Especialistas Seniores em Covid-19 com atuação no Brasil

Rodrigo Coelho Barros

Bacharel em Ciência da Computação pela Universidade Federal de Pelotas (2007), mestre em Ciência da Computação pela PUCRS (2009) e doutor em Ciências de Computação e Matemática Computacional pela Universidade de São Paulo (2013). Foi pesquisador visitante na University of Kent, Reino Unido, entre 2012 e 2013. Recebeu os prêmios da Sociedade Brasileira de Computação (SBC) e da CAPES pela melhor tese em Ciência da Computação do país. Atualmente é professor adjunto em tempo integral na Escola Politécnica da PUCRS, onde atua tanto na graduação quanto na pós-graduação. É coordenador do Núcleo de Pesquisa em Inteligência de Máquina e Robótica (MIR) e do Machine Learning Theory and Applications Lab (MALTA). Já publicou mais de 100 artigos científicos, incluindo em periódicos e eventos de grande prestígio como IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), International Conference on Machine Learning (ICML), International Conference on Computer Vision (ICCV), AAAI Conference on Artificial Intelligence Conference (AAAI), IEEE Transactions on Evolutionary Computation, ACM Computing Surveys, dentre vários outros. Recebeu diversos prêmios de melhor artigo em conferências como ACM GECCO, IEEE CEC, IJCNN, FLAIRS e BRACIS. Foi vencedor por quatro vezes consecutivas do Google Research Awards for Latin America, que premia os melhores projetos de pesquisa da América Latina. Orienta alunos de mestrado e doutorado em temáticas centradas no aprendizado de máquina e na computação evolutiva, com aplicações em visão computacional, processamento da linguagem natural, processamento de áudio e bioinformática. É sócio-fundador da Teia Labs, primeira empresa de Inteligência Artificial do Rio Grande do Sul e vencedora de editais de inovação em parceria com Samsung e Shell. Por sua atuação empreendedora, recebeu o prêmio Pesquisador Gaúcho da FAPERGS em 2018, na categoria Pesquisador Empreendedor. (Texto informado pelo autor)

  • https://lattes.cnpq.br/8172124241767828 (02/09/2020)
  • Rótulo/Grupo:
  • Bolsa CNPq: Nível 2
  • Período de análise:
  • Endereço: Pontifícia Universidade Católica do Rio Grande do Sul. Escola Politécnica, Av Ipiranga, 6681 - Prédio 32, sala 641 Partenon 90619900 - Porto Alegre, RS - Brasil Telefone: (51) 33538641
  • Grande área: Ciências Exatas e da Terra
  • Área: Ciência da Computação
  • Citações: Google Acadêmico

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

Prêmios e títulos

Participação em eventos

Organização de eventos

Lista de colaborações

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

  • Total de projetos de pesquisa (15)
    1. 2020-Atual. IA para o bem-estar social: construcao de redes neurais justas, explicaveis, resistentes a fatores de confusao e com supervisao limitada
      Descrição: Redes neurais são as principais responsáveis pela revolução recente da Inteligência Artificial. São mecanismos computacionais inspirados no funcionamento do cérebro humano, onde neurônios artificiais organizados de maneira hierárquica são capazes de aprender a partir de exemplos anotados pelos seres humanos. No meu grupo de pesquisa, buscamos resolver algumas das principais limitações existentes nestes métodos. Queremos entender uma forma de construir redes neurais que sejam justas em suas decisões, ainda que os dados coletados do mundo real possam refletir injustiças, como disparidades raciais ou de gênero. Buscamos, também, por formas de conseguir explicar as decisões que são tomadas, uma vez que redes neurais são consideradas verdadeiras caixas-pretas. Finalmente, queremos descobrir como as redes podem aprender em cenários onde não existem muitos dados anotados pelo ser humano, o que é o caso da esmagadora maioria dos dados disponíveis hoje em dia. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (3) / Doutorado: (1) . Integrantes: Rodrigo Coelho Barros - Coordenador. Financiador(es): Instituto Serrapilheira - Outra.
      Membro: Rodrigo Coelho Barros.
    2. 2019-Atual. Improving Pathology Localization on Chest Radiographs with Limited Supervision via Semi-Supervised Multiple-Instance Learning
      Descrição: As radiografias são exames primários para avaliar as condições do tórax e são frequentemente diagnosticadas incorretamente devido à erros de observação. Na prática clínica, abordagens de deep learning têm sido cada vez mais utilizadas para apoiar radiologistas no processo de tomada de decisão a fim de melhorar a acurácia diagnóstica. Idealmente, o modelo preditivo deve fornecer mais informações além de um rótulo diagnóstico para apoiar o resultado da classificação, como a localização espacial do achado na radiografia. Há uma grande quantidade de radiografias de tórax disponíveis publicamente, rotuladas de acordo com seus achados radiológicos (rótulos para classificação), mas poucas amostras estão anotadas em relação à localização dos achados. O objetivo do projeto é utilizar uma quantidade limitada de dados anotados em conjunto com grandes quantias de dados não anotados para melhorar os resultados de localização automatizada de patologias em radiografias do tórax, adaptando os métodos estado-da arte de aprendizado semi-supervisionado para realizar o aprendizado de múltiplas instâncias, utilizando datasets de radiografias rotulados com a presença de patologias, mas com suas localizações desconhecidas.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (1) . Integrantes: Rodrigo Coelho Barros - Coordenador.
      Membro: Rodrigo Coelho Barros.
    3. 2019-Atual. Adaptacao de Dominio em Deep Learning para Analise de Imagens Medicas
      Descrição: Modelos de redes neurais profundas (mais conhecidas pelo termo em inglês Deep Learning) têm sido amplamente aplicados em imagens médicas para problemas como segmentação, diagnóstico assistido por computador, registro, dentre vários outros. Algoritmos para Deep Learning são, em geral, treinados sobre conjuntos de dados anotados e preferencialmente aplicados no mesmo contexto em que foram originalmente propostos, seguindo a premissa básica do Aprendizado de Máquina onde os dados são independentes e identicamente distribuídos (iid). Na área de imagens médicas, no entanto, é fundamental que os modelos gerados possam ser abrangentes e robustos a variações nas imagens ocasionadas por fatores externos como troca de equipamento, mudança na calibragem do software de aquisição, variação no nível de contraste, entre outros. Sabe-se que essas variações causam um problema conhecido como domain shift, ou variação de domínio, caracterizado pela diferença da distribuição dos dados referente ao domínio no qual o modelo será aplicado em relação à distribuição do domínio no qual o modelo foi originalmente treinado. Devido a esta discrepância entre domínios, ocorre perda significativa na eficácia dos modelos treinados, impossibilitando a adoção em escala dos mesmos em áreas importantes e estratégicas, como é o caso da análise de imagens médicas. Devido à frequência alta da ocorrência de variações de domínio no contexto médico, este trabalho se propõe a desenvolver novas abordagens para a área de Unsupervised Domain Adaptation, que sejam capazes de explorar as características das imagens médicas para transformar o conhecimento de modelos entre domínios sem qualquer supervisão.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) . Integrantes: Rodrigo Coelho Barros - Coordenador / Christian S Perone - Integrante / Pedro Lemos Ballester - Integrante / Julien Cohen-Adad - Integrante.
      Membro: Rodrigo Coelho Barros.
    4. 2018-2018. Modelos de Inducao de Analise de Casos de Fraude
      Descrição: Todos os dias pessoas e empresas recorrem à formas de pagamento que não exigem uma descapitalização imediata, como financiamento. Seja para fins pessoais ou comerciais, o financiamento de um bem ou serviço envolve um acordo entre partes. Quem oferece o financiamento está disposto a receber o montante de dinheiro diluído ao longo do tempo, com juros ou não, enquanto que o cliente se compromete a contrair e honrar uma dívida. O processo para o estabelecimento desse contrato envolve diversos passos e, entre eles, uma análise do potencial de fraude existente por trás de cada requisição. A análise de fraude é um passo extremamente importante para resguardar quem está cedendo o dinheiro de que, ao final do prazo estabelecido, terá reavido todo o valor acrescentado de ajustes e juros se aplicável. Além de importante, esse é geralmente um passo complexo dependendo da característica do produto financeiro oferecido e tipo de transação em questão. O desenvolvimento do projeto de pesquisa e suas metas serão atingidos através da interação entre alunos de pós-graduação e graduação, professores da Escola Politécnica da PUCRS (antiga Faculdade de Informática), sejam estes professores vinculados ao Programa de Pós-Graduação em Ciência da Computação (PPGCC) ou outras áreas da Escola, e funcionários da DELL que sejam diretamente indicados pela empresa para contribuir na especificação e no desenvolvimento da solução para o problema definidos ou que no decorrer do projeto sejam identificados como especialistas que possam contribuir para a investigação do problema que é objeto de pesquisa, beneficiando-se em suas atividades com os resultados alcançados. De forma geral, o projeto visa também fomentar a absorção e a transferência de tecnologias para a comunidade interna ou externa à DELL bem como qualificar, indiretamente, alunos de Pós-Graduação (Mestrado e Doutorado) e Graduação, professores e funcionários da DELL como resultado das discussões e interações para resolução do problema de pesquisa que é escopo deste projeto. Situação: Desativado; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (2) . Integrantes: Rodrigo Coelho Barros - Integrante / Duncan Dubugras Alcoba Ruiz - Coordenador.
      Membro: Rodrigo Coelho Barros.
    5. 2017-Atual. Redes Neurais Profundas e suas Aplicacoes
      Descrição: Redes neurais profundas são as responsáveis pelo novo ciclo de crescimento da Inteligência Artificial na última década. Seu desenvolvimento foi permitido graças a novas técnicas para que se fosse evitado o problema do desaparecimento do gradiente ao se aumentar o número de camadas das arquiteturas, bem como à disponibilidade atual de gigantescas bases de dados rotuladas e ao surgimento de novos processadores gráficos especializados para tornar o treinamento viável. Este projeto tem por objetivo o desenvolvimento de redes neurais profundas em quatro frentes de trabalhos diferentes: (i) análise de conteúdo impróprio; (ii) classificação de gêneros de filmes e geração automática de sinopses; (iii) sistemas de recomendação baseados em imagens; e (iv) predição de função de proteínas.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Rodrigo Coelho Barros - Coordenador.
      Membro: Rodrigo Coelho Barros.
    6. 2016-2019. Estimation of Distribution Algorithms for Decision-Tree Induction
      Descrição: The goal of this project is the design of a novel estimation of distribution algorithm that is capable of automatically designing decision trees for the application domain at hand.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Rodrigo Coelho Barros - Coordenador / Duncan Dubugras Alcoba Ruiz - Integrante / Márcio Porto Basgalupp - Integrante / Tiago Silva da Silva - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul - Auxílio financeiro.
      Membro: Rodrigo Coelho Barros.
    7. 2016-2018. Efficient Neural Models for Multimodal Retrieval, Captioning, and Visual Question Answering
      Descrição: This project addresses challenging problems in Computer Vision, Natural Language Processing, and Machine Learning, namely multimodal retrieval, image/video captioning, and visual question answering. In the last year of research supported by Google, we have developed novel state-of-the-art methods for multimodal retrieval based on convolving raw characters. Our methods are efficient and effective, and we achieve state-of-the-art performance in the largest and most well-known image-text alignment dataset, namely Microsoft COCO, with a method that is conceptually much simpler and that possesses considerably fewer parameters than current approaches. We have also demonstrated that our approach is particularly suited to text classification in noisy scenarios such as micro-blogs and the like. With the results of this project, we had a paper accepted in the main conference of CVPR 2018. We show our future steps that aim to generate novel word embeddings in order to bring together the benefits of both character-level approaches and word embedding approaches. We believe this novel approach has the potential of brining paradigmatic changes to several tasks, including those addressed by this project: multimodal retrieval, image/video captioning, and visual question answering.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Doutorado: (1) . Integrantes: Rodrigo Coelho Barros - Coordenador.
      Membro: Rodrigo Coelho Barros.
    8. 2016-2017. Learning and Inference for Ambient Intelligence
      Descrição: A capacidade de reconhecer metas e planos, observando as atividades de um agente permite raciocinar sobre o que outros agentes estão fazendo e inferir o que eles vão fazer a seguir. Quando aplicado a reconhecer as actividades humanas a partir de sensores físicos, tais como câmeras, interfaces de usuário instrumentados e sensores portáteis, essa capacidade é referido como reconhecimento de atividade. Mas quando aplicado a reconhecer comportamento humano de alto nível, tais como objectivos, propósitos e planos, esta capacidade é referida como reconhecimento de objectivos, intenções, e planos. Recentes aplicações que contém a capacidade de reconhecimento de objectivos, intenções, e planos incluem ambiente educacional, modelando comportamentos sociais usando dados de telefonia móvel, histórias na vida real e monitoramento de tráfego. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (1) . Integrantes: Rodrigo Coelho Barros - Integrante / Duncan Dubugras Alcoba Ruiz - Integrante / Felipe Rech Meneguzzi - Coordenador.
      Membro: Rodrigo Coelho Barros.
    9. 2015-2020. Algoritmo de Estimacao de Distribuicao para Inducao de Avores de Decisao
      Descrição: O objetivo deste projeto é o desenvolvimento de diferentes algoritmos de estimativa de distribuição para evolução de árvores de decisão e posterior aplicação em cenários desafiadores para mineração de dados.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Rodrigo Coelho Barros - Coordenador. Financiador(es): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Auxílio financeiro.
      Membro: Rodrigo Coelho Barros.
    10. 2015-2020. Mobile Data Analytics
      Descrição: Durante o curso do projeto, uma equipe de pesquisadores sêniores será responsável pela continuidade na formação de pessoal qualificado, a fim de atender as necessidades do projeto em relação à análise de dados, pré-processamento e descoberta de padrões em grandes quantidades de dados, e em percepção de contexto em dispositivos móveis. Os pesquisadores têm longa experiência em áreas como a aprendizado de máquina, mineração de dados, mineração de textos, análise de dados e análise de sentimento, proporcionando um ambiente multidisciplinar ideal para a pesquisa e formação de pessoal de alta qualidade em analytics e business intelligence.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (3) / Doutorado: (2) . Integrantes: Rodrigo Coelho Barros - Coordenador / Duncan Dubugras Alcoba Ruiz - Integrante / Christian Vahl Quevedo - Integrante / Renata De Paris - Integrante.
      Membro: Rodrigo Coelho Barros.
    11. 2015-2017. Otimizando a Docagem Molecular in silico de Receptores Totalmente Flexiveis usando Tecnicas de Inteligencia Computacional
      Descrição: Neste projeto busca-se fazer uso da expertise do proponente e de sua equipe, para a aplicação de técnicas de inteligência computacional que viabilizem o desenvolvimento de ferramentas, aplicadas nas etapas de pré e pós-processamento das simulações de docagem molecular de um modelo de receptor totalmente flexível contra uma larga escala de pequenas moléculas. Atualmente, o modelo de receptor flexível sendo usado possui 20 mil conformações. Porém, para obter um modelo mais fidedigno com as características das conformações do receptor, pretende-se explorar modelos com quantidade de 50 mil até 100 mil conformações. No entanto, manipular e executar simulações de docagem molecular com receptores explicitamente flexíveis, envolve o tratamento de dados em larga escala, podendo demandar as técnicas descritas abaixo. 1) Triagem de ligantes a partir de banco de dados de pequenas moléculas. O objetivo desta técnica é evitar o uso de todos os ligantes armazenados nos bancos de dados durante as simulações da docagem molecular. Neste sentido, busca-se utilizar a inteligência computacional para criar um método capaz de descartar ligantes que não possuem características propícias de encaixe na cavidade do substrato do receptor, durante a fase de pré-processamento das simulações da docagem molecular. 2) Mineração de dados para encontrar semelhanças e diferenças entre conformações que constituem o modelo de receptor flexível, o qual é o dataset em estudo. Com isso, pretende-se identificar grupos de snapshots com alto grau de similaridade por meio de algoritmos de agrupamento, tais como k-means e hierárquico. 3) Criação de um ambiente de computação em nuvem capaz de otimizar e gerenciar a execução das simulações da docagem molecular de receptores explicitamente flexíveis contra uma biblioteca de ligantes. Neste ambiente, será adaptado o padrão de dados para workflow científicos P-MIA (Padrão Múltiplas Instâncias Autoadaptáveis) a fim de identificar grupos de conformações promissoras durante os experimentos da docagem molecular a partir de um agrupamento gerado por técnicas de mineração de dados. Com isso, espera-se que snapshots pertencentes a um mesmo grupo, também possuam uma conformidade nos resultados obtidos por simulações da docagem molecular, e, consequentemente, apenas as conformações que gradativamente apresentarem bons resultados durante as simulações sejam processadas. 4) Ambiente de computação em nuvem para executar as simulações da docagem molecular. Uma das etapas mais custosas no planejamento de novos fármacos é sem dúvida a docagem molecular. Por esse motivo, pretende-se reduzir consideravelmente o tempo total despendido nas simulações de docagem molecular de receptores totalmente flexíveis contra diferentes ligantes utilizando uma infraestrutura de computares interligados virtualmente.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (1) Doutorado: (2) . Integrantes: Rodrigo Coelho Barros - Integrante / Duncan Dubugras Alcoba Ruiz - Coordenador / Osmar Norberto de Souza - Integrante / Christian Vahl Quevedo - Integrante / Renata De Paris - Integrante / Holisson Soares da Cunha - Integrante.
      Membro: Rodrigo Coelho Barros.
    12. 2014-2017. Inducao Evolutiva de Arvores de Decisao: Uma abordagem baseada em EDAs
      Descrição: Algoritmos de indução de árvores de decisão são amplamente utilizados em tarefas de mineração de dados e aprendizado de máquina. Geralmente, tais algoritmos se utilizam de uma estratégia gulosa, top-down e com particionamento recursivo dos conjuntos de dados para a construção das árvores. Um dos principais problemas com tal abordagem é que a mesma se baseia em uma soma de buscas pelo ótimo local, o que não garante a geração de soluções globalmente ótimas. Além disso, o particionamento recursivo dos conjuntos de dados resulta em uma quantidade pequena de dados nos nós mais profundos da árvore, o que eventualmente acaba por ocasionar o chamado data overfitting. Uma abordagem que vem sido cada vez mais explorada é a utilização de algoritmos evolutivos para indução de árvores de decisão, pois estes realizam uma busca robusta global no espaço de soluções candidatas, gerando melhores soluções em diversos domínios de aplicação. Nesse contexto, este projeto propõe o desenvolvimento de um algoritmo de estimação de distribuição para indução de árvores de decisão. Tais algoritmos são o estado da arte em computação evolutiva, frequentemente atingindo resultados superiores aos algoritmos genéticos e demais algoritmos evolutivos. Acredita-se que algoritmos de estimação de distribuição serão capazes de gerar árvores de decisão cujo desempenho preditivo supere tanto os algoritmos tradicionais gulosos de indução de árvores quanto os algoritmos evolutivos propostos até então para esse tipo de problema.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Rodrigo Coelho Barros - Coordenador / Duncan Dubugras Alcoba Ruiz - Integrante / Márcio Porto Basgalupp - Integrante / Tiago Silva da Silva - Integrante / Leonardo Emmendorfer - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
      Membro: Rodrigo Coelho Barros.
    13. 2014-2016. DaVIs - Aplicacao de Mineracao Visual de Dados em Redes Sociais
      Descrição: Técnicas de mineração de dados possibilitam ter um melhor entendimento de um grande volume de dados e até mesmo obter informações que não são facilmente identificadas. Ferramentas visuais auxiliam neste processo, pois permitem que um público não especializado se beneficie da mineração através de uma interface gráfica que permita selecionar um conjunto de dados apropriado para posterior exibição e análise através de ferramentas gráficas, bem como a incorporação em produtos da área de comunicação, como em infográficos, matérias jornalísticas e apresentações de marketing e publicidade. Um campo que pode usufruir muito destas ferramentas de mineração e análise é o de redes sociais. Nos últimos anos tem crescido muito o uso de sites de redes sociais, tanto para uso pessoal como corporativo. Uma vez que geralmente centenas de pessoas estão conectadas em uma mesma rede e estes serviços privilegiam a apresentação individualizada dos dados, isto dificulta a visualização e gerência das conexões de cada usuário, bem como dos padrões de comportamento dos diferentes grupos de usuários. Sendo assim, a união de técnicas de mineração visual de dados tendo por foco as redes sociais mostra-se muito promissora no sentido de que pode permitir a extração de informações e padrões de comportamento de diferentes usuários. Neste contexto, este projeto propõe a verificação de como técnicas de mineração visual de dados podem ajudar na análise de um grande volume de dados como os gerados pelas redes sociais. Pretende-se desenvolver técnicas de mineração visual interativa que permitam tanto identificar facilmente padrões de comportamento de usuários, como analisar e comparar o comportamento e atividade na rede de diferentes perfis de usuários, divulgando-as na forma de infográficos e suporte a outras ações comunicacionais. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Doutorado: (1) . Integrantes: Rodrigo Coelho Barros - Integrante / Milene Selbach Silveira - Integrante / Isabel Harb Manssour - Coordenador / Roberto Tietzmann - Integrante / Marcelo Ruschel Trasel - Integrante.
      Membro: Rodrigo Coelho Barros.
    14. 2013-2015. Automatic Design of Decision-Tree Induction Algorithms for Detecting Patterns of Functional Gene-Gene Interactions in Observational Gene Expression Data
      Descrição: Predicting an organism s or a cell s response to a therapeutical intervention lies at the heart of medical research. In a functional cellular experiment, one can intervene in the expression of a gene x using RNA interference technologies and collect the downstream effects in the entire transcriptome using high throughput technologies like microarrays or RNAseq. This experiment gives us a class of genes that respond to the intervention in x (class A) and a class of genes that do not (class B). We hypothesize that also observational data that does not involve perturbations of gene x holds information whether a gene is in class A or B, since the biological mechanisms that drive the expression of these classes of genes must be different. This yields a standard classification problem: Predict whether a gene belongs to a class A or B by considering only observational data. In this project, we will investigate machine learning-based solutions to this problem by evolving decision tree induction algorithms. Decision tree induction is one of the most employed methods to extract knowledge from data, since the representation of knowledge is very intuitive and easily understandable by humans. The most successful strategy for inducing decision trees, the greedy top-down approach has been continuously improved by researchers over the years. This work, following recent breakthroughs in the automatic design of machine learning algorithms, proposes a hyper-heuristic evolutionary algorithm for automatically generating decision-tree induction algorithms, named HEAD-DT. We will automatically design a decision tree induction algorithm tailored to tdetecting functional gene-gene interactions from observational gene expression data. The designed algorithm and its induced classifiers may be a first step to develop a platform for virtual intervention experiments that could be used to prioritize genes for further biological experimental studies. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Doutorado: (7) . Integrantes: Rodrigo Coelho Barros - Integrante / Márcio Porto Basgalupp - Coordenador / André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Tiago Silva da Silva - Integrante / Rainer Spang - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
      Membro: Rodrigo Coelho Barros.
      Descrição: Predicting an organism s or a cell s response to a therapeutical intervention lies at the heart of medical research. In a functional cellular experiment, one can intervene in the expression of a gene x using RNA interference technologies and collect the downstream effects in the entire transcriptome using high throughput technologies like microarrays or RNAseq. This experiment gives us a class of genes that respond to the intervention in x (class A) and a class of genes that do not (class B). We hypothesize that also observational data that does not involve perturbations of gene x holds information whether a gene is in class A or B, since the biological mechanisms that drive the expression of these classes of genes must be different. This yields a standard classification problem: Predict whether a gene belongs to a class A or B by considering only observational data. In this project, we will investigate machine learning-based solutions to this problem by evolving decision tree induction algorithms. Decision tree induction is one of the most employed methods to extract knowledge from data, since the representation of knowledge is very intuitive and easily understandable by humans. The most successful strategy for inducing decision trees, the greedy top-down approach has been continuously improved by researchers over the years. This work, following recent breakthroughs in the automatic design of machine learning algorithms, proposes a hyper-heuristic evolutionary algorithm for automatically generating decision-tree induction algorithms, named HEAD-DT. We will automatically design a decision tree induction algorithm tailored to tdetecting functional gene-gene interactions from observational gene expression data. The designed algorithm and its induced classifiers may be a first step to develop a platform for virtual intervention experiments that could be used to prioritize genes for further biological experimental studies.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Doutorado: (1) . Integrantes: André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Rodrigo Barros - Integrante / Márcio Basgalupp - Coordenador / Tiago Silva da Silva - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
      Membro: Andre Carlos Ponce de Leon Ferreira de Carvalho.
    15. 2011-2015. Programacao Genetica para evolucao de algoritmos de inducao de arvores de decisao
      Descrição: Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de mineração de dados. Geralmente, algoritmos de indução de árvores de decisão usam uma estratégia gulosa, top down e com particionamento recursivo para a construção das árvores. No entanto, há pelo menos dois problemas relacionados a essas características: (i) estratégias gulosas geralmente produzem soluções ótimas locais ao invés de globais, (ii) particionamento recursivo degrada iterativamente a qualidade do dataset e, consequentemente, a qualidade dos resultados obtidos. Para lidar com essas dificuldades, diferentes abordagens foram sugeridas, tais como Options Trees, ensembles (ex: boosting e bagging), e algoritmos evolutivos. No entanto, tais algoritmos evolutivos são usados para evoluir árvores de decisão específicas para cada problema de classificação, e não para evoluir algoritmos genéricos para indução de árvores de decisão para qualquer problema de classificação. Uma das subáreas de algoritmos evolutivos, a Programação Genética (PG) é uma ferramenta adequada para evoluir programas de computadores. Um programa evoluído por Programação Genética pode produzir a mesma solução desenvolvida por um humano para solucionar um problema, mas também pode produzir algo completamente diferente e talvez melhor. Nesse contexto, o objetivo deste projeto é estudar programação genética com o intuito de utilizá-la para evoluir algoritmos de indução de árvores de decisão. A ideia é evoluir algoritmos genéricos para indução de árvores de decisão, ou seja, o resultado final da PG será um algoritmo de indução árvores de decisão, e não apenas uma árvore de decisão. Nesse sentido, pode-se considerar um algoritmo de meta-learning, pois o objetivo é aprender um algoritmo de aprendizagem. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Doutorado: (1) . Integrantes: Rodrigo Coelho Barros - Integrante / Márcio Porto Basgalupp - Coordenador / Marcos Gonçalves Quiles - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Alex Alves Freitas - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
      Membro: Rodrigo Coelho Barros.
      Descrição: Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de mineração de dados. Geralmente, algoritmos de indução de árvores de decisão usam uma estratégia gulosa, top down e com particionamento recursivo para a construção das árvores. No entanto, há pelo menos dois problemas relacionados a essas características: (i) estratégias gulosas geralmente produzem soluções ótimas locais ao invés de globais, (ii) particionamento recursivo degrada iterativamente a qualidade do dataset e, consequentemente, a qualidade dos resultados obtidos. Para lidar com essas dificuldades, diferentes abordagens foram sugeridas, tais como Options Trees, ensembles (ex: boosting e bagging), e algoritmos evolutivos. No entanto, tais algoritmos evolutivos são usados para evoluir árvores de decisão específicas para cada problema de classificação, e não para evoluir algoritmos genéricos para indução de árvores de decisão para qualquer problema de classificação. Uma das subáreas de algoritmos evolutivos, a Programação Genética (PG) é uma ferramenta adequada para evoluir programas de computadores. Um programa evoluído por Programação Genética pode produzir a mesma solução desenvolvida por um humano para solucionar um problema, mas também pode produzir algo completamente diferente e talvez melhor. Nesse contexto, o objetivo deste projeto é estudar programação genética com o intuito de utilizá-la para evoluir algoritmos de indução de árvores de decisão. A ideia é evoluir algoritmos genéricos para indução de árvores de decisão, ou seja, o resultado final da PG será um algoritmo de indução árvores de decisão, e não apenas uma árvore de decisão. Nesse sentido, pode-se considerar um algoritmo de meta-learning, pois o objetivo é aprender um algoritmo de aprendizagem.. Situação: Concluído; Natureza: Pesquisa. Integrantes: André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Márcio Basgalupp - Coordenador / M.Quiles - Integrante / Alex A. Freitas - Integrante / RODRIGO C. BARROS - Integrante / Vili Podgorelec - Integrante.
      Membro: Andre Carlos Ponce de Leon Ferreira de Carvalho.

Prêmios e títulos

  • Total de prêmios e títulos (20)
    1. Melhor Trabalho de Conclusão de Curso. Aluna: Camila Kolling dos Reis, PUCRS.. 2020.
      Membro: Rodrigo Coelho Barros.
    2. Bolsa de Produtividade em Pesquisa Nível 2, CNPq.. 2020.
      Membro: Rodrigo Coelho Barros.
    3. Outstanding Reviewer Award - British Machine Vision Conference (BMVC 2020), British Machine Vision Association (BMVA).. 2020.
      Membro: Rodrigo Coelho Barros.
    4. Google Research Awards for Latin America - M.Sc. Scholarship in Deep Learning for Computer Vision, Google.. 2019.
      Membro: Rodrigo Coelho Barros.
    5. Um dos 3 Melhores Artigos do FLAIRS 2018, AAAI.. 2018.
      Membro: Rodrigo Coelho Barros.
    6. Google Research Awards for Latin America - Ph.D. Scholarship in Deep Learning for Computer Vision, Google.. 2018.
      Membro: Rodrigo Coelho Barros.
    7. Prêmio Pesquisador Gaúcho FAPERGS - Pesquisador Empreendedor, FAPERGS.. 2018.
      Membro: Rodrigo Coelho Barros.
    8. 2ª Melhor Dissertação (aluno Juarez Monteiro) - Concurso de Teses e Dissertações em Inteligência Artificial e Computacional (CTDIAC), SBC.. 2018.
      Membro: Rodrigo Coelho Barros.
    9. Melhor Artigo de Estudante da IEEE Joint Conference on Neural Networks (IJCNN 2017), IEEE.. 2017.
      Membro: Rodrigo Coelho Barros.
    10. Google Research Awards for Latin America - Ph.D. Scholarship in Deep Learning for Computer Vision, Google.. 2017.
      Membro: Rodrigo Coelho Barros.
    11. Bolsa de Produtividade em Pesquisa Nível 2., CNPq.. 2017.
      Membro: Rodrigo Coelho Barros.
    12. Google Research Awards for Latin America - Ph.D. Scholarship in Deep Learning for Computer Vision, Google.. 2016.
      Membro: Rodrigo Coelho Barros.
    13. 3º Melhor Artigo da Brazilian Conference on Intelligent Systems (BRACIS 2016), SBC.. 2016.
      Membro: Rodrigo Coelho Barros.
    14. Melhor Tese de 2013 - Concurso de Teses e Dissertações da SBC, SBC.. 2014.
      Membro: Rodrigo Coelho Barros.
    15. Prêmio CAPES de Teses 2014 - Melhor Tese de Computação do País, CAPES.. 2014.
      Membro: Rodrigo Coelho Barros.
    16. Menção Honrosa no Prêmio Tese Destaque USP, Universidade de São Paulo.. 2014.
      Membro: Rodrigo Coelho Barros.
    17. Melhor artigo de estudante do IEEE Congress on Evolutionary Computation (IEEE CEC 2013), IEEE.. 2013.
      Membro: Rodrigo Coelho Barros.
    18. Melhor artigo do Simpósio Brasileiro de Banco de Dados (SBBD 2013), SBC.. 2013.
      Membro: Rodrigo Coelho Barros.
    19. Melhor artigo da Genetic and Evolutionary Computation Conference (GECCO 2012), ACM.. 2012.
      Membro: Rodrigo Coelho Barros.
    20. Melhor artigo do Encontro Nacional de Inteligência Artificial (ENIA 2011), SBC.. 2011.
      Membro: Rodrigo Coelho Barros.

Participação em eventos

  • Total de participação em eventos (36)
    1. AAAI Conference on Artificial Intelligence (AAAI 2020). Adaptive Cross-modal Embeddings for Image-Text Alignment. 2020. (Congresso).
    2. Brazilian Conference on Intelligent Systems (BRACIS 2020). Membro do comitê de programa. 2020. (Congresso).
    3. British Machine Vision Conference (BMVC 2020). Membro do comitê de programa. 2020. (Congresso).
    4. Concurso de Teses e Dissertações (CTD CSBC 2020). Membro do comitê de programa. 2020. (Congresso).
    5. International Conference on Deep Learning Theory and Applications (DeLTA 2020). Membro do comitê de programa. 2020. (Congresso).
    6. International Conference on Machine Learning (ICML 2020). Membro do comitê de programa. 2020. (Congresso).
    7. International Joint Conference on Artificial Intelligence (IJCAI 2020). Membro do comitê de programa. 2020. (Congresso).
    8. Neural Information Processing Systems (NeurIPS 2020). Membro do comitê de programa. 2020. (Congresso).
    9. 10th Brazilian-German Frontiers of Science and Technology Symposium.Neural Networks for (Self-)Supervised and Unsupervised Learning: Applications on Computer Vision, Natural Language Processing, Medical Imaging, and Robotics. 2019. (Simpósio).
    10. 23rd European Conference on Advances in Databases and Information Systems. Membro de Comitê de Programa. 2019. (Congresso).
    11. International Joint Conference on Artificial Intelligence (IJCAI). Membro do Comitê de Programa. 2019. (Congresso).
    12. AAAI Conference on Artificial Intelligence. Membro do Comitê de Programa. 2018. (Congresso).
    13. Brazilian Conference on Intelligent System. Membro do Comitê de Programa. 2018. (Congresso).
    14. Concurso de Teses e Dissertações em Inteligência Artificial e Computacional.Membro do Comitê de Programa. 2018. (Outra).
    15. IEEE BigData Congress. Membro do Comitê de Programa. 2018. (Congresso).
    16. IEEE Conference on Computer Vision and Pattern Recognition. Bidirectional Retrieval Made Simple. 2018. (Congresso).
    17. IEEE International Conference on Machine Learning and Applications. Membro do Comitê de Programa. 2018. (Congresso).
    18. IEEE Winter Conference on Applications of Computer Vision. Fast Self-Attentive Multimodal Retrieval. 2018. (Congresso).
    19. International Conference on Machine Learning. Hierarchical Multi-Label Classification Networks. 2018. (Congresso).
    20. International Joint Conference on Neural Networks. Seamless Nudity Censorship: an Image-to-Image Translation Approach based on Adversarial Learning. 2018. (Congresso).
    21. Symposium on Knowledge Discovery, Mining and Learning.Membro do Comitê de Programa. 2018. (Simpósio).
    22. The International Florida Artificial Intelligence Research Society Conference. Self-Attention for Synopsis-based Multi-Label Movie Genre Classification. 2018. (Congresso).
    23. Escola Regional de Banco de Dados. Deep Learning: A Mais Recente Revolução na Análise de Dados Não-Estruturados. 2017. (Congresso).
    24. International Joint Conference on Neural Networks. Deep Learning 7: Applications Session. 2017. (Congresso).
    25. Annual Hawaii International Conference on System Sciences. Media Professionals' Opinions about Interactive Visualizations of Political Polarization during Brazilian Presidential Campaigns on Twitter. 2016. (Congresso).
    26. International Conference on Data Mining (ICDM 2016). 2016. (Congresso).
    27. World Congress on Computational Intelligence (WCCI 2016). Movie Genre Classification with Convolutional Neural Networks. 2016. (Congresso).
    28. 30th ACM Symposium on Applied Computing (SAC 2015). Trilha de Computação Evolutiva. 2015. (Congresso).
    29. CSBC 2014 - CTD. On the Automatic Design of Decision-Tree Induction Algorithms. 2014. (Congresso).
    30. Genetic and Evolutionary Computation Conference (GECCO 2014). Evolving Relational Hierarchical Classification Rules for Predicting Gene Ontology-Based Protein Functions. 2014. (Congresso).
    31. 28th ACM Symposium on Applied Computing (SAC 2013).Membro do Comitê de Programa. 2013. (Simpósio).
    32. 27th ACM Symposium on Applied Computing.Membro do Comitê de Programa. 2012. (Simpósio).
    33. 11th International Conference on Intelligent Systems Design and Applications. A Bottom-Up Oblique Decision Tree Induction Algorithm. 2011. (Congresso).
    34. 26th ACM Symposium on Applied Computing. Membro do Comitê de Programa. 2011. (Congresso).
    35. Genetic and Evolutionary Computation Conference. Towards the Automatic Design of Decision Tree Induction Algorithms. 2011. (Congresso).
    36. VIII Encontro Nacional de Inteligência Artificial (ENIA 2011).Revisor Convidado. 2011. (Encontro).

Organização de eventos

  • Total de organização de eventos (2)
    1. CERRI, R. ; ZADROZNY, B. ; BARROS, L. N. ; BARROS, Rodrigo C.. Chair do Concurso de Teses e Dissertações em Inteligência Artificial e Computacional (CTDIAC 2016). 2016. Concurso
    2. SOARES, A. C. B. ; BARROS, Rodrigo C.. Chair do Concurso de Teses e Dissertações do Congresso da SBC (CTD CSBC 2016). 2016. Concurso

Lista de colaborações



(*) Relatório criado com produções desde 2010 até 2020
Data de processamento: 14/09/2020 20:04:44