Ricerca | Progetti Finanziati

APPRENDIMENTO AUTOMATICO E TECNICHE AVANZATE DI DATA MINING NELL'ERA DEI BIG DATA

Saranno sviluppati algoritmi e applicazioni all'analisi dei dati complessi sia Multiview che tradizionali e saranno affrontate principalmente due applicazioni al campo della Medicina: Bioinformatica e Neuroimaging.Gli approcci perseguibili nella analisi di dati Multiview sono molteplici.:° Apprendimento Semi-supervisionato: L'idea è quella di usare pochi dati etichettati cercando di inferire le etichette degli altri da questi° Apprendimento supervisionato: Discriminante di Fisher, combinazione di Kernel,.° Clustering: Analisi di dati MultiView senza etichette. Metodi di Matrix factorization e di consenso.Le tecniche di integrazione possibili sono:° Early Integration:° Intermediate Integration:° Late Integration:Un altro approccio molto interessante è quello di utilizzare approcci basati su grafi e reti.Si applicheranno queste tecniche al problema del clusterng e classificazione di pazienti.Con questi risultati in mano si potrà affrontare il vero problema di data-integration. Saranno utilizzate metodologie di classificazione lineari e non-lineari in congiunzione con algoritmi di classificazione e selezione delle caratteristiche e con algoritmi su grafi per l'integrazione diulteriori due tipologie di dati multi-vista, relativi a tumori e all'effetto dei nanomateriali su linee cellulari di vari tessuti animali e umani messi a disposizione dal FIOH di Helsinki all'interno del progetto Europeo FP VII Nanosolutions e di altre collaborazioni internazionali, cui la nostra unità è parte.Un'altra interessante applicazione che si intende portare avanti riguarda la analisi basata su learning multiview su dati risultanti da diversi tipi di imaging neurologico.per esempio le informazioni anatomiche, MRI funzionale e di diffusione costituiscono diverse viste da cui vogliamo estrarre le informazioni riguardanti la composizione dei tessuti cerebrali, la attività funzionale e la connettività anatomica.Pensiamo che anche in questo settore l'applicazione delle tecniche di fusione e federazione delle diverse viste sviluppate porteranno ad una più fondata modellistica di come le diverse aree del cervello si organizzano ed interagiscono funzionalmente nel cervello sano e in quello affetto da particolari disturbi.Infine si inizieranno ad usare tecniche basate su deep learning, ovvero di apprendimento profondo, per l'analisi di immagini e dati biomedicali, di natura economica e generali.