La mia attività di ricerca si concentra sull'applicazione di tecniche avanzate di Data Mining e Machine Learning all'analisi di dati biomedici complessi e ad alta dimensionalità. Mi sono dedicata allo studio di metodologie per l'analisi di dati genomici, affrontando sfide significative legate alla complessità intrinseca e alla grande dimensionalità di questi dataset.
Attualmente sto focalizzando l'attenzione sull'analisi delle tecniche di riduzione della dimensionalità applicate ai dati radiomici, un settore emergente e promettente. L'obiettivo è migliorare strumenti predittivi per la diagnosi, la prognosi e la personalizzazione delle terapie in ambito medico, ottimizzando l'identificazione delle caratteristiche più rilevanti. La riduzione della dimensionalità si rivela essenziale per affrontare il problema della grande quantità di variabili nei dati radiomici, rendendo i modelli non solo più efficienti, ma anche più sostenibili dal punto di vista computazionale, in linea con le esigenze della Green AI. Integrare approcci di Feature Selection nelle pipeline di analisi consente di sviluppare modelli più snelli e sostenibili, rispondendo alle sfide poste dalla Green AI.
Inoltre, esploro la possibilità di integrazione di metodi di Feature Selection nel contesto del Federated Learning. L'obiettivo è identificare le caratteristiche più informative direttamente a livello locale sui singoli nodi. Questo approccio non solo rafforza la privacy dei dati sensibili, ma contribuisce anche agli obiettivi della Green AI riducendo il consumo energetico legato alla trasmissione e all'elaborazione di dati superflui in ambienti distribuiti.
La FS nel FL mira a sviluppare modelli più snelli e sostenibili, essenziali per l'analisi di dati biomedici distribuiti.
Oltre alla riduzione della dimensionalità, la mia ricerca verte anche su altre tematiche del Data Mining, tra cui la Feature Extraction, l'analisi di dati multimodali, l'analisi della distribuzione dei dati, l'Anomaly Detection e l'interpretabilità dei modelli.