Sviluppo di nuovi metodi per classificazione nella classe di modelli discrete support vector machines
Progetto L¿obiettivo principale della ricerca è costituito dall¿estensione della classe di modelli per la classificazione nota come discrete Support Vector Machines (discrete SVM).
La ricerca si orienterà secondo quattro direzioni principali. In primo luogo, si svilupperanno metodi di classificazione di tipo fuzzy in grado di fornire predizioni accurate nel caso in cui la conoscenza della classe degli esempi di riferimento sia affetta da incertezza. Tali metodi richiedono in primo luogo di definire un'opportuna funzione di membership, che regoli l'appartenenza degli esempi alle diverse categorie, e in seguito di sviluppare una variante dei modelli discrete SVM che consideri la simultanea appartenenza delle osservazioni a classi differenti.
In secondo luogo, sarà investigato lo sviluppo di un nuovo modello per la classificazione di serie storiche multivariate e di lunghezza variabile. In questo ambito, si ricaverà una misura di similarità tra sequenze temporali basata sul concetto di Dynamic Time Warping, e si elaborerà una variante dei modelli discrete SVM in grado di discriminare tra serie storiche di classi diverse sulla base della somiglianza dei rispettivi profili temporali.
In terzo luogo, si valuterà l'efficacia di un nuovo modello di ottimizzazione ottenuto introducendo nella formulazione originale delle discrete SVM una nuova variabile che regola il trade-off tra l'accuratezza e la capacità di generalizzazione della funzione di classificazione. In questo contesto, si ricaveranno anche dei bound teorici per determinare il valore ottimale dei parametri del modello di ottimizzazione.
Infine, si svilupperanno modelli di classificazione basati sulla nozione di discrete SVM per risolvere particolari classi di problemi in ambito biologico, quali la predizione della struttura secondaria e del folding di una proteina e l'identificazione di sequenze proteiche soggette a clivaggio da parte della proteasi dell'HIV.