Skip to content

Thesis projects

Italiano

Come funziona la tesi

Accogliamo volentieri studenti interessati a reti complesse, algoritmi su grafi e machine learning su grafi. La tesi la costruiamo insieme a te, a partire dalla tua preparazione, dalle domande su cui stiamo lavorando, dai dati e dal software disponibili e dalla supervisione che possiamo offrirti.

  1. Scrivici

    Scrivi a Giuseppe Mangioni oppure a Marco Grassia, indicando il tuo corso di laurea, gli argomenti che ti interessano e una breve descrizione delle competenze tecniche o degli insegnamenti pertinenti.

  2. Un primo confronto

    Ci incontriamo per parlarne e scegliere insieme una domanda realistica e il modo in cui ti seguiremo.

  3. Il progetto

    Prima di partire concordiamo insieme dataset, metodo, contributo atteso e supervisione.

Aree di tesi

Le aree indicate sono punti di partenza, non un elenco di titoli già assegnati.
  1. Tesi triennali Progetti mirati di analisi delle reti, calcolo riproducibile e confronto empirico tra metodi su grafi.

    Le tesi triennali partono da una domanda mirata e da un contributo tecnico gestibile. Possibili punti di partenza:

    • Struttura e comunità: caratterizzare una rete reale con misure di centralità, connettività, comunità o multilayer.
    • Esperimenti di robustezza: confrontare strategie note di guasto, attacco o dismantling su una raccolta documentata di reti.
    • Algoritmi su grafi: implementare e valutare un metodo definito per community detection, link prediction o un problema combinatorio.
    • Analisi riproducibile: riprodurre un risultato pubblicato e organizzare dati, codice, test e visualizzazioni necessari per verificarlo.
  2. Tesi magistrali Progetti di ricerca su struttura e robustezza delle reti, graph machine learning e ottimizzazione combinatoria.

    Le tesi magistrali possono affrontare una domanda di ricerca attraverso lavoro metodologico, esperimenti computazionali sostanziali o un’estensione ragionata di un approccio esistente. Possibili punti di partenza:

    • Robustezza e intervento: progettare o valutare metodi di dismantling su nodi o archi, indicatori precoci o strategie per migliorare la robustezza.
    • Apprendimento su grafi strutturati: estendere o confrontare modelli per reti pesate, segnate, multilayer, temporali o comunque eterogenee.
    • Ottimizzazione assistita dall’apprendimento: usare metodi interpretabili, geometric deep learning o reinforcement learning per potare o guidare un algoritmo su grafi.
    • Organizzazione mesoscopica e multilayer: studiare comunità, flussi o propagazione di shock senza ridurre relazioni diverse a un’unica rete.
    • Valutazione e interpretabilità: analizzare cosa apprende un modello su grafi, come confrontare generatori di grafi o quali sottostrutture sostengono una previsione.

English

How the thesis works

We welcome students interested in complex networks, graph algorithms and machine learning on graphs. We shape the thesis together with you, around your background, the questions we are working on, the data and software available and the supervision we can offer.

  1. Write to us

    Email Giuseppe Mangioni or Marco Grassia with your degree programme, the topics that interest you and a short description of relevant technical background or coursework.

  2. A first conversation

    We meet to talk it over and pick together a realistic question and the way we will supervise you.

  3. The project

    Before you start, we agree together on the dataset, the method, the expected contribution and the supervision.

Thesis areas

The areas below are starting points, not a catalogue of pre-assigned titles.
  1. Bachelor's theses Focused projects in network analysis, reproducible computation and the empirical comparison of graph methods.

    Bachelor’s projects are designed around a focused question and a manageable technical contribution. Possible starting points include:

    • Structure and communities: characterise a real network with centrality, connectivity, community or multilayer measures.
    • Robustness experiments: compare established failure, attack or dismantling strategies on a documented collection of networks.
    • Graph algorithms: implement and benchmark a well-defined method for community detection, link prediction or a combinatorial graph problem.
    • Reproducible network analysis: reproduce a published result and package the data, code, tests and visualisations needed to inspect it.
  2. Master's theses Research-oriented projects in network structure, robustness, graph machine learning and combinatorial optimisation.

    Master’s projects can address a research question through methodological work, substantial computational experiments or a careful extension of an existing approach. Possible starting points include:

    • Robustness and intervention: design or evaluate node- and edge-based dismantling methods, early-warning indicators or robustness-improvement strategies.
    • Learning on structured graphs: extend or compare models for weighted, signed, multilayer, temporal or otherwise heterogeneous networks.
    • Learning-assisted optimisation: use interpretable learning, geometric deep learning or reinforcement learning to prune or guide a graph algorithm.
    • Mesoscale and multilayer organisation: study communities, flows or shock propagation without collapsing distinct relations into a single network.
    • Evaluation and explainability: investigate what a graph model learns, how graph generators should be compared or which substructures support a prediction.