Innovative Models for Machine Learning – IMML

Descrizione Attività

L’attività che questo Gruppo di Ricerca intende svolgere si inquadra nell’ambito del Machine Learning, con particolare riferimento alla progettazione e implementazione di nuovi modelli e alla loro introduzione nella letteratura. Particolare attenzione sarà posta agli ambiti degli Algoritmi Evolutivi, della Swarm Intelligence e delle Reti Neurali Artificiali.

In questo ambito generale, ci sono diversi aspetti fondamentali dell’attività di ricerca, che danno luogo ad un insieme di attività specifiche indicate qui di seguito.

Una prima attività consiste nel proporre modelli innovativi sia di Algoritmi Evolutivi che di Swarm Intelligence. Data l’esperienza dei componenti il Gruppo, si è a conoscenza sia dei pregi che dei difetti dei modelli già esistenti. Lo scopo di questa attività è quello di superarne tali limiti, senza perderne al contempo i benefici, mediante l’introduzione di modelli migliorativi.

Una seconda attività consiste nella progettazione e nell’utilizzo di Algoritmi Evolutivi e di Swarm Intelligence in grado di consentire una rappresentazione della conoscenza che sia esplicita e comprensibile con semplicità dall’utente (Interpretable Machine Learning – IML). Questa attività va nella direzione, ad esempio, delle più recenti direttive dell’Unione Europea in campo medico miranti al “diritto alla spiegazione” da parte di un paziente: un utente deve poter chiedere le motivazioni per una decisione effettuata su di lui mediante un procedimento algoritmico. Questa attività consentirà di affrontare in svariati ambiti problematiche quali classificazione IML-based su data set, previsione e regressione IML-based su segnali, ottimizzazione multi-variabile anche multi-obiettivo e in presenza di vincoli. Ambiti particolarmente fruttuosi sono quelli di medicina, biologia, healthcare, robotica.

Una terza attività riguarda il Federated Learning, tecnica di Machine Learning che consente di effettuare apprendimento da più insiemi di dati immagazzinati su più dispositivi decentralizzati o server, senza che i dati stessi debbano viaggiare. Si prevede la progettazione e l’implementazione di algoritmi innovativi per il Federated Learning, basati su algoritmi evolutivi o di swarm intelligence.

Una quarta attività consiste nello studiare l’utilizzo degli Algoritmi Evolutivi e di Swarm Intelligence nell’ambito della Neuroevolution, con particolare riferimento all’ottimizzazione della struttura e dei parametri di reti neurali sia di tipo ‘shallow’ che di tipo ‘deep’. Questo è un problema molto sentito nell’ambito della comunità degli utenti delle reti, come testimoniano gli studi sull’argomento intrapresi ad esempio da Google, Sentient Technologies, MIT Media Lab, Johns Hopkins, Carnegie Mellon.

Una quinta attività riguarda la spiegabilità delle soluzioni proposte dalle reti neurali artificiali. Queste ultime sono infatti delle ‘black box’, intendendo con questo che le soluzioni trovate non forniscono chiare spiegazioni comprensibili all’utente, e queste vanno trovate ‘a posteriori’. E’ importante una valutazione delle caratteristiche delle metodologie di spiegabilità già esistenti così da poter individuare quelle più interessanti per la tipologia dello specifico problema da affrontare di volta in volta.

Una sesta attività è relativa alla progettazione e implementazione di versioni parallele e distribuite di Algoritmi Evolutivi e di Swarm Intelligence per ridurre i tempi di esecuzione e, al contempo, effettuare una ricerca migliore nello spazio delle soluzioni. Infatti, uno dei limiti delle versioni attuali è costituito dai tempi di esecuzione, che ne rendono spesso difficile l’utilizzo in tempo quasi reale.

Obiettivi

L’obiettivo fondamentale consiste nella progettazione, implementazione e introduzione in letteratura di nuovi modelli. Particolare attenzione sarà posta agli ambiti degli Algoritmi Evolutivi, della Swarm Intelligence e delle Reti Neurali Artificiali.

Questo obiettivo generale si estrinseca in un insieme di ulteriori obiettivi specifici: i) semplice interpretabilità delle soluzioni proposte da modelli evolutivi e di Swarm Intelligence; ii) possibilità di apprendere in maniera federata; iii) supporto al deep learning connessionista mediante individuazione di adeguate strutture deep e dei relativi valori dei parametri che consentano buone prestazioni; iv) efficace spiegabilità delle soluzioni proposte dai modelli neurali; v) riduzione dei tempi di esecuzione per arrivare ad ottenere soluzioni in tempo quasi reale. Ognuno di questi obiettivi dà origine ad un’attività brevemente descritta sopra.

Campi Applicativi

Le metodologie in questione sono ad ampio spettro di applicazione. Tra i vari campi, medicina, biologia, healthcare e robotica sono di particolare, pur se non esclusivo, interesse per il nostro Gruppo di Ricerca.