Scienza

MADELEinE — MAchine and DEep LEarning in Experiments — è il programma di ricerca che coordina presso l'INAF. Applica metodi di intelligenza artificiale all'analisi dei grandi dataset prodotti da telescopi e rivelatori di particelle, dall'astrofisica delle alte energie alla fisica delle astroparticelle, alla finanza quantitativa.

Capitoli di libri

• 

  Time Series Analysis in Machine Learning

  Capitolo per il volume "Machine Learning Techniques for Astrophysics and Cosmology" (a cura di Cosimo Bambi, Vinay Kashyap, Swarnim Shashank, Naoki Yoshida — Springer Singapore, in uscita 2027). Rassegna dell'analisi delle serie temporali dal punto di vista del machine learning: dai modelli statistici classici (ARIMA, smoothing esponenziale, state-space) ai metodi moderni — tree ensemble, modelli di Markov nascosti, processi gaussiani e deep learning (RNN, CNN, transformer).

  PDF
• 

  Machine Learning for Event Reconstruction in Imaging Atmospheric Cherenkov Telescopes

  Capitolo per il volume "Machine Learning Techniques for Astrophysics and Cosmology" (a cura di Cosimo Bambi, Vinay Kashyap, Swarnim Shashank, Naoki Yoshida — Springer Singapore, in uscita 2027). Rassegna del ruolo del machine learning nella ricostruzione degli eventi nei telescopi Cherenkov atmosferici (IACT): dalla pipeline classica basata sui parametri di Hillas alle feature temporali, fino agli ensemble (gradient boosting, stacking) e alle reti neurali convoluzionali e a grafo.

  PDF
• 

  Application of Machine and Deep Learning Methods to the Analysis of IACTs Data

  Capitolo di libro (Springer, ISBN 978-3-030-65867-0). Discriminazione gamma/adrone e tagging dei muoni nei dati dei telescopi Cherenkov atmosferici (IACTs) tramite tecniche di Machine Learning e Deep Learning, con applicazioni alla calibrazione ottica e alla reiezione del fondo di raggi cosmici.

  PDF

High Energy Astrophysics

• 

  Cover Story

  Machine Learning-Enhanced Discrimination of Gamma-Ray and Hadron Events Using Temporal Features: An ASTRI Mini-Array Analysis

  Metodo basato su Random Forest per migliorare la discriminazione tra raggi gamma e raggi cosmici nei telescopi Cherenkov dell'ASTRI Mini-Array, sfruttando le informazioni temporali dei pixel oltre alle tradizionali caratteristiche morfologiche.

  PDF
• 

  Application of Machine Learning Ensemble Methods to ASTRI Mini-Array Cherenkov Event Reconstruction

  Studio sulla separazione gamma/adrone e ricostruzione energetica nei telescopi Cherenkov dell'ASTRI Mini-Array: un metodo ensemble (Stacking) composto da Extra Trees, Random Forest e XGBoost si dimostra la tecnica più sensibile per la segregazione del segnale dal fondo cosmico.

  PDF

Data Driven Finance

• 

  Regime-Aware LightGBM for Stock Market Forecasting: A Validated Walk-Forward Framework with Statistical Rigor and Explainable AI Analysis

  Framework di previsione del mercato azionario basato su LightGBM condizionato ai regimi di mercato individuati da un Hidden Markov Model, testato su 51 titoli del NASDAQ-100 con uno Sharpe ratio di 1.18.

  PDF
• 

  Cognitive Biases in Asset Pricing: An Empirical Analysis of the Alphabet Effect and Ticker Fluency in the US Market

  Analisi empirica sui bias cognitivi legati alla fluenza di elaborazione dei ticker azionari nel mercato S&P 500: nell'era del trading algoritmico, l'effetto alfabetico non produce impatto statisticamente significativo sui rendimenti.

  PDF
• 

  Artificial Intelligence vs. Efficient Markets: A Critical Reassessment of Predictive Models in the Big Data Era

  Revisione critica delle applicazioni dell'AI nella previsione dei mercati finanziari: i metodi ensemble superano sistematicamente i classificatori singoli, ma molti modelli statisticamente significativi non generano valore economico reale al netto dei costi di transazione.

  PDF
• 

  Forecasting Significant Stock Market Price Changes Using Machine Learning: Extra Trees Classifier Leads

  Modello basato su Extra Trees Classifier per la previsione di variazioni significative dei prezzi azionari a 10 giorni, addestrato su indicatori tecnici per 120 società, con un'accuratezza dell'86.1%.

  PDF
• 

  An Introduction to Machine Learning Methods for Fraud Detection

  Revisione delle tecniche di Machine Learning per il rilevamento delle frodi finanziarie (carte di credito, bilanci, assicurazioni, riciclaggio), con due case study su dati bancari reali.

  PDF

Computer Vision, LLMs & More

• 

  Cognitive Biases in Large Language Models: A Systematic Quantitative Assessment and Debiasing Analysis

  Misura quantitativa dei bias cognitivi negli LLM con la metodologia della fisica sperimentale: misure ripetute e incertezza scomposta in componenti statistica e sistematica. Introduce il Bias Strength Index (BSI), valuta undici bias su otto LLM con oltre 70.000 risposte e analizza tre strategie di debiasing applicate al momento dell'inferenza.

  PDF
• 

  An Introduction to Machine and Deep Learning Methods for Cloud Masking Applications

  Revisione dei metodi di Machine Learning e Deep Learning per il cloud masking in immagini satellitari multispettrali, con enfasi sugli approcci di Deep Learning che migliorano accuratezza ed efficienza nella classificazione dei pixel nuvolosi.

  PDF
• 

  Advanced AI and Machine Learning Techniques for Time Series Analysis and Pattern Recognition

  Editoriale introduttivo di uno Special Issue dedicato alle tecniche avanzate di AI per l'analisi di serie temporali e il riconoscimento di pattern, dalla finanza alla ricostruzione di eventi astrofisici.

  PDF
• 

  AI in Experiments: Present Status and Future Prospects

  Panoramica sull'integrazione dell'intelligenza artificiale nella sperimentazione scientifica, dalla fisica alla biologia, tracciando l'evoluzione dagli anni '90 alle prospettive future con deep learning e modelli generativi.

  PDF
• 

  The Specialization of Intelligence in AI Horizons: Present Status and Visions for the Next Era

  Analisi della crescente specializzazione dell'AI nei diversi domini scientifici e industriali: il progresso si misura nella co-progettazione di modelli con conoscenze di dominio specifiche per risolvere problemi concreti ad alto impatto.

  PDF