68994 research outputs found
Sort by
Exploiting Infrared Vision Potential: from High-Temperature Manufacturing to Forensic Trace Detection
No full textQuesto progetto di dottorato riguarda lo sviluppo di sistemi di misura non a contatto basati sulla visione a infrarossi, con applicazioni in ambito Industria 4.0 e forense. L’obiettivo principale è fornire metodologie innovative per il controllo intelligente dei processi e l'identificazione di prove fisiche.
In ambito industriale, la ricerca si è svolta nel progetto openZDM con il partner VDL Weweler. Sono stati progettati e integrati in linea due sistemi di ispezione non distruttiva basati su termografia passiva con sensori CMOS Near-Infrared. I sistemi operano sul 100% della produzione. Un contributo significativo riguarda la calibrazione metrologica e l’implementazione di procedure di auto-diagnosi per garantire affidabilità e continuità operativa.
Dal punto di vista metodologico, sono stati sviluppati approcci originali per la ricostruzione di distribuzioni termiche 2D da sequenze acquisite durante transitori termici rapidi (es. raffreddamento post-forno a induzione). Due metodologie, basate sull'allineamento temporale e spaziale, permettono di ottenere immagini termiche prive di artefatti. Algoritmi specifici sono stati validati per rilevare anomalie superficiali, come difetti di uniformità e residui di scaglia di ossido, contribuendo concretamente al paradigma Zero-Defect Manufacturing.
In ambito forense, la tesi esplora l'uso dell'infrarosso per l'analisi dei residui di sparo (GSR). È presentata una metodologia basata sulla termografia attiva con eccitazione flash, capace di evidenziare variazioni di emissività tra tessuto e polvere combusta, permettendo la stima della distanza di sparo. Infine, l'analisi multispettrale SWIR è stata impiegata per superare i limiti della visione nel visibile su tessuti scuri, ottimizzando il contrasto per la quantificazione delle particelle incombuste.This PhD project focuses on developing advanced non-contact measurement systems based on infrared vision, applied to Industry 4.0 and forensic science. The primary goal is to provide innovative methodologies for intelligent process control and the reliable identification of physical evidence.
In the industrial sector, research was conducted within the openZDM project in collaboration with VDL Weweler. Two non-destructive inspection systems based on passive thermography with Near-Infrared CMOS sensors were designed, developed, and integrated in-line. These systems monitor 100% of production. A key contribution involves metrological calibration and the implementation of self-diagnostic procedures to ensure data reliability and operational continuity.
From a methodological standpoint, original approaches were developed to reconstruct 2D thermal distributions from image sequences acquired during rapid thermal transients (e.g., cooling after induction heating). Two methodologies, based on temporal and spatial alignment, allow for complete thermal imaging without artifacts. Specific algorithms were validated to detect surface anomalies, such as thermal non-uniformity and residual oxide scales, supporting the Zero-Defect Manufacturing paradigm.
In the forensic field, the thesis explores infrared vision for detecting and analyzing gunshot residue (GSR). A novel methodology based on active thermography with flash excitation is presented. This technique highlights emissivity changes between the fabric and combusted powder, enabling the estimation of shooting distances. Finally, SWIR multispectral analysis was employed to overcome the limitations of visible-light inspection on dark fabrics, optimizing contrast for the quantification of unburned particles
From Digital Reconstruction to Immersive Education: Virtual Reality Cultural Heritage Experience
Get PDFThe digital transformation of Cultural Heritage is increasingly shifting from documentation-oriented practices toward immersive, learner-centered educational experiences. In this context, Virtual Reality (VR) represents a powerful medium for enhancing accessibility, engagement, and knowledge acquisition. This paper presents the development of an immersive VR educational experience focused on Roman architecture, using the old theatre of Palmyra (Syria) as a case study. The project aims to transform high-quality digital reconstructions of endangered and partially destroyed heritage into an interactive learning environment, preserving collective memory while fostering cultural awareness. The methodological framework builds upon existing photogrammetric reconstructions of Palmyra, generated through spherical photogrammetry, which are optimized for real-time visualization and integrated into a VR ecosystem developed in Unity. A five-level architecture, based on comprising infrastructure, platform, content, interaction, and application, guides the design process, ensuring both technical performance and pedagogical effectiveness. The virtual environment incorporates semantic enrichment, interactive navigation, contextual information panels, and guided thematic paths to promote experiential and active learning. The study highlights how immersive VR applications can bridge digital reconstruction and education, shifting users from passive observers to active participants. The proposed approach demonstrates the potential of VR-based cultural experiences as inclusive and sustainable tools for heritage education, as an added value that complements traditional, non-immersive teaching methods. Future work will focus on evaluating learning outcomes and user experience through an experimental framework involving students, comparing virtual and real-world educational activities
What are the reasons behind consumers' choice for mountain labeled cheese? A latent class choice model
Get PDFThe production of mountain food, and in particular cheese, contributes to sustaining local economies and maintaining historical and cultural traditions. To support this production, the European Union has introduced the optional quality term “mountain product label.” Nonetheless, this label encounters difficulties in establishing a presence in the market and faces competition from other labels, such as Protected Designation of Origin, which could also protect mountain products. The objective of this paper is to investigate the characteristics of consumers interested in the mountain product label to fully leverage its potential. A questionnaire, which included a discrete choice experiment, was conducted with 511 Italian cheese consumers. The data were analyzed through a latent class analysis. According to the analysis, three classes of consumers emerged. The first group consists of individuals who frequently visit the mountain areas, know the mountain product label, are attentive to local production, and care about the environment. The second group consists of consumers interested in the presence of quality labels in general, less attentive to the environment, and less aware of the mountain product label. Lastly, the third group of individuals do not know the label and are not interested. Consequently, there are two classes of respondents potentially interested in the mountain product label. Furthermore, as people's knowledge about the product increases, their willingness to choose it also rises. In developing marketing campaigns, therefore, producers and retailers can use the results of this study to capitalize on the niche of these consumer
CPTED dalla teoria alla pratica internazionale: Evoluzione dei principi di prevenzione del crimine attraverso la progettazione ambientale e definizione di uno standard globale
No full textIl lavoro di ricerca approfondisce il tema del Crime Prevention Through Environmental Design (CPTED) con particolare attenzione all’applicazione dei suoi principi nel contesto industriale. Partendo dalle origini con i primi studi di Jane Jacobs, C. Ray Jeffery e Oscar Newman sino ai più recenti sviluppi teorici, si ripercorrono le tappe fondamentali che hanno portato alla sistematizzazione internazionale del CPTED nella norma ISO 22341:2021, a cui viene dedicato un esame approfondito.
Nel lavoro di ricerca viene dedicato spazio all’analisi dei principali enti e associazioni internazionali che promuovono l’applicazione e lo sviluppo delle strategie CPTED, ponendo in rilievo il loro ruolo nella diffusione delle best practice a livello globale.
Per ottenere una prospettiva più concreta sull’effettiva applicazione del CPTED sono stati intervistati professionisti della security operanti in differenti contesti professionali e culturali. Le interviste non hanno la presunzione di rappresentare un quadro completo dello stato dell’arte, ma vogliono delineare un primo panorama, costituendo un punto di partenza per studi futuri che coinvolgano un numero più ampio di esperti. L’obiettivo del lavoro è offrire una lettura critica e aggiornata dell'applicazione del CPTED nel contesto industriale, senza tuttavia proporre nuove linee guida operative, ma stimolando una riflessione consapevole sull'integrazione tra sicurezza, progettazione ambientale e gestione del rischio
Flood risk management in historic centres: A scalable typological framework integrating GIS, BIM and VR
Get PDFThe increasing frequency and severity of climate-related disasters underscore the need for reliable and adaptable risk management solutions, especially in complex environments such as historic city centres, where structural and functional characteristics pose unique challenges. To address this issue, the paper proposes a workflow that integrates GIS, BIM, and VR technologies to enable seamless informative integration and effective assessment of key factors related to hazard, building vulnerability, and user exposure in flood prone historic towns. The approach adopts a multi-scalar logic – connecting the macro-scale analysis of the urban built environment with meso-scale modelling of selected blocks and open spaces – alongside a typological framework that abstracts real-case features into representative, idealized clusters. The objective is to build a digital ecosystem capable of identifying priority areas and scenarios based on construction characteristics and occupancy patterns and serving as a foundation for more specialized studies in hazard modelling, evacuation simulation, and virtual training and communication. The proposed workflow is tested on a historic centre in Central Italy exposed to fluvial flood risk, demonstrating its potential to integrate and operationalize data and processes that have typically been addressed separately in the current practice. Ultimately, the aim is to support a guided and accessible technology transfer to technical and administrative stakeholders involved in risk decision-making
The Demography of Dynastic: An Agent-Based Framwork for Wealth Transmission Across Generations
No full textQuesta tesi indaga i meccanismi alla base della persistenza intergenerazionale della disuguaglianza economica attraverso più generazioni. Gli studi esistenti hanno identificato i principali canali di trasmissione, ma questi approcci si basano spesso su agenti rappresentativi e dinamiche lineari, che presentano limiti nel cogliere la natura complessa, eterogenea e interattiva della trasmissione intergenerazionale della ricchezza.
Per colmare questa lacuna, la tesi si basa su studi precedenti per sviluppare e calibrare un innovativo modello ad Agenti con Generazioni Sovrapposte (Agent-Based Overlapping Generations - AB-OLG), che integra l'Economia Computazionale ad Agenti (Agent-Based Computational Economics - ACE) e la Demografia (ABCD). Questa struttura incorpora una prospettiva dinastica che combina trasferimenti diretti di ricchezza e investimenti indiretti in capitale umano all'interno di un quadro demografico realistico. Il modello funge da laboratorio computazionale per esaminare l'emergenza dal basso verso l'alto (bottom-up) dei modelli di disuguaglianza a livello sistemico, a partire dalle interazioni a micro-livello di agenti eterogenei, che prendono decisioni riguardanti fertilità, istruzione, risparmio ed eredità attraverso molteplici generazioni.
Il modello viene quindi utilizzato per esaminare l'impatto a lungo termine delle politiche di tassazione delle eredità e di redistribuzione sulla disuguaglianza della ricchezza. I risultati suggeriscono che, sebbene le eredità possano comprimere temporaneamente la disuguaglianza, la esacerbano nel lungo periodo a causa dei differenziali comportamenti di risparmio e investimento tra i diversi strati di ricchezza. La tesi conclude che il modello AB-OLG offre un potente strumento complementare per esaminare i meccanismi della persistenza dinastica e per progettare politiche efficaci volte a interrompere i cicli di svantaggio osservati nelle società capitalistiche moderne.This dissertation investigates the mechanism driving the intergenerational persistence in economic
inequality across multiple generations. Existing studies have identified key transmission channels,
and these approaches often rely on representative agents and linear dynamics, which have limitations
in capturing the complex, heterogeneous, and interactive nature of intergenerational wealth
transmission.
To address this gap, this dissertation build from earlier studies to develop and calibrate a novel
Agent-Based Overlapping Generations (AB-OLG) model, which integrates Agent-Based Computational
Economics (ACE) and Demography (ABCD). This framework incorporates a dynastic
perspective that integrates both direct wealth transfers and indirect human capital investments
within a realistic demographic framework, which serves as a computational laboratory to examine
the bottom-up emergence of system-level inequality patterns from the micro-level interactions of
heterogeneous agents, who make decisions regarding fertility, education, savings, and inheritance
across multiple generations.
The model is then used to examine the long-termimpact of inheritance taxation and redistribution
policies on wealth inequality. Findings suggest that while inheritances may temporarily compress
inequality, they exacerbate it in the long run due to differential savings and investment behaviours
across wealth strata. The thesis concludes that the AB-OLG framework offers a powerful complementary
tool in examining the mechanisms of dynastic persistence and for designing effective
policies to disrupt cycles of disadvantage observed in modern capitalist societies
AI-Powered Precision Oncology: Discovering Predictive and Prognostic Biomarkers from Clinical, Radiology, and Pathology Data
No full textIl cancro rimane una delle principali cause di mortalità a livello mondiale e la sua intrinseca eterogeneità molecolare, cellulare e clinica rappresenta una sfida significativa per la selezione delle terapie ottimali. L’oncologia di precisione nasce con l’obiettivo di affrontare questa complessità, personalizzando le strategie terapeutiche in base alle caratteristiche specifiche di ciascun paziente. La crescente disponibilità di dataset clinici, radiologici e patologici ad alta dimensionalità offre opportunità senza precedenti per la scoperta di biomarcatori. In questo contesto, l’Intelligenza Artificiale (IA), che comprende sia il Machine Learning sia il Deep Learning (DL), mette a disposizione strumenti potenti per integrare e analizzare dati multi-scala, individuare pattern latenti, stratificare i pazienti in sottogruppi clinicamente significativi e modellare le complesse interazioni tumore–ospite, difficilmente catturabili con i metodi statistici convenzionali.
Questa tesi presenta contributi su due livelli, sistemico e microambiente tumorale, allo sviluppo di metodologie innovative, interpretabili e robuste basate sull’IA per l’identificazione di biomarcatori predittivi e prognostici in oncologia, con particolare attenzione ai pazienti trattati con Immunoterapia a base di Immune Checkpoint Inhibitors (ICI). Sfruttando dati clinici strutturati, immagini di Risonanza Magnetica (MRI) e Whole-Slide Images (WSI) patologiche, sono stati progettati nuovi framework multi-scala per l’estrazione di biomarcatori potenzialmente utilizzabili in clinica.
A livello sistemico, è stato sviluppato un nomogramma clinicamente interpretabile che combina un nuovo score di Composizione Corporea (Body Composition, BC) con variabili Clinico-Patologiche (ClinicoPathologic, CP) per predire la sopravvivenza a 1 anno. Lo score BC integra il contenuto di tessuto adiposo intramuscolare, l’indice dell’area di grasso viscerale e il rapporto tra grasso viscerale e sottocutaneo (VF/SF), al fine di catturare lo stato metabolico e la fragilità del paziente. Le variabili CP includono lo stato di performance ECOG, il numero di metastasi, le comorbidità, il rapporto neutrofili/linfociti (NLR) e il punteggio Controlling Nutritional Status. La validazione interna basata su bootstrap ha dimostrato una solida performance predittiva, con un’Area Under the Curve (AUC) complessiva pari a 0,76 ± 0,07. L’elemento innovativo di questo lavoro risiede nell’integrazione del nuovo score BC, proposto come potenziale biomarcatore di fragilità e stato metabolico del paziente, con le variabili CP all’interno di un nomogramma pratico e facilmente interpretabile. Questo strumento consente ai clinici non solo di stimare la probabilità di sopravvivenza a 1 anno, ma anche di tradurre dati complessi e multidimensionali in informazioni utili per una gestione personalizzata del paziente.
In parallelo, è stato sviluppato un algoritmo di Feature-Guided Clustering per dati di sopravvivenza censurati, che ha identificato in modo consistente due cluster prognostici in due coorti cliniche indipendenti. Le differenze di sopravvivenza tra i cluster erano principalmente guidate da NLR, area di grasso viscerale e rapporto VF/SF, caratteristiche in linea con quelle evidenziate dallo studio del nomogramma. Questa concordanza tra pipeline analitiche indipendenti rafforza la robustezza e la riproducibilità dei biomarcatori sistemici identificati. Il metodo consente di considerare esplicitamente la censura dei dati, configurandosi come uno dei primi approcci di clustering specificamente progettati per dati di sopravvivenza. Inoltre, questo lavoro evidenzia la necessità di uno shift di paradigma nel clustering per la scoperta di biomarcatori, dimostrando come una gestione appropriata di dati di sopravvivenza censurati sia fondamentale per una stratificazione affidabile dei pazienti e per l’identificazione di nuovi biomarcatori.
Per il secondo livello di analisi, RAD-TILNet, un’architettura di DL dedicata, ha consentito la stima non invasiva del Tumor Infiltrating Lymphocytes (TIL) a partire da immagini MRI, raggiungendo un’elevata capacità discriminativa (AUC pari a 0,97) e una solida stabilità in cross-validazione. Le analisi di interpretabilità basate su Gradient-weighted Class Activation Mapping hanno evidenziato pattern di attenzione sia nelle regioni tumorali sia in quelle peritumorali, sottolineandone la potenziale rilevanza immunologica. RAD-TILNet rappresenta un approccio nuovo e completamente automatizzato per la valutazione del TIL, offrendo un’alternativa alle valutazioni manuali o semi-manuali effettuate dai patologi, che risultano dispendiose in termini di tempo, laboriose e soggette a variabilità inter-osservatore. Consentendo una quantificazione rapida, riproducibile e oggettiva del TIL direttamente dalle immagini radiologiche, questo metodo introduce un nuovo paradigma per il profiling immunologico non invasivo in oncologia.
Analisi pathomiche spaziali complementari hanno portato all’introduzione del Tumor–Lymphocyte Infiltration Score (TLIS), un nuovo biomarcatore progettato per compartimentare le WSI in base al livello locale di infiltrazione immunitaria. Questo framework consente l’identificazione mirata di regioni biologicamente rilevanti all’interno del microambiente tumorale, sulle quali possono essere condotte successive analisi morfologiche, spaziali e basate sulle interazioni cellulari. Inoltre, sono state proposte heatmap derivate dalla luminanza come innovativo surrogato dell’attività cellulare, in grado di catturare sottili variazioni nell’intensità della colorazione che potrebbero riflettere processi biologici sottostanti. Insieme a caratteristiche morfologiche e basate sulla distanza tra cellule, queste innovazioni hanno permesso di individuare firme spaziali significativamente associate alla risposta agli ICI neoadiuvanti, sia nelle coorti di training sia in quelle di validazione di pazienti affetti da carcinoma polmonare non a piccole cellule (Non-Small Cell Lung Cancer, NSCLC).
In tutti gli studi, l’interpretabilità clinica è rimasta un obiettivo centrale, garantendo che le predizioni e i biomarcatori identificati fossero biologicamente fondati e clinicamente utilizzabili.
Nel complesso, questa tesi propone un framework di IA multi-livello per la scoperta di biomarcatori, innovativo sia dal punto di vista metodologico sia per le sue implicazioni cliniche. Sul piano metodologico, introduce nuovi approcci per l’analisi dei dati di sopravvivenza, delle immagini radiologiche e patologiche, tra cui: un nomogramma interpretabile per la predizione della sopravvivenza; un algoritmo di clustering guidato dalla sopravvivenza censurata per una stratificazione robusta dei pazienti; un framework MRI per il profiling immunologico non invasivo; e una pipeline di patomica spaziale in grado di catturare l’organizzazione del microambiente tumorale e, potenzialmente, l’attività cellulare. Dal punto di vista clinico, questi metodi portano all’identificazione di nuovi biomarcatori promettenti, tra cui lo score BC, le stime del TIL basate su MRI, il TLIS e le mappe di attività derivate dalla luminanza. Tali biomarcatori potrebbero migliorare la stratificazione dei pazienti e supportare le decisioni terapeutiche in immuno-oncologia. Inoltre, questi studi dimostrano che la risposta all’immunoterapia è influenzata sia da fattori sistemici dell’ospite sia dall’organizzazione spaziale del microambiente tumorale, pattern che possono essere catturati direttamente dalle immagini patologiche e inferiti indirettamente dalle immagini radiologiche. Considerando questa influenza su due livelli, i framework di IA proposti mirano ad avanzare le basi tecniche della scoperta di biomarcatori guidata dall’IA e a contribuire al progresso verso una gestione del cancro sempre più personalizzata e biologicamente fondata.Cancer remains one of the leading cause of mortality worldwide, with its intrinsic molecular, cellular, and clinical heterogeneity posing significant challenges to the selection of optimal therapies. Precision oncology aims to address this complexity by personalizing treatment strategies to the unique characteristics of each patient. The increasing availability of high-dimensional clinical, radiological, and pathological datasets provides unprecedented opportunities for biomarker discovery. In this context, Artificial Intelligence (AI), encompassing both Machine Learning and Deep Learning (DL), offers powerful tools to integrate and analyze multi-scale data, uncover latent patterns, stratify patients into clinically meaningful subgroups, and model intricate tumor–host interactions that are difficult to capture with conventional statistical methods. This thesis presents two-level contributions (systemic and tumor microenvironment) to the development of innovative interpretable and robust AI-based methodologies for identifying predictive and prognostic biomarkers in oncology, with a particular focus on patients treated with Immune Checkpoint Inhibitors (ICIs). Leveraging structured clinical data, Magnetic Resonance Imaging (MRI), and Whole-Slide pathology Images (WSI), novel multi-scale frameworks were designed to extract potentially actionable biomarkers. At the systemic level, a clinically interpretable nomogram was developed by combining a novel Body Composition (BC) score with key ClinicoPathologic (CP) features to predict 1-year Overall Survival. The BC score integrates Intramuscular Adipose Tissue Content, Visceral Fat Area Index, and the Visceral-to-Subcutaneous Fat ratio (VF/SF) to capture metabolic health and frailty, while the CP variables include ECOG performance status, number of metastases, comorbidities, Neutrophil-to-Lymphocyte Ratio (NLR), and Controlling Nutritional Status score. Bootstrap-based internal validation demonstrated robust predictive performance, with an overall Area Under the Curve (AUC) of 0.76 ± 0.07. The innovation of this work lies in the integration of the newly introduced BC score, serving as a potential biomarker of patient frailty and metabolic status, with CP features into a practical and interpretable nomogram. This tool enables clinicians not only to predict 1-year survival probability but also to translate complex multi-dimensional data into actionable insights for personalized patient management.
In parallel, a Feature-Guided Clustering algorithm for censored survival data was designed and it consistently identified two prognostic clusters across two independent clinical evaluation cohorts. Differences in survival outcomes between clusters were primarily driven by NLR, Visceral Fat Area, and VF/SF, features that aligned with those highlighted in the nomogram study. This concordance across independent analytical pipelines underscores the robustness and reproducibility of the identified systemic biomarkers. This method allows to explicitly consider patient censoring, making it one of
the first clustering approaches tailored for survival data. Moreover, this work highlights the need for a paradigm shift in clustering analysis for biomarker discovery, demonstrating that proper handling of censored outcomes is fundamental for reliable patient stratification and identification of robust biomarkers.
For the second level of analysis, RAD-TILNet, a dedicated DL architecture, enabled
non-invasive estimation of Tumor Infiltrating Lymphocyte (TIL) scores from MRI, achieving high discriminative performance (AUC of 0.97) and robust cross-validation stability. Gradient-weighted Class Activation Mapping interpretability analyses revealed attention patterns in both tumor and peritumoral regions, highlighting their potential immunological relevance. RAD-TILNet represents a novel, fully automated approach for TIL assessment, providing an alternative to the conventional manual or semi-manual evaluation performed by pathologists, a process that is time-consuming, labor intensive, and affected by inter-observer variability. By enabling rapid, reproducible, and objective
TIL quantification directly from radiological images, this method introduces a new framework for non-invasive immune profiling in oncology.
Complementary spatial pathomic analyses introduced the Tumor–Lymphocyte Infiltration Score (TLIS), a novel biomarker designed to compartmentalize WSIs according to local immune infiltration. This framework enables the targeted identification of biologically relevant regions within the tumor microenvironment areas
in which subsequent morphological, spatial, and interaction-based analyses can be performed. In addition, luminance-derived heatmaps were proposed as an innovative surrogate of cellular activity, capturing subtle variations in staining intensity that may reflect underlying biological processes. Together with morphology- and distance-based features, these innovations revealed spatial signatures significantly associated with response to neoadjuvant ICIs across both discovery and validation cohorts of patients affected by Non Small Cell Lung Cancer.
Across all studies, clinical interpretability remained a central objective, ensuring that the predictive outputs and identified biomarkers are biologically grounded and clinically actionable. Collectively, this thesis proposes a multi-level AI framework for biomarker
discovery that is innovative both in its methodological approach and in its clinical implications. Methodologically, it introduces several innovative methods for analyzing survival data as well as radiology and pathology images. These include the development of an interpretable nomogram to provide clinicians with an accessible tool for survival prediction; a censoring-aware clustering algorithm for robust patient stratification; an MRI-based framework for non-invasive immune profiling; and a spatial pathomics
pipeline that captures the structure of the tumor microenvironment and potentially
the cellular activity. From a clinical perspective, these new methods uncover a set of promising new biomarkers, including BC score, MRI-based TIL estimates, TLIS and luminance-derived activity maps. These biomarkers could potentially improve patient stratification and support treatment decisions in immuno-oncology. Moreover, these studies show that immunotherapy response is shaped by systemic host factors and the spatial organization of the tumor microenvironment, patterns that can be captured directly from pathology images and inferred indirectly from radiology imaging. By capturing this two-level influence, the proposed AI frameworks aim to advance the technical foundations of AI-driven biomarker discovery and help move the field closer to
more personalized and biologically grounded cancer care
Recent trends in distant conversational speech recognition: A review of CHiME-7 and 8 DASR challenges
No full textThe CHiME-7 and 8 distant speech recognition (DASR) challenges focus on multi-channel, generalizable, joint automatic speech recognition (ASR) and diarization of conversational speech. With participation from 9 teams submitting 32 diverse systems, these challenges have contributed to state-of-the-art research in the field. This paper outlines the challenges’ design, evaluation metrics, datasets, and baseline systems while analyzing key trends from participant submissions. From this analysis it emerges that: (1) Most participants use end-to-end (e2e) ASR systems, whereas hybrid systems were prevalent in previous CHiME challenges. This transition is mainly due to the availability of robust large-scale pre-trained models, which lowers the data burden for e2e-ASR. (2) Despite recent advances in neural speech separation and enhancement (SSE), all teams still heavily rely on guided source separation, suggesting that current neural SSE techniques are still unable to reliably deal with complex scenarios and different recording setups. (3) All best systems employ diarization refinement via target-speaker diarization techniques. Accurate speaker counting in the first diarization pass is thus crucial to avoid compounding errors and CHiME-8 DASR participants especially focused on this part. (4) Downstream evaluation via meeting summarization can correlate weakly with transcription quality due to the remarkable effectiveness of large-language models in handling errors. On the NOTSOFAR-1 scenario, even systems with over 50% time-constrained minimum permutation WER can perform roughly on par with the most effective ones (around 11%). (5) Despite recent progress, accurately transcribing spontaneous speech in challenging acoustic environments remains difficult, even when using computationally intensive system ensembles
Behavioral Cobweb Dynamics With Anticipatory Inventory and Ulam Stability: An Integro‐Differential Approach
No full textThis paper proposes a novel extension of the classical cobweb price model by incorporating behavioral inventory responses through an anticipatory mini-storage mechanism. In many real-world commodity markets, persistent price oscillations occur even when classical stability conditions are theoretically satisfied, an inconsistency traditional models fail to address. To bridge this gap, we develop an integro-differential model that captures both immediate supply–demand imbalances and cumulative memory effects, reflecting how suppliers adjust inventory in response to expected price shifts. Analytical solutions are derived using the Aboodh transform, enabling classification of market dynamics into underdamped, overdamped, and critically damped regimes. We evaluate the system's robustness under bounded perturbations using Hyers–Ulam and Hyers–Ulam–Rassias stability frameworks, confirming its structural stability. Numerical simulations show that incorporating anticipatory storage significantly dampens price volatility and accelerates convergence to equilibrium. Sensitivity and phase-space analyses further demonstrate the model's ability to replicate diverse market behaviors, offering theoretical insights for policy interventions