ENG | ITA

© 2026 LAVI, Università di Bergamo

Temi di Ricerca

I nostri principali filoni di ricerca si concentrano sullo sviluppo di sistemi di IA adattabili, capaci di apprendere da molteplici modalità, operare in condizioni di risorse limitate e mantenere l'affidabilità nell'uso pratico.

L’apprendimento multimodale

Studiamo metodi che rappresentano congiuntamente immagini, testo e input strutturati, consentendo di ragionare su di essi. Ciò permette una comprensione più ricca dei compiti, una migliore generalizzazione e capacità di recupero cross-modale più efficaci.

Pubblicazioni selezionate:

  • ProactiveBench: Benchmarking Proactiveness in Multimodal Large Language Models (ECCV 2026)
    arXiv 🏷️IA generativa 🏷️Human-Computer Interaction
  • Organizing Unstructured Image Collections using Natural Language (CVPR Findings 2026)
    arXiv 🏷️Clustering 🏷️IA generativa
  • Democratizing Fine-grained Visual Recognition with Large Language Models (ICLR 2024)
    arXiv 🏷️Fine-grained Recognition 🏷️IA generativa

Apprendimento con risorse limitate

Il nostro lavoro è incentrato su modelli che siano al contempo efficienti nell'uso dei dati e consapevoli delle risorse computazionali, consentendo ai sistemi intelligenti di operare efficacemente in ambienti con risorse limitate e su dispositivi edge.

Pubblicazioni selezionate:

  • Predict-then-Diffuse: Adaptive Response Length for Compute-Budgeted Inference in Diffusion LLMs (IJCNN 2026)
    arXiv 🏷️IA generativa
  • FedMVP: Federated Multi-modal Visual Prompt Tuning for Vision-Language Models (ICCV 2025)
    arXiv 🏷️Federated Learning
  • Less is more: Summarizing Patch Tokens for efficient Multi-Label Class-Incremental Learning (CoLLAs 2024)
    arXiv 🏷️Continual Learning

IA affidabile

Esaminiamo la robustezza, la privacy e l'incertezza predittiva dei sistemi di visione e linguaggio, garantendo che le previsioni del modello rimangano affidabili in presenza di variazioni della distribuzione dei dati e in casi d'uso critici per la sicurezza..

Pubblicazioni selezionate:

  • Ensembling Pruned Attention Heads For Uncertainty-Aware Efficient Transformers (ICLR 2026)
    arXiv 🏷️Uncertainty Quantification 🏷️Pruning
  • How (Mis) calibrated is Your Federated CLIP and What To Do About It? (pre-print, 2026)
    arXiv 🏷️Calibration 🏷️Federated Learning
  • Group-robust Machine Unlearning (TMLR 2025)
    arXiv 🏷️Fairness 🏷️Privacy Preservation