DANIELE DURANTE

Daniele Durante è un Assistant Professor in Statistica nel Dipartimento di Scienze delle Decisioni dell’Università Bocconi, ed un Ricercatore Affiliato al Bocconi Institute for Data Science and Analytics (BIDSA), il DONDENA Centre for Research on Social Dynamics and Public Policy, e il Laboratory for Coronavirus Crisis Research. La sua ricerca è caratterizzata da un approccio interdisciplinare che combina metodi Bayesiani, applicazioni moderne, e strumenti di machine learning al fine di sviluppare modelli statistici flessibili e computazionalmente efficaci per dati complessi e multidimensionali.

Maggiori informazioni sono disponibili al sito https://danieledurante.github.io/web/.

• Assegnista di Ricerca. Dipartimento di Scienze Statistiche, Università degli Studi di Padova, ITA. (2016–2017). Tema di Ricerca: Modelli Bayesiani nonparametrici per dati funzionali e complessi. Supervisore: Bruno Scarpa.
• Dottorato di Ricerca in Scienze Statistiche. Dipartimento di Scienze Statistiche, Università degli Studi di Padova, ITA. (2013–2016). Tema di Ricerca: Modelli Bayesiani nonparametrici per dati di rete. Supervisori: Bruno Scarpa e David B. Dunson.
• Ricercatore Visiting. Dipartimento di Scienze Statistiche, Duke University, USA. (2014–2015). Tema di Ricerca: Metodi Bayesiani per dati multidimensionali con bassa numerosità campionaria. Supervisore: David B. Dunson.
• Laurea Magistrale in Scienze Statistiche con lode. Dipartimento di Scienze Statistiche, Università degli Studi di Padova, ITA. (2010–2012). Tema di Ricerca: Regressione Bayesiana di covarianza localmente adattiva. Supervisori: Bruno Scarpa e David B. Dunson.
• Laurea Triennale in Statistica, Economia e Finanza con lode. Dipartimento di Scienze Statistiche, Università degli Studi di Padova, ITA. (2007–2010). Tema di Ricerca: Modelli ad equazioni strutturali per dati categoriali ordinali. Supervisore: Bruno Scarpa.

Dati di Rete — Metodi Computazionali e di Inferenza Bayesiana — Metodi per Dati Multidimensionali e Categoriali — Statistical Machine Learning — Modelli a Variabili Latenti  — Dati Complessi — Computational Social Science — Demografia 

• Legramanti S., Rigon, T. and Durante, D. (2021). Bayesian testing for exogenous equivalence structures in stochastic block–models. Sankhya A. In Press.
• Rigon, T. and Durante, D. (2021). Tractable Bayesian density regression via logit stick-breaking priors. Journal of Statistical Planning and Inference, 211, 131–142.
• Legramanti, S., Durante, D. and Dunson D.B. (2020). Bayesian Cumulative Shrinkage for Infinite Factorizations. Biometrika. 107, 745–752.
• Durante, D. and Guindani, M. (2020). Bayesian methods in brain networks. Wiley StatsRef–Statistics Reference Online, 1–10.
• Durante, D. (2019). Conjugate Bayes for Probit Regression via Unified Skew-Normal Distributions. Biometrika. 106, 765–779.
• Durante, D. and Rigon, T. (2019). Conditionally Conjugate Mean-Field Variational Bayes for Logistic Models. Statistical Science. 34, 472–485.
• Durante, D., Canale, A. and Rigon, T. (2019). A Nested Expectation–Maximization Algorithm for Latent Class Models with Covariates. Statistics & Probability Letters. 146, 97–103.
• Rigon, T., Durante, D. and Torelli, N. (2019). Bayesian Semiparametric Modelling of Contraceptive Behavior in India via Sequential Logistic Regressions. Journal of the Royal Statistical Society: Series A. 182, 225–247.
• Canale, A., Durante, D. and Dunson D.B. (2018). Convex Mixture Regression for Quantitative Risk Assessment. Biometrics. 74, 1331–1340.
• Russo, M., Durante, D. and Scarpa, B. (2018). Bayesian Inference on Group Differences in Multivariate Categorical Data. Computational Statistics & Data Analysis. 126, 136—149.
• Durante, D. and Dunson, D. B. (2018). Bayesian Inference and Testing of Group Differences in Brain Networks. Bayesian Analysis. 13, 29–58.
• Durante, D., Dunson, D. B. and Vogelstein, J. T. (2017). Nonparametric Bayes Modeling of Populations of Networks. Journal of the American Statistical Association. 112, 1516–1530 (with discussion).
• Durante, D., Mukherjee, N. and Steorts, R. C. (2017). Bayesian Learning of Dynamic Multilayer Networks. Journal of Machine Learning Research. 18, 1–29.
• Wang, L., Durante, D., Jung, R. E. and Dunson, D. B. (2017). Bayesian Network-Response Regression. Bioinformatics. 33, 1859–1866.
• Durante, D. (2017). A Note on the Multiplicative Gamma Process. Statistics & Probability Letters. 122, 198–204.
• Durante, D., Paganin, S., Scarpa, B. and Dunson, D. B. (2017). Bayesian Modelling of Networks in Complex Business Intelligence Problems. Journal of the Royal Statistical Society: Series C. 66, 555–580.
• Durante, D. and Dunson, D. B. (2016). Locally Adaptive Dynamic Networks. Annals of Applied Statistics. 10, 2203–2232.
• Durante, D. and Dunson, D. B. (2014). Nonparametric Bayes Dynamic Modelling of Relational Data. Biometrika. 101, 883–898.
• Durante, D. and Dunson, D. B. (2014). Bayesian Dynamic Financial Networks with Time-Varying Predictors. Statistics & Probability Letters. 93, 19–26.
• Durante, D., Scarpa, B. and Dunson, D. B. (2014). Locally Adaptive Factor Processes for Multivariate Time Series. Journal of Machine Learning Research. 15, 1493–1522.