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). 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.

Inferenza Bayesiana — Metodi Computazionali Bayesiani — Bayesiana Nonparametrica — Metodi per Dati Multidimensionali e Categoriali — Statistical Machine Learning — Dati di Rete  — Dati Complessi — Metodi di Shrinkage

• Legramanti, S., Durante, D. and Dunson D.B. (2019+). Bayesian Cumulative Shrinkage for Infinite Factorizations. Biometrika. In Press.
• 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.