PNRR351 TECHNOPOLE - non associata a curriculum
- Roma Technopole - Digital Transition, FP2 - Energy transition and digital transition in urban
regeneration and construction
Competenze richieste: nessuna competenza specifica richiesta
- Roma Technopole - Digital Transition, FP2 - Energy transition and digital transition in urban
regeneration and construction
Required skills: no specific skill required
Descrizione: Il dottorato di ricerca avrà come argomento prevalente l’applicabilità delle Distributed Ledger Technology ai servizi della Pubblica Amministrazione. In particolare, la ricerca che il dottorando dovrà svolgere riguarderà il trattamento dei dati della pubblica amministrazione in relazione alla decentralizzazione delle infrastrutture e dei servizi, contemplando gli aspetti di interoperabilità tra pubbliche amministrazioni e con i servizi al cittadino e alle imprese, di gestione della privacy dei contenuti presenti nei registri distribuiti, valutando gli impatti economici e finanziari nonchè l'impatto ambientale che derivano dalla decentralizzazione dei servizi in comparazione ai sistemi classici centralizzati.
Description: The main objective of the PhD is the study of the applicability of Distributed Ledger Technologies to the services of the Public Administration. In particular, the research will focus on the management of the data processed by the Public Administration in a decentralized context. The research will consider aspects of interoperability between public administrations and services for citizens and companies, the privacy of the data stored in distributed ledgers and will also evaluate the economic, financial and the environmental sustainability benefits/drawbacks of decentralization when compared to the dominante centralized approach.
|
PNRR352 - non associata a curriculum
- Machine learning e manutenzione predittiva per soluzioni sulla mobilità del
futuro
Competenze richieste: nessuna competenza specifica richiesta
- Machine learning and predictive maintenance for mobility solutions of the
future
Required skills: no specific skill required
|
PNRR352 - non associata a curriculum
- Sensor fusion per la mobilità del futuro: applicazioni automobilistiche dell'
Intelligenza artificiale per veicoli e infrastrutture stradali
Competenze richieste: nessuna competenza specifica richiesta
- Sensors fusion for the mobility of the future: automotive application of
Artificial Intelligence for vehicle and road infrastructure
Required skills: no specific skill required
|
PNRR352 - non associata a curriculum
- Metodi e rappresentazioni in Graph Machine Learning
ed elaborazione del linguaggio naturale per applicazioni biomediche
Competenze richieste: nessuna competenza specifica richiesta
- Methods and Representations in Graph Machine Learning
and Natural Language Processing for Biomedical Applications
Required skills: no specific skill required
|
PNRR352 - non associata a curriculum
- Elaborazione ottimale dei dati per applicazioni di osservazione della Terra da sensori iperspettrali
Competenze richieste: nessuna competenza specifica richiesta
- Optimal Data Processing for Earth Observation Applications from Hyperspectral Sensors
Required skills: no specific skill required
|
PNRR352 - non associata a curriculum
- Apprendimento dai dati di modelli ad agenti per l’evoluzione della dinamica delle opinioni
Competenze richieste: nessuna competenza specifica richiesta
- Learning Agent-Based Models of Opinion Dynamics from Data
Required skills: no specific skill required
|
INFRASTRUTTURE - non associata a curriculum
- Fairness, Bias, and Explainability of ML systems
Ente finanziatore: SoBigData
Competenze richieste: nessuna competenza specifica richiesta
- Fairness, Bias, and Explainability of ML systems
Funded by: SoBigData
Required skills: no specific skill required
Descrizione: Il progetto di dottorato intende sviluppare la ricerca nel campo della progettazione di algoritmi e sistemi di machine learning per i mercati online e per la gestione dei big data che siano equi, trasparenti, e comprensibili per gli utenti.
Description: The PhD project intends to develop research in the field of designing machine learning algorithms and systems for online markets and for the management of big data that are fair, transparent, and understandable for users.
|
INFRASTRUTTURE - non associata a curriculum
- Explainability in Graph Neural Networks
Ente finanziatore: SoBigData
Competenze richieste: nessuna competenza specifica richiesta
|
ENTI TERZI - non associata a curriculum
- Robustezza di algoritmi di deep learning ad attacchi adversarial e corruzioni nonlineari
Ente finanziatore: LEONARDO Spa
Competenze richieste: nessuna competenza specifica richiesta
- Deep learning Robustness to adversarial samples and nonlinear corruptions
Funded by: LEONARDO Spa
Required skills: no specific skill required
Descrizione: Il progetto di ricerca riguarda lo studio dei cosidetti adversarial attack (oltre alle corrispettive difese) in numerosi domini e scenari applicativi che spaziano dall'RGB all'infrarosso. Inoltre, verrà studiata la trasferibilità di tali attacchi tra i vari domini, oltre alla relazione che intercorre tra il grado di robustezza ad attacchi adversarial e corruzioni esistenti nelle immagini naturali (es., blur e rumore in fase di acquisizione delle immagini). Mentre esiste una ampia letteratura a riguardo nel caso di domini RGB, lo studio della robustezza delle reti neurali in altri scenari applicativi è meno esplorata, aprendo la possibilità al design di attacchi e difese specializzati.
Description: The research project aims at investigating adversarial attacks and defences in several uncommon domains (e.g., RGB and infrared cameras), their transferability across domains, and the relation that exists between adversarial (i.e., worst-case) corruptions, and corruptions appearing in the real-world, such as blur and noise. While a vast literature exists for the RGB scenario, the brittleness of these systems for IR and similar domains is more unclear, with the possibility of designing attacks and defences targeted for the new scenarios.
|
ENTI TERZI - non associata a curriculum
- Geometric Deep Learning per la Comprensione dei Terremoti
Ente finanziatore: ISTITUTO NAZIONALE DI GEOFISICA E VULCANOLOGIA
Competenze richieste: nessuna competenza specifica richiesta
- Geometric Deep Learning for Understanding Earthquakes
Funded by: ISTITUTO NAZIONALE DI GEOFISICA E VULCANOLOGIA
Required skills: no specific skill required
Descrizione: Il progetto di dottorato prevede lo studio della teoria, lo sviluppo e l’applicazione di nuovi modelli di machine learning basati su Graph Neural Networks (GNN) e Transformer Networks alla determinazione dei parametri sorgente di un terremoto, ovvero la localizzazione accurata dei terremoti nello spazio (latitudine, longitudine e profondità) e nel tempo (origine dell’evento), e la stima della loro grandezza (magnitudo) e geometria (tensore momento sismico). Grazie alla teoria dei grafi e a modelli basati su Geometric Deep Learning, si vogliono migliore le tecniche attuali, adatte ad una singola sorgente, estendendole a osservazioni da molteplici stazioni, la cui distribuzione geografica e numero possa variare nel tempo, in modo da comprendere anche terremoti di bassa magnitudo. Il benchmark di riferimento è INSTANCE, che racchiude più di 54.000 eventi per un totale di circa 1,2 milioni di forme d’onda a tre componenti, acquisite dalla rete sismica nazionale dell’INGV tra il 2005 ed il 2020 (http://www.pi.ingv.it/instance/).
Description: The PhD project proposes the study of the theory, the development and the application of new machine learning models based on Graph Neural Networks (GNN) and Transformer Networks, to determine the source parameters of an earthquake, i.e. the accurate localization of earthquakes in space (latitude, longitude and depth) and in time (origin of the event), and the estimate of their size (magnitude) and geometry (seismic moment tensor). Thanks to graph theory and Geometric Deep Learning-based models, the project will extend current approaches (suitable for single sources) to observations from a variable number and geographic distribution of stations, to also understand low-magnitude earthquakes. Algorithms will be benchmarked on INSTANCE, a collection of more than 54,000 events and 1.2 million three-component waveforms, acquired by the INGV national seismic network between 2005 and 2020 (http://www.pi.ingv.it/instance/).
|
ENTI TERZI - non associata a curriculum
- Modellazione dell'accoppiamento litofera-atmosfera-ionosfera con tecniche di ML
Ente finanziatore: ISTITUTO NAZIONALE DI GEOFISICA E VULCANOLOGIA
Competenze richieste: nessuna competenza specifica richiesta
- ML based modelling of the lithosphere-atmosphere-ionosphere coupling
Funded by: ISTITUTO NAZIONALE DI GEOFISICA E VULCANOLOGIA
Required skills: no specific skill required
Descrizione: Eventi naturali come terremoti, tsunami ed eruzioni vulcaniche possono causare gravi danni, sia in termini di perdite di vite umane che economiche.
Le misure ionosferiche offrono una grande opportunità per migliorare la capacità di individuazione e modellazione in tempo quasi reale degli eventi per facilitare lo sviluppo di sistemi di early warning.
Il progetto si concentrerà su:
- l'utilizzo di tecniche ML per l'individuazione di perturbazioni co-sismiche e co-vulcaniche su misure ionosferiche quali il TEC derivato dal GNSS e le misure HF;
- lo sviluppo di un modello basato sul ray-tracing per derivare i principali parametri della perturbazione ionosferica generata al suolo dall'evento litosferico, con l'obiettivo di migliorare la localizzazione dell'evento stesso nello spazio e nel tempo.
Description: Natural events such as earthquakes, tsunami and volcanic eruptions can seriously damage the society, both in terms of life and economic losses.
Ionospheric measurements offer a great opportunity to improve the capability of near real-time detection and modelling of the events, to boost the development of early warning systems.
The project will focus on:
- the exploitation of ML techniques for the detection of co-seismic and co-volcanic perturbations on ionospheric measurements, such as GNSS derived Total Electron Content and HF measurements;
- the development of a ray-tracing based model to retrieve the main parameters of the ionospheric perturbation generated at ground by the lithospheric event with the aim of better localizing the event itself in space and time.
|
Il candidato sceglierà una o più tematiche in fase di presentazione della candidatura on line
|