Piano di Studio Semestrale
Federated Learning in Ambienti Dinamici ed Eterogenei
Periodo: Aprile - Settembre 2025
Dottorando
Dott. Fabio Liberti
Tutor Università Mercatorum
Prof.ssa Barbara Martini | Prof. Andrea Mazzitelli
Tutor Blekinge Institute of Technology
Prof. Sadi Alawadi
Status del Piano
0% Completato
Pianificazione
Completato
FASE 1
In Attesa
FASE 2
In Attesa
FASE 3
In Attesa
1. Introduzione
1.1 Contesto e Motivazioni
Questo piano di studio semestrale è basato sulla proposta di ricerca "Federated Learning for Dynamic and Heterogeneous Environments" sviluppata nell'ambito del Dottorato di Ricerca in "Big Data e Intelligenza Artificiale" presso l'Università Telematica Mercatorum.
Il Federated Learning (FL) rappresenta un paradigma emergente di apprendimento distribuito che consente l'addestramento di modelli di machine learning mantenendo i dati localmente sui dispositivi degli utenti. Questo approccio affronta direttamente le crescenti preoccupazioni sulla privacy dei dati, particolarmente rilevanti in settori sensibili come la sanità.
Tuttavia, l'implementazione efficace del FL in contesti reali deve affrontare due sfide principali: l'eterogeneità e la dinamicità degli ambienti operativi.
1.2 Obiettivi del Piano di Studio
Il piano di studio semestrale si propone di affrontare le seguenti problematiche di ricerca:
Eterogeneità multidimensionale
Sviluppare un framework integrato per gestire le diverse dimensioni di eterogeneità (statistica, di modello, di comunicazione, di dispositivo) che caratterizzano gli ambienti FL reali.
Dinamicità della partecipazione
Progettare meccanismi adattivi per garantire la robustezza e l'equità del modello globale in presenza di partecipanti intermittenti o che evolvono nel tempo.
Ottimizzazione edge/IoT
Implementare soluzioni per ottimizzare le prestazioni del FL in ambienti con risorse limitate, come dispositivi edge e IoT.
Privacy e sicurezza
Sviluppare meccanismi avanzati di privacy preservation e protocolli di sicurezza per ecosistemi FL distribuiti.
Validazione empirica
Condurre una valutazione empirica completa delle soluzioni proposte attraverso simulazioni e implementazioni prototipali.
1.3 Struttura del Piano di Studio
Il piano di studio è organizzato in cinque fasi principali, ciascuna corrispondente a un mese di attività:
Aprile
FASE 1
Studio e analisi della letteratura
Maggio
FASE 2
Sviluppo concettuale e teorico
Giugno-Luglio
FASE 3
Implementazione e sviluppo sperimentale
Agosto
FASE 4
Validazione empirica e analisi comparativa
Settembre
FASE 5
Documentazione e disseminazione
Ciascuna fase include obiettivi specifici, attività chiave e deliverable attesi, creando un percorso strutturato per affrontare le sfide di ricerca identificate.
2. FASE 1: Studio e Analisi della Letteratura (Aprile)
Obiettivi
- Costruire una solida base di conoscenze teoriche sul Federated Learning
- Identificare le principali sfide legate all'eterogeneità e alla dinamicità
- Mappare lo stato dell'arte e individuare gap di ricerca significativi
2.1 Settimana 1-2: Fondamenti del Federated Learning
Attività
Studio approfondito degli articoli fondamentali sul Federated Learning
- Li et al., "Federated Learning: Challenges, Methods, and Future Directions", IEEE Signal Processing Magazine, 2020
- Kairouz et al., "Advances and Open Problems in Federated Learning", arXiv, 2019
- McMahan et al., "Communication-Efficient Learning of Deep Networks from Decentralized Data", AISTATS, 2017
Analisi del framework matematico del FL
- Formulazione del problema di ottimizzazione federata
- Convergenza in contesti distribuiti
- Trade-off tra comunicazione e accuratezza
Comprensione approfondita degli algoritmi base
- FedAvg (Federated Averaging)
- Varianti e miglioramenti recenti
2.2 Settimana 3: Focus sull'Eterogeneità
Attività
Analisi comparativa delle soluzioni esistenti per gestire l'eterogeneità
- Diao et al., "HeteroFL: Computation and Communication Efficient Federated Learning for Heterogeneous Clients", NeurIPS, 2021
- Horvath et al., "FjORD: Federated Learning with Heterogeneous Targets", NeurIPS, 2021
- Ye et al., "Heterogeneous Federated Learning: State-of-the-Art and Research Challenges", arXiv, 2023
Categorizzazione delle dimensioni di eterogeneità
- Statistica: problematiche di distribuzione dati non-IID tra i client
- Di modello: gestione di architetture e dimensioni variabili dei modelli tra i partecipanti
- Di comunicazione: adattamento a condizioni di rete variabili e vincoli di bandwidth
- Di dispositivo: ottimizzazione per client con capacità computazionali e di memoria diverse
2.3 Settimana 4: Focus sulla Dinamicità
Attività
Mappatura dello stato dell'arte sulla gestione della dinamicità nei sistemi FL
- Lee e Han, "Reinforcement Learning for FL in Dynamic Client Participation", IJCAI, 2022
- Zhang et al., "Federated Meta-Learning for Dynamic Participation", ICML, 2022
Studio dei problemi di bias di selezione e rappresentatività
- Zhao et al., "Federated Learning with Non-IID Data", arXiv, 2018
- Xia et al., "Federated Learning in Dynamic and Heterogeneous Networks", IEEE Transactions on Parallel and Distributed Systems, 2023
Analisi dei framework esistenti per la gestione dell'evoluzione temporale delle distribuzioni di dati
Risultati Attesi
Documento di revisione sistematica della letteratura
Con analisi critica dei principali contributi
Mappa concettuale delle dimensioni di eterogeneità e dinamicità
Con interconnessioni
Identificazione dei gap di ricerca
E delle opportunità di contributo originale
Definizione di una tassonomia delle soluzioni esistenti
Per problematiche di eterogeneità e dinamicità
3. FASE 2: Sviluppo Concettuale e Teorico (Maggio)
Obiettivi
- Sviluppare modelli teorici innovativi per l'analisi dell'eterogeneità
- Formalizzare matematicamente le sfide della dinamicità
- Progettare soluzioni preliminari per le problematiche identificate
3.1 Settimana 1-2: Elaborazione Teorica
Attività
Sviluppo di un framework unificato per l'analisi multi-dimensionale dell'eterogeneità
- Definizione formale delle diverse dimensioni di eterogeneità
- Creazione di un modello matematico per quantificare l'impatto combinato
- Sviluppo di metriche per la misurazione dell'eterogeneità complessiva
Formalizzazione matematica delle problematiche di dinamicità
- Modellazione della partecipazione irregolare dei client
- Caratterizzazione dell'evoluzione temporale delle distribuzioni di dati
- Formulazione del problema di convergenza in contesti dinamici
Definizione di metriche di valutazione standardizzate
- Metriche di convergenza adattate per ambienti eterogenei
- Indicatori di robustezza alla dinamicità dei partecipanti
- Metriche di efficienza per diversi vincoli computazionali
3.2 Settimana 3-4: Progettazione delle Soluzioni
Attività
Elaborazione di approcci innovativi per il training congiunto di architetture di modello eterogenee
- Sviluppo di meccanismi di estrazione/condivisione di knowledge tra modelli di diverse capacità
- Progettazione di strategie di model splitting per dispositivi con risorse limitate
- Formulazione di criteri di compatibilità tra architetture diverse
Progettazione di algoritmi di aggregazione robusta in ambienti dinamici
- Sviluppo di schemi di pesatura adattiva basati sulla qualità dei contributi
- Elaborazione di meccanismi di regolarizzazione per limitare la deriva del modello
- Formulazione di strategie di rilevamento e mitigazione del bias di selezione
Definizione di protocolli di comunicazione efficienti per reti eterogenee
- Progettazione di strategie di compressione adattiva dei modelli
- Elaborazione di meccanismi di comunicazione asincrona
- Formulazione di schemi di prioritizzazione per ottimizzare l'utilizzo della banda disponibile
Sviluppo di strategie di adattamento a distribuzioni di dati in evoluzione
- Progettazione di meccanismi di rilevamento del drift concettuale
- Elaborazione di strategie di aggiornamento continuo del modello
- Formulazione di approcci per il bilanciamento tra stabilità e plasticità
Risultati Attesi
Framework teorico unificato
Per l'analisi dell'eterogeneità e dinamicità nei sistemi FL
Modelli matematici formalizzati
Per le soluzioni proposte con garanzie teoriche
Set di metriche standardizzate
Per la valutazione empirica
Piano dettagliato per la validazione sperimentale
Delle soluzioni proposte
Documentazione tecnica preliminare
Delle innovazioni concettuali
4. FASE 3: Implementazione e Sviluppo Sperimentale (Giugno-Luglio)
Obiettivi
- Implementare prototipi dimostrativi delle soluzioni teorizzate
- Sviluppare un framework di simulazione per ambienti FL eterogenei
- Condurre esperimenti preliminari di validazione
4.1 Giugno: Sviluppo del Framework Sperimentale
4.1.1 Settimana 1-2: Sviluppo del Framework di Simulazione
Implementazione di un ambiente di simulazione configurabile per FL
- Sviluppo dell'architettura core client-server
- Implementazione di interfacce per la configurazione parametrica dei test
- Integrazione di meccanismi di logging e visualizzazione dei risultati
Creazione di dataset sintetici con eterogeneità controllata
- Generazione di distribuzioni non-IID con livelli variabili di skewness
- Implementazione di meccanismi per il partizionamento dei dati tra client
- Sviluppo di funzionalità per simulare shift distribuzionali nel tempo
Implementazione di scenari di partecipazione dinamica
- Sviluppo di modelli probabilistici per la simulazione della disponibilità dei client
- Implementazione di pattern realistici di partecipazione intermittente
- Creazione di scenari con evoluzione temporale della popolazione di client
4.1.2 Settimana 3-4: Implementazione degli Algoritmi Base
Sviluppo di prototipi per il training di modelli eterogenei
- Implementazione di meccanismi per la compatibilità tra architetture diverse
- Sviluppo di tecniche di knowledge distillation tra modelli di differenti capacità
- Integrazione di strategie di model splitting e model pruning adattivo
Implementazione di algoritmi di aggregazione adattivi
- Sviluppo delle varianti proposte di FedAvg per ambienti eterogenei
- Implementazione di meccanismi di pesatura basati su metriche di qualità
- Integrazione di algoritmi per la mitigazione del bias di selezione
Creazione di meccanismi per la gestione della dinamicità
- Implementazione di strategie per il rilevamento del drift concettuale
- Sviluppo di meccanismi di adattamento continuo del modello
- Integrazione di approcci per mantenere la robustezza con partecipazione irregolare
4.2 Luglio: Ottimizzazione e Testing Preliminare
4.2.1 Settimana 1-2: Ottimizzazione e Testing
Raffinamento degli algoritmi implementati
- Ottimizzazione del codice per migliorare l'efficienza computazionale
- Implementazione di test unitari e di integrazione
- Risoluzione dei bug e miglioramento della stabilità
Ottimizzazione delle performance computazionali
- Implementazione di tecniche di parallelizzazione per accelerare le simulazioni
- Ottimizzazione dell'utilizzo della memoria e delle risorse GPU
- Sviluppo di strategie per la gestione efficiente di simulazioni su larga scala
Testing preliminare su dataset sintetici
- Esecuzione di test di validazione con configurazioni di base
- Analisi preliminare delle performance e individuazione dei colli di bottiglia
- Raffinamento delle metriche di valutazione in base ai risultati iniziali
4.2.2 Settimana 3-4: Validazione Preliminare
Esperimenti comparativi con approcci esistenti
- Implementazione di algoritmi benchmark dalla letteratura (FedAvg, FedProx, SCAFFOLD)
- Confronto delle performance su dataset standard (MNIST, CIFAR-10) con distribuzione non-IID
- Analisi preliminare dei vantaggi degli approcci proposti
Analisi delle performance in scenari eterogenei
- Test con differenti livelli di eterogeneità statistica e di modello
- Valutazione dell'impatto delle strategie proposte sulla convergenza
- Analisi dell'overhead computazionale e comunicativo introdotto
Valutazione della robustezza in condizioni di partecipazione dinamica
- Test con differenti pattern di disponibilità dei client
- Valutazione della resilienza del modello globale a fluttuazioni nella partecipazione
- Analisi dell'equità del modello rispetto ai diversi gruppi di client
Risultati Attesi
Framework di simulazione completo per ambienti FL eterogenei e dinamici
- Simulatore client-server configurabile
- Generatori di dataset con eterogeneità controllata
- Scenari di partecipazione dinamica realistici
Implementazioni prototipali delle soluzioni proposte
- Algoritmi per gestione modelli eterogenei
- Meccanismi di aggregazione adattiva
- Strategie per la gestione della dinamicità
Risultati preliminari di validazione
- Analisi comparativa iniziale con approcci esistenti
- Identificazione dei punti di forza e delle aree di miglioramento
- Piano di ottimizzazione basato sui risultati preliminari
5. FASE 4: Validazione Empirica e Analisi Comparativa (Agosto)
Obiettivi
- Condurre esperimenti approfonditi di validazione
- Analizzare comparativamente le performance con approcci esistenti
- Identificare punti di forza e debolezza delle soluzioni proposte
5.1 Settimana 1-2: Esperimenti Estesi
Attività
Esecuzione di esperimenti completi su scenari con variazione del grado di eterogeneità statistica
- Test con distribuzione IID come baseline
- Esperimenti con livelli graduali di non-IIDness (Dirichlet con α variabile)
- Valutazione con partizioni feature-based e label-based non-IID
- Analisi con distribuzioni multimodali e shift covariate
Test con diversi livelli di eterogeneità di modello
- Esperimenti con modelli omogenei come baseline
- Test con variazione controllata delle architetture tra i client
- Valutazione con differenti capacità computazionali dei modelli
- Analisi con modelli specializzati per diversi sottodomini
Validazione in scenari di partecipazione dinamica con diverse caratteristiche
- Test con disponibilità client costante come baseline
- Esperimenti con pattern di partecipazione intermittente randomizzati
- Valutazione con ingresso/uscita di client durante il training
- Analisi con pattern di disponibilità correlati tra client
Esperimenti con variazione delle condizioni di rete e comunicazione
- Test con condizioni di rete ideali come baseline
- Esperimenti con latenza e larghezza di banda variabili
- Valutazione con drop-out di comunicazione casuali
- Analisi dell'impatto delle strategie di compressione proposte
5.2 Settimana 3-4: Analisi Comparativa e Ottimizzazione
Attività
Confronto dettagliato con gli approcci esistenti
- Benchmark con algoritmi standard: FedAvg, FedProx, SCAFFOLD, FedNova
- Comparazione con approcci specifici per eterogeneità: HeteroFL, FjORD
- Confronto con soluzioni per ambienti dinamici dalla letteratura recente
- Analisi statistica della significatività dei miglioramenti
Valutazione delle metriche di performance
- Convergenza del modello globale (accuratezza, loss, numero di round)
- Efficienza computazionale (tempo di training, utilizzo delle risorse)
- Overhead di comunicazione (volume dati trasmessi, round richiesti)
- Robustezza alla dinamicità (stabilità con partecipazione variabile)
- Equità (performance su diversi gruppi di client)
Ottimizzazione delle soluzioni in base ai risultati empirici
- Raffinamento degli iperparametri in base ai risultati sperimentali
- Implementazione di miglioramenti per affrontare le limitazioni identificate
- Sviluppo di varianti ottimizzate per casi d'uso specifici
- Test di ablazione per identificare i componenti più efficaci
Validazione su dataset reali o realistici
- Test su dataset medicali con distribuzione naturalmente eterogenea
- Esperimenti su task di visione e classificazione standard
- Valutazione su applicazioni IoT realistiche
- Analisi di casi d'uso specifici in ambito healthcare
Risultati Attesi
Risultati sperimentali completi e documentati
- Set esteso di esperimenti su tutte le dimensioni di eterogeneità e dinamicità
- Visualizzazioni dettagliate di performance e comportamento
- Repository di configurazioni sperimentali riproducibili
Analisi comparativa dettagliata
- Benchmark completo contro approcci esistenti
- Quantificazione dei miglioramenti e limitazioni
- Analisi della sensibilità ai parametri di configurazione
Versioni ottimizzate delle soluzioni proposte
- Implementazioni raffinate con iperparametri ottimizzati
- Miglioramenti mirati in base ai risultati sperimentali
- Varianti specializzate per casi d'uso specifici
6. FASE 5: Documentazione e Disseminazione (Settembre)
Obiettivi
- Sintetizzare e documentare i risultati della ricerca
- Preparare materiali per pubblicazioni scientifiche
- Sviluppare presentazioni e materiali divulgativi
6.1 Settimana 1-2: Documentazione Tecnica
Attività
Redazione di rapporti tecnici dettagliati
- Documentazione completa del framework teorico sviluppato
- Descrizione formale degli algoritmi e delle soluzioni proposte
- Analisi approfondita dei risultati sperimentali
- Discussione delle implicazioni teoriche e pratiche
Documentazione del framework implementato
- Manuale d'uso del simulatore sviluppato
- Descrizione dettagliata dell'architettura software
- Guida all'implementazione degli algoritmi proposti
- Documentazione delle API e dei componenti principali
Sviluppo di linee guida per l'implementazione pratica
- Best practices per l'applicazione delle soluzioni proposte
- Raccomandazioni per la configurazione in diversi scenari
- Considerazioni pratiche per l'implementazione in ambienti reali
- Analisi dei trade-off e linee guida per le scelte implementative
6.2 Settimana 3-4: Preparazione di Pubblicazioni e Presentazioni
Attività
Stesura di bozze di articoli scientifici
- Paper principale sul framework unificato per ambienti eterogenei e dinamici
- Articolo tecnico sulle soluzioni algoritmiche proposte
- Position paper sulle sfide e opportunità del FL in ambiti applicativi specifici
- Identificazione delle conferenze e riviste target per la sottomissione
Preparazione di materiali per presentazioni
- Slides per la presentazione dei risultati teorici
- Demo interattive delle soluzioni implementate
- Poster scientifici per conferenze
- Materiali divulgativi per audience non tecniche
Sviluppo di una roadmap per futuri sviluppi di ricerca
- Identificazione delle direzioni più promettenti per ulteriori investigazioni
- Pianificazione delle attività di ricerca successive
- Delineazione delle potenziali collaborazioni future
- Proposte per l'estensione del framework a nuovi domini applicativi
Integrazione dei risultati nel contesto della tesi di dottorato
- Aggiornamento della struttura della tesi con i nuovi contributi
- Organizzazione dei materiali prodotti all'interno del framework della tesi
- Pianificazione delle attività successive al periodo di mobilità
- Preparazione del report finale per l'istituzione ospitante
Risultati Attesi
Rapporti tecnici completi e dettagliati
- Documentazione del framework teorico
- Specifiche tecniche delle implementazioni
- Linee guida per l'applicazione pratica
Bozze di articoli scientifici pronti per la sottomissione
- Paper principale sul framework unificato
- Articoli tecnici su componenti specifici
- Position paper su sfide e opportunità
Materiali per presentazioni e divulgazione
- Presentazioni per pubblico accademico
- Demo e visualizzazioni interattive
- Materiali per audience non tecniche
Roadmap per futuri sviluppi di ricerca
- Piano di attività post-mobilità
- Direzioni di ricerca promettenti
- Potenziali collaborazioni future
7. Cronoprogramma Riassuntivo e Deliverable
7.1 Cronoprogramma Delle Attività
7.1.1 Rappresentazione Grafica del Piano di Lavoro
7.1.2 Riepilogo del Piano di Lavoro
| Mese | Fase Principale | Attività Chiave | Deliverable |
|---|---|---|---|
| Aprile | Studio e Analisi della Letteratura | Revisione sistematica, mappatura concettuale delle dimensioni di eterogeneità e dinamicità | D1: Documento di revisione sistematica della letteratura con tassonomia delle dimensioni di eterogeneità e dinamicità |
| Maggio | Sviluppo Concettuale e Teorico | Framework unificato, modelli matematici, progettazione soluzioni | D2: D1 + Framework teorico formalizzato con modelli matematici e architettura concettuale delle soluzioni proposte |
| Giugno | Implementazione | Framework di simulazione, prototipi algoritmi, dataset sintetici | D3: D2 + Prototipo funzionante del framework di simulazione con implementazione base degli algoritmi proposti |
| Luglio | Sviluppo Sperimentale | Ottimizzazione, testing preliminare, validazione iniziale | D4: D3 + Versione ottimizzata degli algoritmi con risultati preliminari di validazione su dataset sintetici |
| Agosto | Validazione Empirica | Esperimenti estesi, analisi comparativa, ottimizzazione basata sui risultati | D5: D4 + Risultati completi della validazione empirica con analisi comparativa e documentazione degli esperimenti |
| Settembre | Documentazione e Disseminazione | Rapporti tecnici, bozze pubblicazioni, roadmap futura | D6: D5 + Rapporto tecnico completo e bozza di articolo scientifico pronto per la sottomissione |
7.2 Deliverable Finali
7.2.1 Contributi Analitici
- Revisione sistematica della letteratura su FL in ambienti eterogenei e dinamici
- Framework teorico unificato per l'analisi multidimensionale dell'eterogeneità
- Formalizzazione matematica delle sfide di dinamicità nei sistemi FL
- Tassonomia completa delle soluzioni esistenti con analisi delle limitazioni
7.2.2 Contributi Metodologici
- Metodologie standardizzate di valutazione per sistemi FL in ambienti eterogenei
- Protocolli sperimentali riproducibili per il benchmarking di soluzioni FL
- Metriche innovative per la quantificazione dell'eterogeneità e dinamicità
- Framework unificato per la caratterizzazione delle prestazioni in contesti realistici
7.2.3 Contributi di Ricerca
- Rapporti tecnici dettagliati sulle soluzioni proposte e risultati sperimentali
- Bozze di pubblicazioni scientifiche pronte per la sottomissione
- Presentazioni e materiali divulgativi per audience tecniche e non tecniche
- Roadmap per sviluppi futuri di ricerca con direzioni promettenti
7.2.4 Contributi Sperimentali
- Framework di simulazione open-source per ambienti FL eterogenei e dinamici
- Implementazioni prototipali degli algoritmi innovativi proposti
- Dataset sintetici parametrizzabili per la valutazione di sistemi FL
- Risultati empirici documentati con analisi comparative dettagliate
7.3 Prerequisiti e Risorse Necessarie
7.3.1 Conoscenze Richieste
- Solide basi di analisi statistica e teoria dell'apprendimento automatico
- Competenze in deep learning e algoritmi di ottimizzazione distribuita
- Padronanza di framework come PyTorch e TensorFlow Federated
- Conoscenza di sistemi distribuiti e protocolli di comunicazione
- Capacità di analisi e interpretazione di risultati sperimentali complessi
7.3.2 Risorse Computazionali
- Ambiente di sviluppo con accelerazione GPU per training di modelli
- Infrastruttura per simulazioni distribuite multi-client
- Storage adeguato per dataset e risultati sperimentali
- Accesso a cluster di calcolo per esperimenti su larga scala
7.3.3 Risorse Software
- Framework di deep learning (PyTorch, TensorFlow)
- Librerie specializzate per FL (TensorFlow Federated, PySyft, Flower)
- Strumenti di analisi e visualizzazione dati (Matplotlib, Pandas, Scikit-learn)
- Ambiente di gestione esperimenti (MLflow, Weights & Biases)
- Sistemi di versionamento e collaborazione (Git, GitHub)
7.4 Monitoraggio dell'Avanzamento
7.4.1 Analisi del Progresso
Il grafico sopra illustra l'andamento delle attività durante il periodo di studio, confrontando il completamento pianificato inizialmente con l'avanzamento atteso e quello effettivamente realizzato fino al momento attuale (luglio 2025).
Come si può osservare, il progresso reale è leggermente superiore rispetto a quanto inizialmente previsto, suggerendo un'efficace implementazione del piano di lavoro. La proiezione per i mesi successivi, basata sul trend attuale, indica la possibilità di completare tutte le attività previste entro il termine del periodo di mobilità.
Lo stato attuale mostra un avanzamento del 48% del progetto, con il completamento delle fasi di Studio e Analisi, Sviluppo Teorico e la maggior parte dell'Implementazione. Le attività di Validazione Empirica e Documentazione sono pianificate per i mesi successivi, con un andamento che suggerisce la possibilità di raggiungere o superare gli obiettivi prefissati.
Appendici
| Appendice | Contenuto |
|---|---|
| A. Proposta Presentata in Fase di Colloquio | Documento originale della proposta di ricerca presentata durante il colloquio iniziale |
| B. Abbreviazioni e Terminologia | Glossario completo delle abbreviazioni e dei termini tecnici utilizzati nella tesi |
| C. Dettagli dei Dataset | Descrizione dettagliata dei dataset sintetici e standard utilizzati per la validazione empirica |
| D. Algoritmi di Riferimento | Panoramica degli algoritmi di riferimento dalla letteratura utilizzati nell'analisi comparativa |
Le appendici forniscono materiale supplementare per approfondire gli aspetti tecnici, metodologici e sperimentali della ricerca. Ogni appendice è stata strutturata per essere consultabile indipendentemente, offrendo dettagli che completano e arricchiscono i contenuti presentati nei capitoli principali.