Willkommen
Ich bin Samuele Bortolotti, Doktorand der Informatik an der Universität Trient, und arbeite mit der Structured Machine Learning Group unter der Betreuung von Stefano Teso und Andrea Passerini.
Ich arbeite an maschinellem Lernen, vertrauenswürdiger KI und neuro-symbolischer Integration. Ich untersuche, wie Modelle des maschinellen Lernens aus Daten lernen und wo und warum sie scheitern — zum Beispiel reasoning shortcuts, bei denen ein Modell aus den falschen Gründen zur richtigen Antwort gelangt. Ich möchte eine KI, die Menschen unterstützt und vertrauenswürdig ist, gestützt auf explizite, überprüfbare und in Logik geschriebene Regeln.
Im Frühjahr 2026 habe ich drei Monate am APRIL Lab verbracht und mit Antonio Vergari an Constraint Acquisition mit Large Language Models gearbeitet.
Meinen Bachelor- und Master-Abschluss in Informatik habe ich, beide mit Auszeichnung (cum laude), 2021 bzw. 2023 an der Universität Trient erworben.
Ich bin jederzeit offen für eine Zusammenarbeit oder einen Austausch – ob Sie sich für meine Forschung interessieren, neugierig sind, was ich mache, oder einfach Hallo sagen möchten. Schreiben Sie mir gerne auf Englisch, Italienisch oder Deutsch. Mein Deutsch ist noch in Arbeit, haben Sie also bitte Nachsicht, wenn in der Übersetzung etwas verloren geht :)
Neuigkeiten
- Unser Paper “Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models” wurde beim HLDM-Workshop auf der ECML-PKDD 2026 angenommen!
- Neuer Preprint auf arXiv: “Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models”!
- Ich habe einen eingeladenen Vortrag gehalten, “How to Learn and Not Learn Concepts, Symbols, and Representations”, an der University of Edinburgh, gemeinsam mit Emanuele Marconato.
- Ich habe “Reasoning Shortcuts in Neuro-Symbolic AI” bei einem Workshop an der University of Edinburgh vorgestellt.
- Ich habe einen dreimonatigen Forschungsaufenthalt am APRIL Lab der University of Edinburgh begonnen und arbeite dort mit Antonio Vergari an constraint acquisition mit Large Language Models.