Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2005

italiano - english
Unità di Ricerca
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione brevettuale
Classificazione geografica
Bibliografia
BANDEMER, H., NATHER, W. (1992) Fuzzy data analysis, Kluwer Acadamic Publishers.
BORRA, S., DI CIACCIO, A.(2002) - Improving nonparametric regression methods by bagging and boosting, Computational Statistics and Data Analysis, v. 38, n. 4, 407-420.
B.BOUCHON-MEUNIER, G.COLETTI, G.MARSALA: Independence and Possibilistic Conditioning - Annals of Mathematics and Artificial Intelligence (2002),vol. 35, (1-4), 107-123.
B.BOUCHON-MEUNIER, M. RIFQI, S.BOTHOREL: Towards general measures of comparison of objects. Fuzzy Sets and Syst. 84 (1996), no. 2, 143-153.
A. CAPOTORTI, F.LAD:(2004) Reassessing accuracy rates from median decision procedures. (submitted to The American Statistician)
A. CAPOTORTI, G. COLETTI, B. VANTAGGI: Non Additive Ordinal Relations Representable by Lower or Upper Probabilities Kybernetika 34 (1998) n.1, 58-68
A. CAPOTORTI, B. VANTAGGI: Locally strong coherence in an inference process, Annals of Math. and Art. Intell. , 34, (2002), 125-149.
G.COLETTI: Coherent numerical and ordinal probabilistic assessments. IEEE Jour. Trans. on Systems, Men and Cyb., 24, 12 (1994), 1747-1754.
G.COLETTI, D.DUBOIS, R.SCOZZAFAVA (editors): Mathematical Models For Handling Partial Knowledge in Artificial Intelligence, Plenum Press, New York and London (1995).
G.COLETTI, R.SCOZZAFAVA: Characterization of coherent probabilities as a tool for their assessment and extension, Jour. of Uncert., Fuzziness and Know. based Systems, 44 (3), (1996), 103-132.
G.COLETTI, R.SCOZZAFAVA: Conditioning and inference in intelligent systems, Soft Computing 3, (1999), 118-130.
G.COLETTI, R.SCOZZAFAVA: The Role of Coherence in Eliciting and Handling Imprecise Probabilities and Its Application to Medical Diagnosis. Information Sc., 130, (2000), 41-65
G.COLETTI, R.SCOZZAFAVA: From conditional events to conditional measures: a new axiomatic approach, Ann. of Math and Art. Int., 32, (2001), 373-392.
G.COLETTI, R.SCOZZAFAVA: Probabilistic Logic in a Coherent Setting, Kluver, (Trends in Logic), 2002.
G.COLETTI , R.SCOZZAFAVA: Stochastic Independence in a coherent setting., Annals of Math. and Art. Intell., 35, (2002), 151-176
COLETTI G., SCOZZAFAVA R. (2003). Toward a general theory of conditional beliefs,. Int. J. of Intell. Systems, in press.
COLETTI G., SCOZZAFAVA R. (2005). Conditioning in a coherent setting: theory and applications. Fuzzy Sets and Systems, in press.
COLETTI G., SCOZZAFAVA R. (2005). Conditional probability and fuzzy information. Comp. Stat. & Data Anal. (special issue in “The Fuzzy Approach to Statistical Analysis” eds.R.Coppi and M.A.Gil).
G.COLETTI, R.SCOZZAFAVA, B. VANTAGGI: Coherent Conditional Probability as a Tool for Default Reasoning. In. Intelligent Systems for Information Processing. 191-202 Elsevier.
G.COLETTI, B. VANTAGGI: Independence in Conditional Possibility Theory, Proc. of IPMU 2004, vol. II, pp. 849-856. (subm. to Fuzzy Sets and Systems).
COPPI, R.: A Theoretical framework for Data Mining: the Informational Paradigm, Computational Statistics and Data Analysis, 38, (2002), 501-515
COPPI, R., D'URSO, P. (2002) The Dual Dynamic Factor Analysis Model, in Classification, Automation, and New Media (eds. W. Gaul, G. Ritter), 47-58, Springer-Verlag.
COPPI, R., D'URSO, P. (2002) Fuzzy K-Means Clustering Models for Triangular Fuzzy Time Trajectories, Statistical Methods and Applications, 11 (1), 21-40
COPPI R., D'URSO (2003). Three-Way Fuzzy Clustering Models for LR Fuzzy Time Trajectories. Comp. Stat.& Data Analysis. vol. 43 pp. 149-177.
COPPI, R., D'URSO, P. (2003) Regression Analysis with Fuzzy Informational Paradigm: A Least-Squares Approach Using Membership Function Information, International Journal of Pure and Applied Mathematics, 8 (3), 279-306.
COPPI R., D'URSO P. Fuzzy unsupervised classification of multivariate time trajectories with the Shannon entropy regularization. Comp. Stat. & Data Analysis. (in press)
A.P.DAWID (1979) Conditional Independence in Statistical Theory. Journal of Royal Statistical Society B 41 15-31.
B.DE FINETTI (1949) Sull’Impostazione Assiomatica del Calcolo delle Probabilita’. Annali Univ. Trieste, 19, 3-55. (Engl. transl.: Ch.5 in Probability, Induction, Statistics, Wiley, London, 1972)
A.DE LUCA, S. TERMINI, "A definition of a non probabilistic entropy in the setting of fuzzy sets theory", Information and Control 20, 301 (1972), (reprinted in Fuzzy Sets for Intelligent Systems, edited by D. Dubois, H. Prade and R. R. Yager, Morgan Kaufman, 1993.
DENOEUX, T., and MASSON, M.H. (2004) Principal component analysis of fuzzy data using autoassociative neural networks, IEEE Transactions on Fuzzy Systems, 12, 336-349
DIAMOND, P. (1988) Fuzzy least squares, Information Science, 46, 141-157
B.R. EBANKS: On measures of fuzziness and their representations, J. of Math. Analysis and Appl., 94 (1983), pp. 24-37.
D'URSO, P., GASTALDI, T., (2002) An “Orderwise” Polynomial Regression Procedure for Fuzzy Data, Fuzzy Sets and Systems, 130 (1), 1-19.
A.GILIO, P.G.MARCHETTI, R.SCOZZAFAVA (1987). Sampling criteria in multicollection searching. ESA JOURNAL. vol. 11, pp. 343-352
A.GILIO, P.G.MARCHETTI, R.SCOZZAFAVA (1990). Preference relations, Chisini - de Finetti means and Bayesian inference in retrieval systems modelling. ESA Sci. Techn. Rep., n.230
D'URSO, P., GIORDANI, P., (2005a) A possibilistic approach to Principal Component Analysis for symmetric fuzzy data, Fuzzy Sets and Systems, 150, 285-305.
L.GODO, P. HÁJEK: Fuzzy inference as deduction. Multi-valued logics. J. Appl. Non-Classical Logics 9 (1999), no. 1, 37--60.
L.GARMENDIA, R.R. YAGER, E.TRILLAS, A. SALVADOR, On t-norms based measures of specificity. Fuzzy Sets and Systems 133 (2003), no. 2, 237-248.
GIORDANI, P., KIERS, H.A.L. (2004) Principal component analysis of symmetric fuzzy data, Computational Statistics and Data Analysis, 45, 519-548
E.P.KLEMENT, R.MESIAR, E.PAP: Triangular Norms. Kluwer Academic Publishers, Dordrecht, Netherlands (2000)
NATHER, W., ALBRECHT, M., (1990) Linear Regression with Random Fuzzy Observations, Statistics, 21, 521-531.
NATHER, W., WUNSCHE, A., (2002) Least-squares fuzzy regression with fuzzy random variables, Fuzzy Sets and Systems, 130, 43-50.
H.NURMI (1977) Probability and Fuzziness: Some Methodological Considerations. In: VI Research Conference on Subjective Probability and Decision Making, Warszawa.
H.J. SKALA, S. TERMINI, E. TRILLAS (eds), Aspects of Vagueness, Kluwer Academic Publishers (1984).
PURI, M.L., RALESCU, D.A., (1986) Fuzzy random variables, J. Math. Anal. Appl., 114, 409-422.
RUSPINI, E.H., BONISSONE, P., PEDRYCZ, W., (1998) Handbook of fuzzy computation. Institute of Physics Publishing, Bristol and Philadelphia
M.STUDENY, R.R.BOUCKAERT (1998) On Chain Graph Models for Description of Conditional Independence Structures. The Annals of Statistics, 26(4), 1434-1495
S. TERMINI, "On the viability of an algebraic approach to nonmonotonic reasoning", Mathware & Soft Computing, 3, 93-104, (1996).
S. TERMINI , E. TRILLAS (eds), Aspects of Mechanizing Inference, special issue of Mathware and Soft Computing, vol. III (1996), pp. 1-301.
R.R. YAGER, Generalized triangular norm and conorm aggregation operators on ordinal spaces. Int. J. Gen. Syst. 32 (2003), no. 5, 475--490.
B.VANTAGGI (2001), Conditional independence in a finite coherent setting, Annals of Mathematics and Artificial Intelligence
B.VANTAGGI (2002), The L-separation criterion for description of cs-independence models, International Journal of Approximate Reasoning, 29, 291-316
S.WEBER, Decomposable measures and measures of information for crisp and fuzzy sets. Fuzzy information, knowledge representation and decision analysis (Marseille, 1983), 321--327, IFAC Proc. Ser., 6, IFAC, Laxenburg, 1984.
L. A. ZADEH. Toward a perception-based theory of probabilistic reasoning with imprecise probabilities'', Jour. of Stat. Planning and Inference,(2002), 105, 233-264
Parole Chiave
PROBABILITA' CONDIZIONATA COERENTE; TEORIA DEGLI INSIEMI FUZZY; MISURE DI INCERTEZZA; MISURE DI INFORMAZIONE; RAGIONAMENTO NON MONOTONO; ANALISI DEI DATI; DATI IMPRECISI O PARZIALI; INFERENZA; INFORMATION RETRIEVAL

Modelli e metodi per la gestione dell'informazione e dell'incertezza nei processi di acquisizione della conoscenza.

Università degli Studi di Perugia
Abstract
Nel ragionamento plausibile, utilizzato sia nel senso comune che nella elaborazione di teorie scientifiche o nelle nuove tecnologie, si deve necessariamente tenere conto della informazione (qualitativa e quantitativa) in nostro possesso (informazione a priori), di regole di inferenza e di analogie al fine di valutare il grado di plausibilità in un nuovo problema con i suoi dati specifici.

Negli ultimi decenni sono state elaborate molte teorie (tra loro alternative) per modellare il processo di inferenza generalizzata descritto sopra, per lo più pero' questi modelli risultano efficaci in determinati problemi, ma sono parziali e troppo legati al contesto, quindi non esportabili.

Per far fronte a questo problema e insieme per riuscire a trattare situazioni complesse in cui la tipologia delle informazioni e' diversa (dati statistici numerici o qualitativi, informazioni imprecise o vaghe, oppure ottenute da processi inferenziali che utilizzano logiche non monotone ecc.) nell'ultimo periodo si e` fatto ricorso a modelli fusionistici, visti pero` essenzialmente come "euristiche" e per i quali pertanto non si e' in grado di testare la consistenza fra i vari frameworks utilizzati.

Obiettivo principale di questo progetto è proprio quello di fornire una teoria generale e unitaria, che inquadri in un unico contesto misure di incertezza, misure di informazione, misure di fuzziness, logiche non monotone e logiche fuzzy: così che la scelta >>>

Coordinatore Scientifico del Programma di Ricerca
Giulianella COLETTI Università degli Studi di PERUGIA
Obiettivo del Programma di Ricerca
Nel complesso processo mentale (spesso sbrigativamente detto "senso comune"), che seguiamo ogni volta che traiamo una conclusione, parziale o definitiva, o che prendiamo una decisione in situazioni di conoscenza parziale e rivedibile, teniamo conto della informazione (qualitativa e quantitativa) in nostro possesso (informazione a priori), di regole di inferenza e di analogie, al fine di valutare il grado di plausibilità in un nuovo problema con i suoi dati specifici (ragionamento plausibile).

Negli ultimi decenni sono state elaborate molte teorie per modellare il processo di inferenza generalizzata descritto sopra, ma per lo più questi modelli risultano efficaci in determinati problemi, ma sono parziali e troppo legati al contesto, quindi non esportabili. Il problema principale dei modelli presenti in letteratura e' la loro incapacità' di trattare in un unico contesto teorico informazioni diverse (per esempio informazioni logiche e informazioni provenienti da esperimenti o elaborazione di dati) e la intrinseca difficoltà' di trattare il condizionamento e il processo generale di acquisizione della conoscenza, che, di fatto, è un ampliamento dinamico del dominio e della assegnazione quantitativa o qualitativa del grado di plausibilità'.

Tuttavia il quadro complessivo dei risultati teorici ottenuti in questo settore era tale da permettere di individuare dei collegamenti fra le diverse impostazioni. L'analisi di alcune nozioni di base comuni - che >>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
In questo progetto ci si propone di affrontare alcuni dei problemi generali connessi con la costruzione di modelli di inferenza in presenza di informazione parziale e rivedibile che possano essere utilizzati nei processi di acquisizione della conoscenza e nei processi di decisione, e che siano capaci di fondere informazioni di tipo diverso e metodi di inferenza diversi.

Il progetto ricalca in parte quello presentato nel 2004 dai componenti di due delle tre unità operative, che ha ottenuto una valutazione in classe A (con punteggi rispettivi 62/70 e 64.25/70), e quindi finanziabile; ma, essendo risultato in graduatoria con punteggio inferiore alla media d'Area (con scarto pari a -0.1738), ha conseguito una posizione non utile ai fini dell'effettivo finanziamento in relazione alle risorse disponibili.

Il presente progetto si differenzia da quello oltre che per le ovvie "rimodulazioni" dovute al completamento di alcune ricerche allora progettate, per l'inserimento di nuovi interessanti aspetti applicativi che potranno essere affrontati grazie alla presenza di una nuova unita' di ricerca composta da ricercatori esperti in processi cognitivi di tipo statistico.

Uno dei punti cardine della base di partenza scientifica è il problema della scelta del miglior paradigma formale da usare per il trattamento della conoscenza parziale nei processi di acquisizione della conoscenza o nei processi di decisione, che, pur essendo stato affrontato >>>