Le tecniche di pattern recognition tradizionali sono basate sulla nozione di "feature", che prevede che gli oggetti da classificare siano rappresentati in termini delle loro proprietà intrinseche, misurabili a partire dall'oggetto in questione. Quindi, un sistema di pattern recognition tradizionale prende una decisione analizzando una o più features date in ingresso. Quest'approccio permette l'utilizzo di una vasta classe di solidi metodi matematici e statistici, sviluppati in tutta la storia della pattern recognition.
Tuttavia, in molte applicazioni reali è difficile trovare una rappresentazione basata su features che sia facilmente ottenibile oppure efficacemente utilizzabile per il learning. In questi casi, tuttavia, è spesso più facile ottenere misure di similarità (o dissimilarità) tra gli oggetti da classificare, misura che può essere efficacemente utilizzata per risolvere il problema. Negli ultimi anni i ricercatori di pattern recognition e machine learning hanno sempre più apertamente riconosciuto l'importanza delle misure di similarità e delle tecniche che si basano su queste, che in qualche modo si allontanano dalle tradizionali metodologie basate su rappresentazioni vettoriali (features) per confrontarsi con la gestione delle semplici misure di similarità (che possono essere anche non metriche). Questa linea di ricerca pone una serie nuova e alternativa di quesiti scientifici, sia computazionali che teorici. In questo progetto si studieranno in maniera approfondita diversi aspetti delle metodologie basate puramente su similarità, da un punto di vista teorico, computazionale e applicativo. La ricerca, ad ampio spettro, considererà paradigmi di learning supervisionato e non supervisionato, modelli generativi e modelli discriminativi, sia analizzando problematiche teoriche che confrontandosi con applicazioni pratiche.
