Il gruppo si occupa di metodologie quantitative per la Data Science e l'Intelligenza Artificiale con applicazioni all’economia, la finanza e le scienze sociali. Gli strumenti e i concetti utilizzati provengono della statistica matematica, fisica e meccanica statistica, teoria delle serie temporali, ricerca operativa, teoria dei network aleatori e complessi. L’interesse del gruppo e rivolto sia allo sviluppo teorico di nuovi metodi matematici, statistici e computazionali sia allo studio empirico di sistemi socio-economici quali le reti di interazione tra persone, tra aziende o più in generale tra agenti.
Tra i temi centrali per il gruppo vi è proprio quello di distinguere, a partire dai dati, un sistema con interazioni rilevanti da uno senza, misurare le interazioni ed utilizzarle con intenti predittivi.
Per il machine learning il gruppo si interessa alla comprensione teorica
- del deep learning interpretato come problema inverso della meccanica statistica con condizioni al bordo assegnate,
- delle relazioni tra deep learning e metodi statistici ed econometrici, sia inferenziali che di test di ipotesi.
Altri temi importanti per il gruppo includono l’inferenza di modelli ad alta dimensionalità tra cui, ad esempio, network dinamici e modelli di serie temporali a parametri variabili, sviluppo di metodi di clustering e di approcci entropici e statistici per la predizione/validazione di interazioni e il test di ipotesi su networks.
In ambito teorico si studiano anche tecniche di soft computing per le decisioni in ambito impreciso formalizzato tramite la logica fuzzy.