Ricercatrice a tempo determinato tipo a) presso l'Università di Bologna dal 2024. La sua attività di ricerca si colloca all'interfaccia tra la Fisica Teorica e Matematica e la teoria del Machine Learning e Deep Learning, utilizzando tecniche derivanti dalla Fisica dei Sistemi Complessi e Disordinati. I suoi interessi di ricerca sono principalmente focalizzati sul ruolo giocato dai dati nei problemi di Machine Learning, con un'attenzione particolare verso tutti quegli scenari caratterizzati da carenza di dati. Al momento è quindi interessata allo studio e l'analisi dei paradigmi fondamentali per l'addestramento di reti profonde, quali transfer e self-supervised learning. Contribuisce all'applicazione degli algoritmi di Machine Learning e Deep Learning in campo medicale, in qualità di co-fondatrice e direttrice del reparto di Ricerca e Sviluppo di SynDiag s.r.l., uno spin-off del Politecnico di Torino la cui missione è l'identificazione automatica di lesioni ovariche a partire da video ecografici.
Formazione
- 2012: Laurea Triennale in Ingegneria Fisica presso il Politecnico di Torino;
- 2014: Laurea specilistica in Fisica dei Sistemi Complessi presso il Politecnico di Torino e Université Pierre et Marie Curie (Paris VI);
- 2018: PhD in Fisica Teorica applicata al Machine Learning presso il Politecnico di Torino, con titolo Statistical Physics of Neural Systems, supervisionata dal Prof. Riccardo Zecchina.
Carriera Accademica
- 2018: Assegnista di ricerca presso il Politecnico di Torino;
- 2019-2021: Ricercatore Post-Doc presso Institut de Physique Théorique (IPhT) ed École polytechnique fédérale de Lausanne (EPFL) nei gruppi guidati da Prof. Lenka Zdeborová e Prof. Florent Krzakala;
- 2022: Ricercatore Post-Doc presso il dipartimento di Data Science della Scuola Internazionale Superiore di Studi Avanzati (SISSA) nel gruppo guidato dal Prof. Alessandro Laio.
Attività Didattica
- 2021: Assistente per il corso Machine Learning per i Fisici presso l'École polytechnique fédérale de Lausanne (EPFL);
- 2022-2023: Docente di Machine Learning presso Medics s.r.l.;
- 2023-2024: Tutor in Machine Learning presso MIB-Trieste Business School.
Ha inoltre supervisionato le seguenti tesi di laurea specialistica:
- 2021: "Detection of ovarian lesions from ultrasound scans using Deep Learning: from raw data to a ready-to-use medical dataset" di Pio Raffaele Fina, il quale ha vinto il premio di miglior tesi di master in computer science del 2021 presso l'Università degli Studi di Torino;
- 2023: "A Deep Learning Approach for Segmentation of Ovarian Adnexal masses" di Cecilia Marini.
Attività Scientifica
Durante la sua attività di ricerca, ha collaborato con Riccardo Zecchina, Carlo Baldassi, Carlo Lucibello, Luca Saglietti, Alessandro Ingrosso, Hilbert J. Kappen ed Enzo Tartaglione sulla caratterizzazione dello spazio delle soluzioni di problemi di Machine Learning non convessi, quali il percettrone a pesi discreti, e sul design di algoritmi di apprendimento per reti neurali ricorrenti. Ha successivamente collaborato con Lenka Zdeborová, Florent Krzakala, Marc Mézard e Bruno Loureiro sull'avanzamento delle tecniche di Fisica dei Sistemi Disordinati per analizzare modelli di dati strutturati in problemi di Machine Learning convessi, quali hidden manifold model e misture di Gaussiane. Ha poi collaborato con Lenka Zdeborová, Andrew Saxe, Luca Saglietti, Stefano Sarao Mannelli, Negar Rostamzadeh e Alessandro Laio sulla caratterizzazione del transfer learning e del bias nei dati verso la trustworthy AI. Ha collaborato con Alessandro Laio, Sebastian Goldt e Riccardo Rende sull'analisi teorica con tecnica di Meccanica Statistica circa il funzionamento dei Transformers, ovvero l'attuale stato dell'arte tra i modelli di rete neurale e ingrediente fondamentale degli algoritmi alla base di applicazioni come ChatGPT. Attualmente lavora con Alessandro Ingrosso, Pietro Rotondo, Rosalba Pacelli, Jean Barbier, Sebastian Goldt e Alessandro Laio sull'avanzamento della teoria di transfer learning e self-supervised learning, anche in problemi non-convessi.
È inoltre membro dei seguenti progetti di ricerca nel quadro del Piano Nazionale di Ripresa e Resilienza (PNRR):
- SEcurity and RIghts in the CyberSpace (SERICS);
- Future Artificial Intelligence Research (FAIR).
Ha inoltre presentato la propria attività di ricerca su invito o come contributo presso le seguenti conferenze, scuole o workshop nazionali ed internazionali:
- 2023, Les Houches: Towards a theory of artificial and biological neural networks (contributo);
- 2023, Roma: Interdisciplinary challenges: from non-equilibrium physics to life sciences (invito);
- 2023, Trieste: Youth in High-Dimensions: Recent Progress in Machine Learning, High-Dimensional Statistics and Inference (invito);
- 2023, Parma: XXVII Convegno Nazionale di Fisica Statistica e dei Sistemi Complessi (invito);
- 2023, Trieste: Workshop on Learning and Inference from Structured Data: Universality, Correlations and Beyond (invito);
- 2023, Cargese: Statistical Physics and Machine Learning back together again (contributo);
- 2024, Lausanne: Applied Machine Learning Days (AMLD) EPFL (invito);
- 2024, Trento: Bridging scales: At the crossroads among renormalisation group, multi-scale modelling, and deep learning (invito);
- 2024, Como: Statistical Physics of Deep Learning II (invito).
Attività istituzionali e incarichi accademici
Dal 2024 è Membro della Giunta di Dipartimento. È inoltre co-organizzatore della conferenza internazionale Rockin'AI-Roccella Conference on Inference and Learning.
