems e l’attività consiste nello studiare come estendere gli attuali paradigmi in due direzioni. Da un lato si vuole rendere i sistemi di raccomandazione capaci di sfruttare informazione strutturata in grafi di conoscenza. I knowledge graphs ampliano l’ammontare di informazione disponibile, rafforzando così le connessioni tra le entità coinvolte e fornendo un supporto più robusto (anche in termini di interpretabilità) dei risultati della raccomandazione. Dall’altro lato si vuole combinare modellazione degli utenti e specifica di vincoli di dominio, in un approccio che unifica reasoning e learning. Gli attuali modelli matematici possono essere considerati “statici”, poiché sono adattamenti del supervised learning tradizionale. Per contro, ci interessa esprimere modelli dinamici, cioè in cui le predizioni possano essere calibrate a esigenze contingenti.
Analisi comportamentale per il monitoraggio di sistemi complessi quali reti di calcolatori, reti sociali, processi industriali e reti di sensori per il monitoraggio ambientale ed energetico. L’obiettivo è rilevare e predire eventi inattesi o anomali, al fine di supportare l’attivazione di contromisure efficaci. Il focus sarà posto su due aspetti fondamentali. Da un lato, la necessità di garantire adeguati livelli di efficienza in domini in cui le quantità dei dati da elaborare siano massive e distribuite. Da un altro lato, la capacità dei modelli di adattarsi a cambiamenti ed evoluzioni (concept drift) nel comportamento delle entità operanti nel sistema in analisi.

Obiettivi

Il gruppo di ricerca si occupa di Behavior Computing & Analytics (BCA): modelli matematici e computazionalmente efficienti per l’analisi di entità (ad esempio individui, dispositivi IoT/mobile, smart objects, etc.) che interagiscono in ambienti complessi. BCA rappresenta un tema di ricerca importante in diversi contesti: ad esempio consumer profiling, social computing, computational advertising e group decision-making, cybersecurity, formazione d’opinione, smart industry, smart society, smart IoT. Con il termine “Behavior” si fa riferimento ad un’astrazione matematica efficiente che possa riassumere, descrivere e predire le azioni e reazioni intraprese da un’entità in risposta a vari stimoli o input nel proprio ambiente naturale (pattern recognition), evidenziando anche le possibili devianze dal comportamento tipico ed atteso (anomaly detection). L’obiettivo di ricerca che il gruppo si pone è quindi quello di indagare strumenti matematici e computazionali per comprendere la dinamica strutturale ed evolutiva dei flussi comportamentali, così da catturare/modellare i meccanismi che li governano e predire eventi ed anomalie nel breve e nel lungo periodo.

Campi Applicativi

User Profiling & Computational Advertising (Recommender Systems), Industria 4.0 (manutenzione predittiva, ottimizzazione processi produttivi, safety), Cybersecurity.