deep learning

Applications of deep learning to civil engineering

Applications of deep learning to civil engineering

Il gruppo di ricerca Applications of Deep Learning to Civil Engineering promuove la ricerca interdisciplinare dedicata allo sviluppo, alla sperimentazione e all’applicazione di tecniche di Intelligenza Artificiale nel campo dell’ingegneria civile.

Artificial Intelligence for Electrical Engineering

Artificial Intelligence for Electrical Engineering

Il gruppo di ricerca Artificial Intelligence for Electrical Engineering (AI4EE) promuove la ricerca interdisciplinare dedicata allo sviluppo, alla sperimentazione e all'applicazione di tecniche di Intelligenza Artificiale nel campo dell'ingegneria elettrica.

L'obiettivo principale del gruppo di ricerca è integrare metodologie avanzate di machine learning, deep learning e sistemi intelligenti con le tecnologie elettriche tradizionali, al fine di migliorare prestazioni, efficienza, sicurezza e automazione dei sistemi elettrici moderni.

Artificial Intelligence for Electrical Engineering

Artificial Intelligence for Electrical Engineering

La gestione dell'energia è un fattore chiave per la crescita e lo sviluppo della società. La previsione del consumo e della produzione di energia è diventata un'esigenza cruciale per migliorare le prestazioni energetiche e la sostenibilità ambientale. Nell'ambito delle fonti energetiche rinnovabili, lo sviluppo di nuovi paradigmi di deep learning rappresenta un'importante sfida per lo sviluppo sostenibile.

Neural Network Systems & Applications (NESYA)

Neural Network Systems & Applications (NESYA)

NESYA è un gruppo di ricerca al quale partecipano docenti e giovani ricercatori del Dipartimento di Ingegneria dell'Informazione, Elettronica e Telecomunicazioni (DIET) dell'Università degli Studi di Roma "La Sapienza". All'interno di NESYA sono anche coinvolti gli studenti di laurea di primo e secondo livello delle due Facoltà di Ingegneria di Sapienza, durante lo svolgimento delle loro attività didattiche di laboratorio e soprattutto durante il loro periodo di tesi.

Quantum Computing & Quantum AI

Quantum Computing & Quantum AI

Il gruppo di ricerca Quantum Computing & Quantum AI si occupa delle aree di ricerca emergenti connesse con la Quantum Artificial Intelligence (QAI) che sfrutta le leggi della meccanica quantistica per gestire in modo efficiente dati eterogenei su larga scala. L'enorme quantità di dati prodotti e la crescente complessità dei tradizionali modelli di deep learning richiedono lo sviluppo di nuovi sistemi e algoritmi che siano anche scalabili.

Intelligenza artificiale applicata alle condizioni precancerose e lesioni cancerose gastriche

Intelligenza artificiale applicata alle condizioni precancerose e lesioni cancerose gastriche

Questo gruppo di ricerca composto da ingegneri e gastroenterologi, ha come obiettivo quello di riuscire ad individuare, grazie all'utilizzo dell'intelligenza artificiale applicata alle condizioni precancerose gastriche quali l'atrofia e la metaplasia intestinale, la presenza di fattori di rischio e/o fattori prognostici che possano portare allo sviluppo di lesioni cancerose gastriche, comprese i tumori neuroendocrini

OmnAI Lab

OmnAI Lab

The OmnAI Lab is a research laboratory dedicated to studying computational models of learning and inference, with the goal of understanding and developing forms of artificial intelligence. Its research activities focus primarily on Trustworthy and Robust AI, with applications in computer vision, while also drawing inspiration from related fields such as computer graphics and natural language processing.

A deep learning integrated Lee-Carter model

In the field of mortality, the Lee–Carter based approach can be considered the milestone
to forecast mortality rates among stochastic models. We could define a “Lee–Carter model family”
that embraces all developments of this model, including its first formulation (1992) that remains the
benchmark for comparing the performance of future models. In the Lee–Carter model, the kt parameter,
describing the mortality trend over time, plays an important role about the future mortality behavior.

Explainable inference on sequential data via memory-tracking

In this paper we present a novel mechanism to
get explanations that allow to better understand
network predictions when dealing with sequential
data. Specifically, we adopt memory-based net-
works — Differential Neural Computers — to ex-
ploit their capability of storing data in memory and
reusing it for inference. By tracking both the mem-
ory access at prediction time, and the information
stored by the network at each step of the input
sequence, we can retrieve the most relevant input

Smartphones identification through the built-in microphones with Convolutional Neural Network

The use of mobile phones or smartphones has become so widespread that most people rely on them for many services and applications like sending e-mails, checking the bank account, accessing cloud platforms, health monitoring, buying on-line and many other applications where sharing sensitive data is required. As a consequence, security functions are important in the use of smartphones, especially because most of the applications require the identification and authentication of the device in mobility.

© Università degli Studi di Roma "La Sapienza" - Piazzale Aldo Moro 5, 00185 Roma