Especialistas Seniores em Covid-19 com atuação no Brasil

Marcos Goncalves Quiles

Marcos G. Quiles is an Associate Professor at the Department of Science and Technology, Federal University of São Paulo, Brazil. He received his BS degree, with honors, in 2003 from the State University of Londrina, Brazil, and his M.Sc. and Ph.D. degrees in Computer Science from the University of São Paulo, Brazil, in 2004 and 2009, respectively. From January to July of 2008, Quiles was a Visiting Scholar in the Perception and Neurodynamics Lab at The Ohio State University, Columbus-OH-US. From January to December of 2017, Quiles was an Academic Visitor at the University of York, York-UK. He was awarded a Brazilian research productivity fellowship from the Brazilian National Research Council (CNPq). His research interests include nature-inspired computing, machine learning, complex networks, and their applications in interdisciplinary problems. (Texto informado pelo autor)

https://lattes.cnpq.br/8867164774240536 (28/10/2021)

Rótulo/Grupo:

Bolsa CNPq: Nível 2

Período de análise:

Endereço: Universidade Federal de São Paulo, Campus São José dos Campos. Avenida Cesare Mansueto Giulio Lattes, 1201 Eugênio de Mello 12247014 - São José dos Campos, SP - Brasil Telefone: (12) 39249500 Ramal: 9762 URL da Homepage: https://www.sjc.unifesp.br/

Grande área: Ciências Exatas e da Terra

Área: Ciência da Computação

Citações: Google Acadêmico

Produção bibliográfica

Artigos completos publicados em periódicos (28)
1. CERON, WILSON ; DE-LIMA-SANTOS, MATHIAS-FELIPE ; Quiles, Marcos G.. Fake news agenda in the era of COVID-19: Identifying trends through fact-checking content. Online Social Networks and Media. v. 21, p. 100116, issn: 2468-6964, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
2. MUCELINI, JOHNATAN ; QUILES, M.G. ; PRATI, R. C. ; SILVA, J. L. F.. Correlation-Based Framework for Extraction of Insights from Quantum Chemistry Databases: Applications for Nanoclusters. Journal of Chemical Information and Modeling. v. 61, p. 1125-1135, issn: 1549-9596, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
3. LAMOSA, JÉSSICA D. ; TOMÁS, LÍVIA R. ; Quiles, Marcos G. ; LONDE, LUCIANA R. ; SANTOS, LEONARDO B. L. ; MACAU, ELBERT E. N.. Topological indexes and community structure for urban mobility networks: Variations in a business day. PLoS One. v. 16, p. e0248126, issn: 1932-6203, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
4. CERON, WILSON ; GRUSZYNSKI SANSEVERINO, GABRIELA ; DE-LIMA-SANTOS, MATHIAS-FELIPE ; Quiles, Marcos G.. COVID-19 fake news diffusion across Latin America. SOCIAL NETWORK ANALYSIS AND MINING. v. 11, p. 47, issn: 1869-5450, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
5. BATISTA, KRYS E. A. ; SOARES, MARINALVA D. ; Quiles, Marcos G. ; PIOTROWSKI, MAURÍCIO J. ; DA SILVA, JUAREZ L. F.. Energy Decomposition to Access the Stability Changes Induced by CO Adsorption on Transition-Metal 13-Atom Clusters. Journal of Chemical Information and Modeling. v. 61, p. 2294-2301, issn: 1549-9596, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
6. GOUVÊA, ALESSANDRA M. M. M. ; DA SILVA, TIAGO S. ; MACAU, ELBERT E. N. ; Quiles, Marcos G.. Force-directed algorithms as a tool to support community detection. European Physical Journal-Special Topics. v. 1, p. 1, issn: 1951-6355, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
7. FERREIRA, G. F. ; QUILES, M. G. ; NAZARE, T. S. ; REZENDE, S. O. ; DEMARZO, M.. Automation of Article Selection Process in Systematic Reviews Through Artificial Neural Network Modeling and Machine Learning: Protocol for an Article Selection Model. JMIR RESEARCH PROTOCOLS. v. 10, p. e26448, issn: 1929-0748, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
8. AONO, A. H. ; PIMENTA, R. J. G. ; GARCIA, A. L. B. ; CORRER, F. H. ; HOSAKA, G. K. ; CARRASCO, M. M. ; CARDOSO-SILVA, C. B. ; MANCINI, M. C. ; SFORCA, D. A. ; SANTOS, L. B. ; NAGAI, J. S. ; PINTO, L. R. ; LANDELL, M. G. A. ; CARNEIRO, M. S. ; BALSALOBRE, T. W. ; QUILES, M. G. ; PEREIRA, W. A. ; MARGARIDO, G. R. A. ; SOUZA, A. P.. The Wild Sugarcane and Sorghum Kinomes: Insights Into Expansion, Diversification, and Expression Patterns. Frontiers in Plant Science. v. 12, p. 589, issn: 1664-462X, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
9. CESAR DE AZEVEDO, LUIS ; PINHEIRO, GABRIEL A. ; Quiles, Marcos G. ; DA SILVA, JUAREZ L. F. ; PRATI, RONALDO C.. Systematic Investigation of Error Distribution in Machine Learning Algorithms Applied to the Quantum-Chemistry QM9 Data Set Using the Bias and Variance Decomposition. Journal of Chemical Information and Modeling. v. 61, p. 4210-4223, issn: 1549-9596, 2021.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
10. SERON, W. ; LIMA, L. B. S. ; DOLIF NETO, G. ; QUILES, M. G. ; CANDIDO, O. A.. Community Detection in Very High-Resolution Meteorological Networks. IEEE Geoscience and Remote Sensing Letters. v. 17, p. 2007-2010, issn: 1545-598X, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
11. BATISTA, KRYS E. A. ; OCAMPO-RESTREPO, VIVIANNE K. ; SOARES, MARINALVA D. ; Quiles, Marcos G. ; PIOTROWSKI, MAURÍCIO J. ; DA SILVA, JUAREZ L. F.. Ab Initio Investigation of CO 2 Adsorption on 13-Atom 4d Clusters. Journal of Chemical Information and Modeling. v. 60, p. 537-545, issn: 1549-9596, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
12. MENDES, PAULO C. D. ; JUSTO, STELLA G. ; MUCELINI, JOHNATAN ; SOARES, MARINALVA D. ; BATISTA, KRYS E. A. ; Quiles, Marcos G. ; PIOTROWSKI, MAURÍCIO J. ; DA SILVA, JUAREZ L. F.. Ab Initio Insights into the Formation Mechanisms of 55-Atom Pt-Based Core-Shell Nanoalloys. Journal of Physical Chemistry C. v. 124, p. 1158-1164, issn: 1932-7447, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
13. BURKE, P. ; CAMPOS, C. B. L. ; COSTA, L. F. ; QUILES, M. G.. A biochemical network modeling of a whole-cell. Scientific Reports. v. 10, p. 1-14, issn: 2045-2322, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
14. PINHEIRO, GABRIEL A. ; MUCELINI, JOHNATAN ; SOARES, MARINALVA D. ; PRATI, RONALDO C. ; DA SILVA, JUAREZ L. F. ; Quiles, Marcos G.. Machine Learning Prediction of Nine Molecular Properties Based on the SMILES Representation of the QM9 Quantum-Chemistry Dataset. JOURNAL OF PHYSICAL CHEMISTRY A. v. 124, p. 9854-9866, issn: 1089-5639, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
15. FERREIRA, LEONARDO N. ; VEGA-OLIVEROS, DIDIER A. ; COTACALLAPA, MOSHÉ ; CARDOSO, MANOEL F. ; Quiles, Marcos G. ; Zhao, Liang ; MACAU, ELBERT E. N.. Spatiotemporal data analysis with chronological networks. Nature Communications. v. 11, p. 4036, issn: 2041-1723, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
16. LIMA SANTOS, LEONARDO BACELAR ; CARVALHO, LUIZ MAX ; SERON, WILSON ; COELHO, FLÁVIO C. ; MACAU, ELBERT E. ; Quiles, Marcos G. ; V. MONTEIRO, ANTÔNIO M.. How do urban mobility (geo)graph?s topological properties fill a map?. Applied Network Science. v. 4, p. 91, issn: 2364-8228, 2019.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
17. DOS SANTOS, ELDER DONIZETTI ; QUILES, MARCOS GONÇALVES ; FARIA, FABIO AUGUSTO. A correlation-based approach for event detection in Instagram. JOURNAL OF INTELLIGENT & FUZZY SYSTEMS. p. 1-12, issn: 1064-1246, 2018.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
18. COSTA, DIEGO G. DE B. ; REIS, BARBARA M. DA F. ; ZOU, YONG ; Quiles, Marcos G. ; MACAU, E. E. N.. Recurrence Density Enhanced Complex Networks for Nonlinear Time Series Analysis. INTERNATIONAL JOURNAL OF BIFURCATION AND CHAOS. v. 28, p. 1850008, issn: 0218-1274, 2018.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
19. IVO, ANDRÉ A. S. ; Guerra, Eduardo M. ; PORTO, S. M. ; CHOMA, JOELMA ; Quiles, Marcos G.. An approach for applying Test-Driven Development (TDD) in the development of randomized algorithms. JOURNAL OF SOFTWARE ENGINEERING RESEARCH AND DEVELOPMENT. v. 6, p. 9, issn: 2195-1721, 2018.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
20. MAIA, DANIEL M.N. ; DE OLIVEIRA, JOÃO E.M. ; Quiles, Marcos G. ; Macau, Elbert E.N.. Community detection in complex networks via adapted kuramoto dynamics. Communications in Nonlinear Science and Numerical Simulation. v. 53, p. 130-141, issn: 1007-5704, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
21. BENICASA, Alcides Xavier ; Quiles, Marcos G. ; SILVA, THIAGO C. ; ZHAO, Liang ; ROMERO, ROSELI A.F.. An object-based visual selection framework. Neurocomputing (Amsterdam). v. 180, p. 35-54, issn: 0925-2312, 2016.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
22. Quiles, Marcos G.; MACAU, E. E. N. ; RUBIDO, NICOLÁS. Dynamical detection of network communities. Scientific Reports. v. 6, p. 25570, issn: 2045-2322, 2016.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
23. Breve, Fabricio A. ; ZHAO, LIANG ; Quiles, Marcos G.. Particle Competition and Cooperation for Semi-Supervised Learning with Label Noise. Neurocomputing (Amsterdam). v. 160, p. 63-72, issn: 0925-2312, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
24. QUILES, M. G. ; BASGALUPP, M. P. ; BARROS, Rodrigo C.. An Oscillatory Correlation Model for Semi-Supervised Classification. LEARNING AND NONLINEAR MODELS. v. 11, p. 3-10, issn: 1676-2789, 2013.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
25. Breve, Fabricio ; Zhao, Liang ; Quiles, Marcos ; Pedrycz, Witold ; Liu, Jiming. Particle Competition and Cooperation in Networks for Semi-Supervised Learning. IEEE Transactions on Knowledge and Data Engineering (Print). v. 24, p. 1686-1698, issn: 1041-4347, 2012.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
26. BARROS, RODRIGO C. ; BASGALUPP, MÁRCIO P. ; CARVALHO, ANDRÉ C. P. L. F. ; Quiles, Marcos G.. Clus-DTI: improving decision-tree classification with a clustering-based decision-tree induction algorithm. JOURNAL OF THE BRAZILIAN COMPUTER SOCIETY (IMPRESSO). v. 18, p. 351-362, issn: 1678-4804, 2012.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
27. Quiles, Marcos G.; Wang, DeLiang ; Zhao, Liang ; Romero, Roseli A.F. ; Huang, De-Shuang. Selecting salient objects in real scenes: An oscillatory correlation model. Neural Networks. v. 24, p. 54-64, issn: 0893-6080, 2011.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
28. Honório, Káthia M. ; De Lima, Emmanuela F. ; Quiles, Marcos G. ; Romero, Roseli A. F. ; Molfetta, Fábio A. ; Da Silva, Albérico B. F.. Artificial Neural Networks and the Study of the Psychoactivity of Cannabinoid Compounds. Chemical Biology & Drug Design (Print). v. 75, p. 632-640, issn: 1747-0277, 2010.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Livros publicados/organizados ou edições (0)
Capítulos de livros publicados (1)
1. Breve, Fabricio ; Zhao, Liang ; Quiles, Marcos ; Pedrycz, Witold ; Liu, Jiming. Particle Competition and Cooperation for Uncovering Network Overlap Community Structure. Lecture Notes in Computer Science. 1ed. Em: . : Springer Berlin Heidelberg. 2011.v. 6677, p. 426-433.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Textos em jornais de notícias/revistas (0)
Trabalhos completos publicados em anais de congressos (38)
1. PINHEIRO, G. A. ; DA SILVA, JUAREZ L. F. ; SOARES, MARINALVA D. ; QUILES, M.G.. A Graph-based Clustering Analysis of the QM9 Dataset via SMILES Descriptors. Em: The 20th International Conference on Computational Science and its Applications ICCSA, v. 1, p. 1-13, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
2. COTACALLAPA, MOSHE ; BERTON, LILIAN ; FERREIRA, LEONARDO N. ; Quiles, Marcos G. ; Zhao, Liang ; MACAU, ELBERT E. N. ; VEGA-OLIVEROS, DIDIER A.. Measuring the engagement level in encrypted group conversations by using temporal networks. Em: 2020 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 1-8, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
3. GALINDO, Y. ; DE CICCO, M. ; QUILES, M.G. ; LORENA, A. C.. Monitoring Night Skies with Deep Learning. Em: International Conference on Neural Information Processing (ICONIP), v. 1332, p. 460-468, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
4. GOUVEA, A. M. M. M. ; VEGA-OLIVEROS, DIDIER A. ; COTACALLAPA, M. ; FERREIRA, L. N. ; MACAU, E. E. N. ; QUILES, M. G.. Dynamic community detection into analyzing of wildfires events. Em: The 20th International Conference on Computational Science and its Applications ICCSA, v. 1, p. 1-16, 2020.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
5. VEGA-OLIVEROS, DIDIER A. ; COTACALLAPA, MOSHÉ ; FERREIRA, LEONARDO N. ; Quiles, Marcos G. ; Zhao, Liang ; MACAU, ELBERT E. N. ; CARDOSO, MANOEL F.. From spatio-temporal data to chronological networks: An application to wildfire analysis. Em: 34th ACM/SIGAPP Symposium on Applied Computing (SAC?19), v. 1, p. 675, 2019.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
6. NOGUEIRA LORENA, LUIZ HENRIQUE ; GONCALVES QUILES, MARCOS ; NOGUEIRA LORENA, LUIZ ANTONIO ; DE CARVALHO, ANDRE C. P. L. F. ; CESPEDES, JULIANA GARCIA. Qualitative data clustering: a new Integer Linear Programming model. Em: 2019 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 1-10, 2019.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
7. PORTO, S. ; QUILES, M. G.. Clustering Data Streams: A complex network approach. Em: International Conference on Computational Science and Applications (ICCSA 2019), v. 1, p. 1-15, 2019.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
8. LORENA, L. H. N. ; QUILES, M. G. ; LORENA, L. A. N.. Improving the performance of an integer linear programming community detection algorithm through clique filtering. Em: International Conference on Computational Science and Applications (ICCSA 2019), v. 1, p. 1-16, 2019.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
9. LORENA, L. H. N. ; QUILES, M. G. ; CARVALHO, A. P. L. F. ; LORENA, L. A. N.. Preprocessing technique for Cluster Editing via Integer Linear Programming. Em: Fourteenth International Conference on Intelligent Computing (ICIC 2018), v. 1, p. 1-12, 2018.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
10. FREITAS, VANDER LUIS DE SOUZA ; QUILES, MARCOS GONÇALVES ; MACAU, ELBERT E. N.. Controle baseado em redes neurais artificiais para agentes móveis em formação. Em: CNMAC 2017 XXXVII Congresso Nacional de Matemática Aplicada e Computacional, v. 6, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
11. SANTANA, ALESSANDRA ; MORAIS, ALESSANDRA ; Quiles, Marcos G.. An alternative approach for binary and categorical self-organizing maps. Em: 2017 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 2604-8, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
12. SANTOS, J. S. ; SAVII, R. M. ; IDE, J. S. ; LI, C-S. R. ; QUILES, M.G. ; BASGALUPP, M. P.. Classification of cocaine dependents from fMRI data using cluster-based stratification and deep learning. Em: The 17th International Conference on Computational Science and Applications, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
13. MIQUILINI, PATRICIA ; ROSSI, RAFAEL G. ; Quiles, Marcos G. ; MELO, VINICIUS V. DE ; BASGALUPP, MARCIO P.. Automatically Design Distance Functions for Graph-Based Semi-Supervised Learning. Em: 2017 IEEE Trustcom/BigDataSE/ICESS, p. 933, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
14. RESENDE, HUGO ; FAZENDA, ALVARO LUIZ ; QUILES, MARCOS GONCALVES. Parallel Algorithm for Dynamic Community Detection. Em: 2017 29th International Symposium on Computer Architecture and HighPerformance Computing: Workshops (SBACPADW), p. 55, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
15. OLIVEIRA, J. E. M. ; MOSHE, F. ; SERON, W. ; SANTOS, R. D. C. ; QUILES, M. G.. Sentiment and Behavior Analysis of one Controversial American Individual on Twitter. Em: The 23rd International Conference on Neural Information Processing (ICONIP), v. 9948, p. 509-518, 2016.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
16. MAXIMO, V. ; NASCIMENTO, M. C. V. ; BREVE, F. A. ; QUILES, M. G.. Active Consensus-Based Semi-Supervised Growing Neural Gas. Em: The 23rd International Conference on Neural Information Processing (ICONIP), v. 9948, p. 126-135, 2016.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
17. DE OLIVEIRA, JOÃO E. M. ; Quiles, Marcos G. ; MAIA, Marcos D. N. ; MACAU, ELBERT E. N.. Community detection, with lower time complexity, using coupled Kuramoto oscillators. Em: the 30th Annual ACM Symposium, v. 1, p. 1160-7, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
18. SERON, W. ; ZORZAL, E. R. ; QUILES, M.G. ; BASGALUPP, M. P. ; BREVE, F. A.. #Worldcup2014 on Twitter. Em: The 15th International Conference on Computational Science and Its Applications (ICCSA 2015), v. 9155, p. 447-458, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
19. BREVE, F. A. ; QUILES, M.G. ; ZHAO, L.. Interactive Image Segmentation of Non-contiguous Classes Using Particle Competition and Cooperation. Em: 15th International Conference on Computational Science and Its Applications, v. 9155, p. 203-216, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
20. Breve, Fabricio ; QUILES, MARCOS GONCALVES ; Zhao, Liang. Interactive image segmentation using particle competition and cooperation. Em: 2015 International Joint Conference on Neural Networks (IJCNN), v. 9155, p. 1-216, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
21. REIS, B. M. F. ; MACAU, E. E. N. ; QUILES, M.G. ; DOMINGUES, M. O.. Uso de transformada wavelet discreta ortogonal e gráfico de recorrência para caracterização de sistemas dinâmicos não-lineares. Em: Conferência Brasileira de Dinâmica, v. 1, p. 1-7, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
22. DIAS, J. ; QUILES, M. G. ; LORENA, A. C.. Using Growing Neural Gas in Prototype Generation for Nearest Neighbor Classifiers. Em: International Conference on Neural Information Processing (ICONIP2015), v. 9490, p. 276-283, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
23. SANTANA, A. F. ; QUILES, M. G.. Inferring MicroRNA-Disease Associations using Self-Organizing Maps. Em: Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), v. 1, p. 1-6, 2015.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
24. MAXIMO, VINICIUS R. ; Quiles, Marcos G. ; NASCIMENTO, MARIA C. V.. A consensus-based semi-supervised growing neural gas. Em: 2014 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 2019-2026, 2014.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
25. OLIVEIRA, JOAO ELIAKIN MOTA DE ; Quiles, Marcos G.. Community Detection in Complex Networks Using Coupled Kuramoto Oscillators. Em: 2014 14th International Conference on Computational Science and Its Applications (ICCSA), v. 1, p. 85-90, 2014.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
26. ZORZAL, EZEQUIEL R. ; SOUSA, CELSO A.R. DE ; CARDOSO, ALEXANDRE ; KIRNER, CLAUDIO ; LAMOUNER, EDGARD A. ; Quiles, Marcos G.. Development of Adaptive Information Visualization Systems with Augmented Reality. Em: 2014 18th International Conference on Information Visualisation (IV), v. 1, p. 211-216, 2014.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
27. BENICASA, ALCIDES X. ; Quiles, Marcos G. ; SILVA, THIAGO C. ; Zhao, Liang ; Romero, Roseli A.F.. An Object-Based Visual Selection Model Combining Physical Features and Memory. Em: 2014 Brazilian Conference on Intelligent Systems (BRACIS 2014), v. 1, p. 234-240, 2014.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
28. PORTO, S. ; QUILES, M. G.. A Methodology for Generating Time-Varying Complex Networks with Community Structure. Em: The 14th International Conference on Computational Science and Its Applications (ICCSA 2014), v. 8579, p. 344-359, 2014.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
29. MORAIS, A. M. M. ; QUILES, M. G. ; SANTOS, R. D. C.. Icon and Geometric Data Visualization with a Self-Organizing Map Grid. Em: The 14th International Conference on Computational Science and Its Applications (ICCSA 2014), v. 8584, p. 562-575, 2014.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
30. QUILES, M.G.; ZORZAL, E. R. ; MACAU, E. E. N.. A Dynamical Model for Community Detection in Complex Networks. Em: The International Joint Conference on Neural Networks (IJCNN), v. 1, p. 1-8, 2013.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
31. BENICASA, A. X. ; QUILES, M. G. ; Zhao, Liang ; Romero, Roseli A. F.. Top-Down Biasing and Modulation for Object-Based Visual Attention. Em: 20th International Conference on Neural Information Processing (ICONIP 2013), v. 8228, p. 325-332, 2013.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
32. BENICASA, ALCIDES X. ; Quiles, Marcos G. ; Zhao, Liang ; Romero, Roseli A.F.. An Object-Based Visual Selection Model with Bottom-Up and Top-Down Modulations. Em: 2012 Brazilian Symposium on Neural Networks (SBRN), v. 1, p. 238-243, 2012.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
33. QUILES, M. G. ; BASGALUPP, M. P. ; BARROS, R. C.. Um Modelo de Correlação Oscilatória para Classificação Semi-Supervisionada. Em: Encontro Nacional de Inteligência Artificial (ENIA), v. 1, p. 1-12, 2012.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
34. BREVE, F. A. ; ZHAO, L. ; QUILES, M. G. ; PEDRYCZ, W. ; LIU, J.. Particle Competition and Cooperation for Uncovering Network Overlap Community Structure. Em: The 8th International Symposium on Neural Networks (ISNN 2011), v. 6677, p. 426-433, 2011.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
35. BARROS, R. C.; CARVALHO, A.C.P.L.F. de ; BASGALUPP, M. P. ; QUILES, M. G.. Um algoritmo de indução de árvore de decisão baseado em agrupamento. Em: VIII Encontro Nacional de Inteligência Artificial (ENIA 2011), v. 1, p. 1-10, 2011.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
36. BARROS, RODRIGO C. ; DE CARVALHO, ANDRE C. P. L. R ; BASGALUPP, MARCIO R ; Quiles, Marcos G.. A clustering-based decision tree induction algorithm. Em: 2011 11th International Conference on Intelligent Systems Design and Applications (ISDA), v. 1, p. 543-550, 2011.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
37. QUILES, Marcos Gonçalves ; ZHAO, Liang ; BREVE, Fabrício ; ROCHA, Anderson. Label Propagation Through Neuronal Synchrony. Em: 2010 International Joint Conference on Neural Networks (IJCNN'2010), v. 1, p. 2517-2524, 2010.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
38. BREVE, F. A. ; ZHAO, L. ; QUILES, M. G.. Semi-Supervised Learning from Imperfect Data through Particle Cooperation and Competition. Em: 2010 International Joint Conference on Neural Networks (IJCNN'2010), v. 1, p. 3686-3693, 2010.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Resumos expandidos publicados em anais de congressos (0)
Resumos publicados em anais de congressos (1)
1. SERON, W. ; CANDIDO, O. A. ; LIMA, L. B. S. ; QUILES, M. G.. Escala meteorológica em redes dinâmicas de precipitação. Em: Congresso Nacional de Matemática Aplicada e Computacional (CNMAC), 2017, São José dos Campos. Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, v. 6, p. 1-2, 2017.
  [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Artigos aceitos para publicação (0)
Apresentações de trabalho (0)
Demais tipos de produção bibliográfica (0)

Produção técnica

Programas de computador com registro de patente (0)
Programas de computador sem registro de patente (0)
Produtos tecnológicos (0)
Processos ou técnicas (0)
Trabalhos técnicos (15)
1. QUILES, M.G. Revisor de Artigos - The International Joint Conference on Neural Networks (IJCNN). 2014.
  [ busca Google | busca Bing ]
2. QUILES, M.G. Revisor de Artigos - Conference on Graphics, Patterns and Images (SIBGRAPI). 2014.
  [ busca Google | busca Bing ]
3. QUILES, M.G. Membro de Comitê - The International Joint Conference on Knowledge Discovery (KDIR). 2014.
  [ busca Google | busca Bing ]
4. QUILES, M.G. Membro de Comitê - IADIS Applied Computing 2013 (AC 2014). 2014.
  [ busca Google | busca Bing ]
5. Quiles, Marcos G. Membro de Comitê - The International Joint Conference on Knowledge Discovery (KDIR). 2013.
  [ busca Google | busca Bing ]
6. Quiles, Marcos G. Membro de Comitê - The 2013 International Conference on Brain Inspired Cognitive Systems (BICS 2013). 2013.
  [ busca Google | busca Bing ]
7. QUILES, M.G. Revisor de Artigos - The International Joint Conference on Neural Networks (IJCNN). 2013.
  [ busca Google | busca Bing ]
8. QUILES, M.G. Revisor de Artigo - Conferência Brasileira de Dinâmica, Controle e Aplicações (DINCON). 2013.
  [ busca Google | busca Bing ]
9. Quiles, Marcos G. Membro de Comitê - Encontro Nacional de Inteligência Artificial (ENIA). 2012.
  [ busca Google | busca Bing ]
10. Quiles, Marcos G. Membro de Comitê - The International Joint Conference on Knowledge Discovery (KDIR). 2012.
  [ busca Google | busca Bing ]
11. Quiles, Marcos G. Revisor de Artigos - Brazilian Symposium on Neural Networks - SBRN. 2012.
  [ busca Google | busca Bing ]
12. Quiles, Marcos G. Membro de Comitê - The International Joint Conference on Knowledge Discovery (KDIR). 2011.
  [ busca Google | busca Bing ]
13. QUILES, M. G. Revisor de Artigos - 2010 IEEE World Congress on Computational Intelligence. 2010.
  [ busca Google | busca Bing ]
14. QUILES, M. G. Membro de Comitê - Dynamics Days 2010. 2010.
  [ busca Google | busca Bing ]
15. Quiles, Marcos G. Membro de Comitê - The International Joint Conference on Knowledge Discovery (KDIR). 2010.
  [ busca Google | busca Bing ]
Demais tipos de produção técnica (0)

Produção artística

Total de produção artística (0)

Orientações em andamento

Supervisão de pós-doutorado (0)
Tese de doutorado (5)
1. André Freitas Oliveira. Representação de Materiais via Aprendizado de Máquina. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Início: 2020.
  Orientador: Marcos Gonçalves Quiles.
2. Gabriel Augusto Lins Leal Pinheiro. Predição de propriedades moleculares com alta acurácia: uma abordagem via aprendizado semi-supervisionado. Tese (Doutorado em Ciência da Computação) - Universidade Federal de São Paulo, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Início: 2020.
  Orientador: Marcos Gonçalves Quiles.
3. Juliano Elias Cardoso Cruz. Causality Analysis in Climate Networks. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, . Início: 2018.
  Orientador: Marcos Gonçalves Quiles.
4. Wilson Francisco Moreira de Souza Seron. Geografos espaço temporais (provisório). Tese (Doutorado em Ciência da Computação) - Universidade Federal de São Paulo, . Início: 2017.
  Orientador: Marcos Gonçalves Quiles.
5. Alessandra Marli Maria Morais. Caracterização de Redes Complexas Dinâmicas. Tese (Doutorado em Ciência da Computação) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo. Início: 2016.
  Orientador: Marcos Gonçalves Quiles.
Dissertação de mestrado (2)
1. Otaviano da Cruz Neto. Active Learning in Machine Learning Force Fields. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, . Início: 2021.
  Orientador: Marcos Gonçalves Quiles.
2. Carlos Augusto Guimarães Junior. Redes Complexas: Eventos Extremos Climáticos de Precipitação para América do Sul Utilizando Simulações do CMIP6. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, . Início: 2019.
  Orientador: Marcos Gonçalves Quiles.
Monografia de conclusão de curso de aperfeiçoamento/especialização (0)
Trabalho de conclusão de curso de graduação (1)
1. Fernando dos Santos Soares. Estudo da estrutura de comunidades em redes climáticas variantes no tempo. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . Início: 2019.
  Orientador: Marcos Gonçalves Quiles.
Iniciação científica (2)
1. Felipe Vaiano Calderan. Seleção de Moléculas Representativas via Aprendizado de Máquina. Iniciação científica (Graduando em Bacharelado em Ciência e Tecnologia) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo. Início: 2020.
  Orientador: Marcos Gonçalves Quiles.
2. Bruno Rasera. Autoencoder para aprendizado de representações moleculares. Iniciação científica (Graduando em Bacharelado em Ciência e Tecnologia) - Universidade Federal de São Paulo, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Início: 2020.
  Orientadores: Ana Paula Canedo Valente, Marcos Gonçalves Quiles.
Orientações de outra natureza (0)

Supervisões e orientações concluídas

Supervisão de pós-doutorado (1)
1. Marinalva Dias Soares. . Universidade Federal de São Paulo, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2018.
  Supervisor: Marcos Gonçalves Quiles.
Tese de doutorado (3)

Frank Moshé Cotacallapa Choque. Detecção de padrões em dados espaciais e temporais via redes complexas. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2020.
Orientador: Marcos Gonçalves Quiles.
Luiz Henrique Nogueira Lorena. Novas formulações e técnicas de pré-processamento para o problema de particionamento de gratos em cliques. Tese (Doutorado em Ciência da Computação) - Universidade Federal de São Paulo, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2019.
Orientadores: Marcos Gonçalves Quiles, André Carlos Ponce de Leon Ferreira de Carvalho.
Sandy Moreira Porto. Rede Protótipo: um algoritmo para agrupamento de fluxo de dados baseado em redes complexas. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2019.
Orientador: Marcos Gonçalves Quiles.
Dissertação de mestrado (12)

Gabriel Augusto Lins Leal Pinheiro. Predição de propriedades moleculares via aprendizado de máquina e representação SMILES. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2020.
Orientador: Marcos Gonçalves Quiles.
Thiago Henrique Rizzi Donato. Machine learning systems applied in lithium-ion battery set impedance estimation. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, . 2018.
Orientador: Marcos Gonçalves Quiles.
Jéssica Domingues Santos. Mobilidade urbana em um dia típico - (Geo)grafos variantes no tempo. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. 2018.
Supervisor: Marcos Gonçalves Quiles.
Alessandra de França Santana. Associações de MiRNAs via Mapas Auto-Organizáveis Binários e Categóricos. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Paulo, . 2017.
Orientador: Marcos Gonçalves Quiles.
Elder Donizetti dos Santos. A Comparative Study on Regression Approaches for Event Detection in Instagram. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Paulo, . 2017.
Supervisor: Marcos Gonçalves Quiles.
Paulo Eduardo Pinto Burke. Representacão de células completas utilizando redes complexas. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Paulo, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2016.
Orientador: Marcos Gonçalves Quiles.
Barbara Maximino da Fonseca Reis. Uso de Gráfico de Recorrência e Transformada Wavelet Discreta para Caracterização de Sistemas Dinâmicos. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. 2016.
Supervisor: Marcos Gonçalves Quiles.
Jussara Miranda Dias. Utilização da rede Growing Neural Gás para geração de protótipos. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Paulo, . 2016.
Supervisor: Marcos Gonçalves Quiles.
Wilson Francisco Moreira de Souza Seron. Análise de Redes Sociais: Um Estudo do Twitter. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Paulo, . 2015.
Orientador: Marcos Gonçalves Quiles.
João Eliakin Mota de Oliveira. Detecção de Comunidades em Redes Complexas: Uma Abordagem com Modelos Dinâmicos. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Paulo, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2015.
Orientador: Marcos Gonçalves Quiles.
Sandy Moreira Porto. Metodologia para evolução de comunidades em redes complexas dinâmicas. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Conselho Nacional de Desenvolvimento Científico e Tecnológico. 2014.
Orientador: Marcos Gonçalves Quiles.
Diego Guimarães de Brito Costa. Uso de Gráfico de Recorrência e Redes Complexas para Caracterização de Sistemas Complexos de Baixa Dimensão. Dissertação (Mestrado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. 2014.
Supervisor: Marcos Gonçalves Quiles.
Monografia de conclusão de curso de aperfeiçoamento/especialização (0)
Trabalho de conclusão de curso de graduação (16)

Luiz Otávio de Medeiros Portella Passos. Uso de Redes Neurais Recorrentes para Previsão na Bovespa. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2021.
Orientador: Marcos Gonçalves Quiles.
Renan Soares Lopes. Detecção de Comunidades em Redes do Mercado Financeiro. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2021.
Orientador: Marcos Gonçalves Quiles.
Robinson Alves Junior. Classificação de Áreas Agrícolas de Acordo com a Cultura Cultivada utilizando Sensoriamento Remoto e Redes Neurais Artificiais. (Graduação em Engenharia da Computação) - Universidade Federal de São Paulo, . 2020.
Orientador: Marcos Gonçalves Quiles.
Victor Renó Poglioni. Geração de Redes Climáticas Utilizando Autoencoders. (Graduação em Engenharia da Computação) - Universidade Federal de São Paulo, . 2019.
Orientador: Marcos Gonçalves Quiles.
Patricia Aparecida de Souza. Estudo e Análise Comparativa das Técnicas de Redução de Dimensionalidade Lineares e Não Lineares. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2018.
Orientador: Marcos Gonçalves Quiles.
Luiz Felipe Nardin Barreta. Estudo Comparativo de Técnicas de Aprendizado Semi-supervisionado Baseadas em Grafos. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2014.
Orientador: Marcos Gonçalves Quiles.
Alessandra de França Santana. Aplicação de técnicas de aprendizado máquina em uma base de dados de microRNAs associados a doenças. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2012.
Orientador: Marcos Gonçalves Quiles.
John Henrique Teixeira de Godoi. Classificação de Padrões de Manchas de Sangue a Partir de Fotografias Digitais (Em parceria com Prof. Anderson Rocha - IC-Unicamp). (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2012.
Orientador: Marcos Gonçalves Quiles.
João Eliakin Mota de Oliveira. Detecção de Comunidades em Redes Complexas: Um modelo baseado em competição de partículas. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2012.
Orientador: Marcos Gonçalves Quiles.
Samuel da Silva Marcondes. Agrupamento de Dados Semi-Supervisionado em Redes Complexas Baseado em Movimentação Dinâmica de Vértices. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2012.
Orientador: Marcos Gonçalves Quiles.
Tatiana Arimura Fialho. Identificação computacional de anomalias do genoma humana. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2012.
Orientador: Marcos Gonçalves Quiles.
Thiago Rossener Nogueira. Cálculo volumétrico de uma gota utilizando processamento de imagens. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2012.
Orientador: Marcos Gonçalves Quiles.
Graziela Molchansky Langbeck. Modelagem e Implementação de um Banco de Dados de Genoma para o Projeto Zoológico. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2011.
Orientador: Marcos Gonçalves Quiles.
Douglas Eduardo Parra. Detecção de Comunidades em Redes Complexas: Modelos Dinâmicos. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2011.
Orientador: Marcos Gonçalves Quiles.
Paulo Vitor Mira Fonseca. Detecção de Faces em Vídeos. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2011.
Orientador: Marcos Gonçalves Quiles.
Celso André Rodrigues de Sousa. Implementação e Análise Comparativa de Técnicas de Aprendizado Semi-Supervisionado Baseadas em Grafos. (Graduação em Ciência da Computação) - Universidade Federal de São Paulo, . 2010.
Orientador: Marcos Gonçalves Quiles.
Iniciação científica (7)

Felipe Vaiano Calderan. Agrupamento para Seleção de Moléculas Representativas. (Graduando em Bacharelado em Ciência e Tecnologia) - Universidade Federal de São Paulo, Conselho Nacional de Desenvolvimento Científico e Tecnológico. 2019.
Orientador: Marcos Gonçalves Quiles.
Patricia Aparecida de Souza. Aprendizado Ativo em Redes Complexas. (Graduando em Ciência e Tecnologia) - Universidade Federal de São Paulo, . 2015.
Orientador: Marcos Gonçalves Quiles.
Paulo Eduardo Pinto Burke. Ferramenta para Visualização de Redes Complexas. (Graduando em Bacharelado em Ciência e Tecnologia) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo. 2013.
Orientador: Marcos Gonçalves Quiles.
Renan Arantes Bernardes Vieira. Implementação de uma Biblioteca para Análise de Redes Complexas. (Graduando em Bacharelado em Ciência e Tecnologia) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo. 2012.
Orientador: Marcos Gonçalves Quiles.
Lucas Willian Leal. Ferramenta para Visualização de Redes Complexas. (Graduando em Bacharelado em Ciência e Tecnologia) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo. 2012.
Orientador: Marcos Gonçalves Quiles.
Samuel da Silva Marcondes. Agrupamento de Dados em Redes Complexas Baseado em Movimentação Dinâmica de Vértices. (Graduando em Ciência da Computação) - Universidade Federal de São Paulo, Conselho Nacional de Desenvolvimento Científico e Tecnológico. 2011.
Orientador: Marcos Gonçalves Quiles.
Douglas Eduardo Parra. Detecção de Comunidades Baseada na Competição e Cooperação de Partículas. (Graduando em Ciência da Computação) - Universidade Federal de São Paulo, Conselho Nacional de Desenvolvimento Científico e Tecnológico. 2010.
Orientador: Marcos Gonçalves Quiles.
Orientações de outra natureza (0)

Projetos de pesquisa

Total de projetos de pesquisa (11)

2018-Atual. Ciencia Computacional de Materiais
Descrição: Grande parte da energia consumida no mundo vem da queima de combustíveis fósseis à base de petróleo (óleo diesel, gasolina, querosene para aviação e gás liquefeito). Além dos combustíveis utilizados em nossa sociedade moderna, o petróleo também é matéria-prima de uma extensa cadeia de produtos, por exemplo, parafina, produtos de asfalto, nafta petroquímica, solventes, plásticos, etc. Apesar da grande importância dos combustíveis fósseis, existem vários motivos para a pesquisa de fontes de energia alternativas e renováveis, que inclui problemas ambientais e o fato de que o petróleo vai se esgotar no futuro. Por conseguinte, existe um grande interesse no uso de recursos de energia renovável, como a energia hidrelétrica, a biomassa, o mar, o vento interior, a energia fotovoltaica, o hidrogênio, bem como o desenvolvimento de novos veículos de energia a partir da conversão de metano e/ou do CO2 capturado de ar combinado com H2 da água. Devido à grande demanda, acreditamos que essas tecnologias serão combinadas no futuro para produzir um planeta sustentável. A Divisão de Computação de Ciência e Química de Materiais (CMSC) se concentrará apenas em algumas dessas vias. Acreditamos firmemente que, entre todas essas fontes de energia, devem seguir-se quatro caminhos, a saber: (i) conversão de fótons para elétrons que utilizando dispositivos fotovoltaicos, como a energia fotovoltaica deve contribuir com cerca de 30 por cento (relatório Shell) para a nossa matriz de energia no futuro, (ii) armazenamento de energia com baterias e supercapacitores para suportar o crescimento da energia eólica, (iii) captura de CO2 e conversão para produtos de valor agregado - metanol, gasolina -range hidrocarbonetos, que podem fornecer um papel crucial para o nosso futuro como um problema ambiental pode ser parte da solução, (iv) conversão de metano em novos combustíveis de alta densidade - metanol, etc., que deverá desempenhar um papel importante devido à grande oferta de gás natural no mundo todo. Para abordar esses problemas, propomos empregar o estado da arte nas ferramentas de Ciência Computacional de Materiais para oferecer soluções de ponta. Para a organização prática, propomos nove projetos, que incluem dois projetos de conversão de fótons para elétrons à utilizando fotovoltaica (em particular perovskites) e fotoquímica, dois projetos para estudar a conversão de metano e CO2 capturados de ar para produtos de alto valor, como altos portadores de energia de densidade (metanol) empregando materiais porosos combinados com partículas de tamanho finito de metal de transição. Para o armazenamento de energia, exploramos baterias e supercapacitores, em particular, estamos interessados em tecnologias além de Li e empregamos condutores iônicos baratos. Além dos seis projetos, propusemos três projetos transversais com o potencial de contribuir para os seis projetos anteriores, bem como para oferecer sua contribuição individual, que inclui: engenharia de nanocatalisadores, dinâmica de fluidos para abordar o fluxo de líquidos iônicos e as técnicas de aprendizado da máquina, que serão aplicadas para explorar dados teóricos e experimentais das três divisões restantes. Portanto, nossa Divisão combinada com as três Divisões Centrais adicionais têm um grande potencial para produzir importantes contribuições para a geração de Novas Energias.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Doutorado: (2) . Integrantes: Marcos Gonçalves Quiles - Integrante / Juarez Lopes Ferreira da Silva - Coordenador / Ataualpa Albert Carmo Braga - Integrante / Leonardo José Amaral de Siqueira - Integrante / Luis Gustavo Dias - Integrante / Matheus Paes Lima - Integrante / Ronaldo Cristiano Prati - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
2018-Atual. Caracterizacao de Redes Complexas Dinamicas
Descrição: O estudo de sistemas reais via redes complexas tem sido uma área bastante ativa nos últimos anos. Contudo, grande parte do progresso obtido nesse período está relacionado ao estudo das propriedades de redes com topologia fixa (estática). Comumente, o estudo e a síntese de redes complexas faz uso de medidas capazes de caracterizar seus principais atributos topológicos. A caracterização da rede é útil tanto no entendimento e reconhecimento de sistemas reais quanto em modelagem e simulação de sistemas sintéticos. No cenário dinâmico, a estrutura topológica pode variar ao longo do tempo, podendo, inclusive, acarretar na alteração de funções e propriedades do sistema em estudo. Dessa forma, a definição de medidas capazes de caracterizar as propriedades estruturais de redes dinâmicas e suas respectivas alterações ao longo do tempo são essenciais em diversos cenários não estacionários, i.e. o clima. Nesse contexto, este projeto de pesquisa tem como um de seus objetivos desenvolver novas abordagens para caracterizar redes dinâmicas tanto em micro quanto em macro escala. Em especial, pretende-se estender o modelo proposto por Quiles et al. \citep{quiles2016dynamical} nos seguintes aspectos: 1) caracterização da estrutura de comunidades em redes dinâmicas genéricas e 2) estudo da representação via espaço de partículas para extração de novas medidas. Este projeto também prevê a aplicação dos métodos desenvolvidos no estudo da evolução de redes reais, como redes meteorológicas, climáticas e redes de queimadas.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Doutorado: (4) . Integrantes: Marcos Gonçalves Quiles - Coordenador / João Eliakin Mota de Oliveira - Integrante / Alessandra Marli M. Morais - Integrante / Wilson Seron - Integrante / Elbert Einstein Nehrer Macau - Integrante / Frank Moshé - Integrante / Manoel Cardoso Ferreira - Integrante / Leonardo Bacelar Santos Lima - Integrante / Sâmia Regina Garcia Calheiros - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
2017-2017. Characterising Time-Varying Networks: Methods and Applications
Descrição: The study of real systems via complex networks has been a very active area in recent years. However, much of the progress made during this period is related to the study of the properties of networks with fixed topology (static). Commonly, the study and synthesis of complex networks make use of measures to characterize its main topological attributes. The characterization of the network is useful both in understanding and recognition of real systems and in modeling and simulation of synthetic systems. In the dynamic scenario, the topological structure may vary over time and may even result in the change of system functions and properties under study. Thus, the definition of measures to characterize the structural properties of dynamic networks and their changes over time are essential in many non-stationary scenarios, i.e. the climate. In this context, this research project has as one of its objectives to develop novel approaches to characterize time-varying networks both in micro and in macro scale. In particular, our aim is to extend the model proposed by Quiles et al. [1] to detect community structure in generic networks, such as weighted, directed, and multilayer networks with lower computational complexity. Further, we will scrutinize the particle space proposed in [1] as an alternative representation to compute new characterization measurements. In this research project, we will also investigate the application of the methods for characterizing complex time-varying networks to study the evolution of climate networks. As an initial approach, we will extend the methodologies proposed in [2,3] to examine the evolution of the community structure in climate networks generated from satellite images.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Marcos Gonçalves Quiles - Coordenador / Richard Charles Wilson - Integrante / Edwin Hancock - Integrante.
Membro: Marcos Goncalves Quiles.
2017-Atual. Projeto de Pesquisa Tematico da FAPESP - Fenomenos Dinamicos em Redes Complexas: Fundamentos e Aplicacoes
Descrição: Processo 2015/50122-0 - Ao longo da última década, o enfoque de rede entre agentes dinâmicos com topologias complexas tem se tornado uma poderosa e eficaz metodologia a ser usada para entender sistemas elaborados, envolvendo um número muito elevado de agentes que interagem entre si. Esse enfoque vem sendo utilizado em várias áreas, desde Neurociência e Engenharia, até Sociologia e Economia. Contudo, até agora, a maior parte dos estudos têm se concentrado em situações onde a topologia é fixa, o que restringe sobremaneira sua utilização em cenários mais elaborados e próprios dos sistemas reais. Este projeto tem por objetivo estudar os princípios e fundamentos da auto-organização em redes complexas mais gerais, onde a topologia não é simples e a complexidade é muito elaborada. Visando aplicações em situações atuais de interesse, pretende-se, por conseguinte, compreender o papel que a heterogeneidade da estrutura, os atrasos em múltiplas escalas de tempo e espaço e a estocasticidade têm na dinâmica da rede. Esses estudos teóricos estão interconectados a investigações experimentais da dinâmica de redes naturais com complexidade crescente, o que compreende sistemas de distribuição de energia, propagação de infecções, interação entre neurônios híbridos e o sistema Terra. Este último representa um formidável desafio para a teoria das redes complexas e é um dos tópicos centrais no âmbito da presente iniciativa. Assim, via utilização do enfoque de redes complexas, tenciona-se entender a dinâmica de interação entre os vários subsistemas da Terra diante de condições variantes, em especial no que se refere ao aquecimento global e ao desmatamento da Amazônia. Este projeto é uma iniciativa internacional de colaboração envolvendo pesquisadores brasileiros e alemães do Instituto Nacional de Pesquisas Espaciais (INPE), Humboldt University at Berlin, Potsdam Institute for Climate Impact Research (PIK), Universidade de São Paulo (USP), Technical University of Berlin (TU), Potsdam University (UP), Universidade Estadual de Campinas (UNICAMP), Universidade Federal do ABC (UFABC), Universidade Federal de São Paulo (UNIFESP) and Centro Nacional de Monitoramento e Alestras de Desastres Naturais (CEMADEM). Esta iniciativa de pesquisa é financiada conjuntamente pela Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) e pela Deutshe Forschungsgemeinschaft (DFG).. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Marcos Gonçalves Quiles - Integrante / Jürgen Kurths - Integrante / Ibere Luiz Caldas - Integrante / Henrique M. J. Barbosa - Integrante / Tiago Pereira - Integrante / Arkady Pikovsky - Integrante / Francisco Rodrigues - Integrante / Antônio Roque da Silva Filho - Integrante / Sten Rüdiger - Integrante / Paulo Ruffino - Integrante / Gilvan Sampaio de Oliveira - Integrante / Lutz Schimansky-Geier - Integrante / Kirsten Thonicke - Integrante / Jan Volkholz - Integrante / Michael Zaks - Integrante / Roland Körbele - Integrante / Alexandre Kihara - Integrante / Liang Zhao - Integrante / MACAU, ELBERT E.N. - Coordenador / J. J. Barroso - Integrante / José A. Marengo - Integrante / Igor Sokolov - Integrante / Michael Rosenblum - Integrante / Antônio Mário de Torres Ramos - Integrante / Gabriela Antunes - Integrante / Manoel Cardoso Ferreira - Integrante / Pedro José Catuogno - Integrante / Chou Sin Chan - Integrante / Reik Donner - Integrante / Martin Falcke - Integrante / Benjamin Lindner - Integrante / Rene Orlando Medrano Torricos - Integrante / Christian Horácio Oliveira - Integrante / Guillermo Obregon - Integrante / Nicolas Perkowski - Integrante / Susane Rolinski - Integrante / Marco Antonio Saidel - Integrante / Leonardo Bacelar Santos Lima - Integrante / Michael Scheutzow - Integrante / Ralf Toenjes - Integrante / Ricarda Winkelmann - Integrante / Serhly Yanchuck - Integrante / Lincoln Muniz Alves - Integrante / Mariana Sacrini Ferraz - Integrante / Jobst Heitzig - Integrante / Anja Ramming - Integrante.
Membro: Marcos Goncalves Quiles.
2016-2019. Modelos Dinamicos em Aprendizado de Maquina
Descrição: O desenvolvimento de técnicas de aprendizado de máquina capazes de lidar com dados dinâmicos tem sido pouco explorado. Nesse contexto, este projeto de pesquisa tem como objetivo principal desenvolver novas técnicas de aprendizado de máquina baseadas em redes, tanto no paradigma não-supervisionado quanto no paradigma semi-supervisionado. Para isso, utilizar-se-a da capacidade de representação das redes complexas para modelagem dos dados e modelos dinâmicos como base para o desenvolvimento das técnicas propostas. Especificamente, partindo-se da técnica de interação de partículas proposta por Quiles et al. (2016), novos modelos serão confeccionados, analisados e aplicados em domínios reais. Dentre as diversas contribuições almejadas, as seguintes podem ser destacadas: 1)desenvolvimento de novas técnicas de aprendizado de máquina capazes de tratar dados dinâmicos de maneira intrínseca. Em especial, novos modelos de detecção de comunidades, técnicas de agrupamento de dados e técnicas de classificação semi-supervisionadas; 2) incorporação do aprendizado ativo nos modelos de classificação semi-supervisionada; 3) aplicação dos modelos em problemas reais, como por exemplo na detecção de comunidades em redes climáticas; 4) formação de recursos humanos.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Doutorado: (6) . Integrantes: Marcos Gonçalves Quiles - Coordenador / Sandy Porto - Integrante / Alessandra Marli M. Morais - Integrante / Wilson Seron - Integrante / Frank Moshé - Integrante / DE OLIVEIRA, JOÃO E.M. - Integrante / Luiz Henrique Nogueira Lorena - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
Membro: Marcos Goncalves Quiles.
2014-2017. Aprendizado Ativo: Uma Abordagem Utilizando Redes Complexas
Descrição: A velocidade de aquisição e a grande capacidade de armazenamento de dados têm sido algo surpreendente nos últimos anos. Embora o processo de aquisição possa ser considerado algo relativamente simples e barato, a analise e rotulação desses dados é algo que demanda trabalho manual por parte de um especialista, logo, acarretando num alto custo. Com o objetivo de reduzir esse custo minimizando o trabalho do especialista, técnicas de aprendizado ativo têm sido propostas e utilizadas para guiar o processo de seleção de exemplos a serem rotulados. Tais técnicas buscam solicitar ao especialista apenas a análise e rotulação de exemplos importantes e fornecem uma grande vantagem à seleção e rotulação aleatória de exemplos. Neste projeto será investigado a utilização de medidas topológicas de redes complexas como forma alternativa de aprendizado ativo. Para isso, numa primeira etapa, um conjunto de dados é transformado numa rede. Após, medidas topológicas serão extraídas da rede, analisadas e utilizadas para guiar o processo de seleção de vértices (exemplos) a serem rotulados. Dois cenários podem ser observados nesse contexto: 1) redes estáticas e 2) redes dinâmicas. No cenário 1), a rede é gerada a partir dos dados existentes e não é alterada, este é um cenário mais simples, contudo, menos realista. No cenário 2), uma rede inicial é gerada a partir dos dados disponíveis, porém, ao longo do tempo, novos exemplos podem ser agregados, removidos, ou mesmo reclassificados pelo especialista. Os dois cenários serão abordados nesse projeto. A análise da representatividade de cada medida no processo de seleção será conduzida utilizando o paradigma de aprendizado semi-supervisionado. Por fim, os resultados obtidos serão comparados àqueles produzidos por técnicas tradicionais de aprendizado ativo.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) / Doutorado: (2) . Integrantes: Marcos Gonçalves Quiles - Coordenador / Fabricio A. Breve - Integrante / Sandy Porto - Integrante / João Eliakin Mota de Oliveira - Integrante. Número de produções C, T & A: 3
Membro: Marcos Goncalves Quiles.
2012-2016. Dynamic Semi-Supervised and Active Learning Based on Complex Networks
Descrição: The main purpose of this project is the development of new techniques for semi-supervised learning-based networks for dynamic data sets. Properties of complex networks that represent the data and dynamic computational models for label propagation will be taken into account. Measures of complex networks will be extracted and used as parameters for selection of vertices. This selection is two-fold: indicate which are the best samples for labeling (active learning); and which vertices of the network attach the new instances (dynamic network). The label propagation in the network (semi-supervised classification) is performed by dynamic computational models, focusing on particle competition and neuronal synchronization models. From the study conducted during this project and the development of new techniques, we expected to generate original contributions in three main fields: 1) representation of dynamic datasets in networks; 2) development of techniques capable of dealing with dynamic data; and 3) active learning based on properties of complex networks to optimize the annotator work.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (3) / Mestrado acadêmico: (2) . Integrantes: Marcos Gonçalves Quiles - Coordenador / Liang Zhao - Integrante / Elbert Macau - Integrante / Marcio Porto Basgalupp - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
2011-2016. Fenomenos Dinamicos em Redes Complexas: Fundamentos e Aplicacoes
Descrição: Projeto Temático FAPESP 2011/50151-0 de colaboração internacional entre Brasil e Alemanha envolvendo as instituições Instituto Nacional de Pesquisas Espaciais (INPE), Universidade de São Paulo (USP), UNICAMP, Universidade Federal do ABC (UFABC), Potsdam Institute for Climate Impact Research (PIK) e Humboldt University at Berlin, que também conta com o financiamento da agência alemã DFG. - Ao longo da última década, o enfoque de rede entre agentes dinâmicos com topologias complexas tem se tornado uma poderosa e eficaz metodologia a ser usada para entender sistemas elaborados, envolvendo um número muito elevado de agentes que interagem entre si. Esse enfoque vem sendo utilizado em várias áreas, desde Neurociência e Engenharia, até Sociologia e Economia. Contudo, até agora, a maior parte dos estudos tem se concentrado em situações onde a topologia é fixa, o que restringe sobremaneira sua utulização em cenários mais elaborados e próprios dos sistemas reais. Este projeto tem por objetivo estudar os princípios e fundamentos da auto-organização em redes complexas mais gerais, onde a topologia não é simples e a complexidade é muito elaborada. Visando aplicações em situações atuais de interesse, pretende-se, por conseguinte, compreender o papel que a heterogeneidade da estrutura, os atrasos em múltiplas escalas de tempo e espaço e a estocasticidade têm na dinâmica da rede. Esses estudos teóricos estarão interconectados a investigações experimentais da dinâmica de redes naturais com complexidade crescente, partindo de sistemas que envolvem alguns lasers, passando pela interação entre neurônios híbridos e chegando-se no sistema Terra. Esse último representa um formidável desafio para a teoria das redes complexas e será um dos tópicos centrais no âmbito desta iniciativa. Assim, via utilização do enfoque de redes complexas, tenciona-se entender a dinâmica de interação entre os vários subsistemas da Terra diante de condições variantes, em especial no que se refere ao aquecimento.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Marcos Gonçalves Quiles - Integrante / Liang Zhao - Integrante / Elbert Macau - Coordenador / Jürgen Kurths - Integrante / Ibere Luiz Caldas - Integrante / Henrique M. J. Barbosa - Integrante / Pedro J. Catuogno - Integrante / Luciano da Fontoura Costa - Integrante / Friedrich Wilhelm Gerstengarbe - Integrante / Michael Högele - Integrante / Peter Imkeller - Integrante / Domingos H. U. Marchetti - Integrante / Tiago Pereira - Integrante / Arkady Pikovsky - Integrante / Reynaldo Daniel Pinto - Integrante / Anja Rammig - Integrante / Francisco Rodrigues - Integrante / Antônio Roque da Silva Filho - Integrante / Sten Rüdiger - Integrante / Paulo Ruffino - Integrante / Gilvan Sampaio de Oliveira - Integrante / Lutz Schimansky-Geier - Integrante / Kirsten Thonicke - Integrante / Jan Volkholz - Integrante / Serhiy Yanchuk - Integrante / Michael Zaks - Integrante / André Loose - Integrante / Manoel Ferreira Cardoso - Integrante / Roland Körbele - Integrante / Norbert Marwan - Integrante / Alexandre Kihara - Integrante / Hans-Jürgen Wünsche - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro / German Research Foundation - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
Descrição: Este é um PROJETO TEMÁTICO da FAPESP. O presente pesquisador participa neste projeto como PESQUISADOR PRINCIPAL. Ao longo da última década, o enfoque de rede entre agentes dinâmicos com topologias complexas tem se tornado uma poderosa e eficaz metodologia a ser usada para entender sistemas elaborados, envolvendo um número muito elevado de agentes que interagem entre si. Esse enfoque vem sendo utilizado em várias áreas, desde Neurociência e Engenharia, até Sociologia e Economia. Contudo, até agora, a maior parte dos estudos tem se concentrado em situações onde a topologia é fixa, o que restringe sobremaneira sua utulização em cenários mais elaborados e próprios dos sistemas reais. Este projeto tem por objetivo estudar os princípios e fundamentos da auto-organização em redes complexas mais gerais, onde a topologia não é simples e a complexidade é muito elaborada. Visando aplicações em situações atuais de interesse, pretende-se, por conseguinte, compreender o papel que a heterogeneidade da estrutura, os atrasos em múltiplas escalas de tempo e espaço e a estocasticidade têm na dinâmica da rede. Esses estudos teóricos estarão interconectados a investigações experimentais da dinâmica de redes naturais com complexidade crescente, partindo de sistemas que envolvem alguns lasers, passando pela interação entre neurônios híbridos e chegando-se no sistema Terra. Esse último representa um formidável desafio para a teoria das redes complexas e será um dos tópicos centrais no âmbito desta iniciativa. Assim, via utilização do enfoque de redes complexas, tenciona-se entender a dinâmica de interação entre os vários subsistemas da Terra diante de condições variantes, em especial no que se refere ao aquecimento global e ao desmatamento da Amazônia. Este projeto é uma iniciativa internacional de colaboração envolvendo pesquisadores brasileiros e alemães do Instituto Nacional de Pesquisas Espaciais (INPE), da Humboldt University at Berlin, do Potsdam Institute for Climate Impact Resear. Situação: Concluído; Natureza: Pesquisa. Integrantes: Zhao Liang - Integrante / Antonio Carlos Roque da Silva Filho - Integrante / Luciano da Fontoura Costa - Integrante / Macau, Elbert E.N. - Coordenador / Francisco Aparecido Rodrigues - Integrante / Tiago Pereira - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
Membro: Zhao Liang.
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 \emph{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: Marcos Gonçalves Quiles - Integrante / Marcio Porto Basgalupp - Coordenador / Rodrigo Barros - Integrante / André Ponce de Leon F de Carvalho - Integrante / Alex A. Freitas - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro / Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
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.
2011-2013. Aprendizado Semi-Supervisionado Dinamico Baseado em Grafos (CNPq Universal 14/2011)
Descrição: O desenvolvimento de técnicas que possam "aprender" com base na observação do ambiente é um dos grandes objetivos da área de Aprendizado de Máquina. Para a construção de classificadores, as técnicas tradicionais de aprendizado de máquina necessitam de uma grande quantidade de dados rotulados a fim de induzir um bom classificador. Estes dados rotulados são geralmente caros de serem obtidos, principalmente quando envolvem a rotulação manual por parte de um especialista. Por outro lado, a aquisição de dados não rotulados pode ser uma tarefa simples em diversos domínios. Recentemente, uma nova vertente da área de aprendizado de máquina, denominada aprendizado semi-supervisionado, tem se destacado como uma linha bastante promissora. Esta forma de aprendizado utiliza tanto dados rotulados como dados não rotulados na geração de classificadores. Outro tópico importante relacionado ao tratamento de dados está na forma dinâmica como esses podem são obtidos, pois, no mundo real, os dados não são estáticos, mas sofrem alterações continuamente. Nesse contexto, este projeto tem como objetivo principal o desenvolvimento de novos modelos de aprendizado semi-supervisionado capazes de tratar dados dinâmicos sem a necessidade de um processo de reaprendizagem. Como base para o desenvolvimento desta pesquisa, alguns modelos com dinâmica espaço-temporal em grafos, como a sincronização de neurônios e a competição de partículas, serão considerados.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) . Integrantes: Marcos Gonçalves Quiles - Coordenador / Liang Zhao - Integrante / Elbert Macau - Integrante / Marcio Porto Basgalupp - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
2010-2013. Transmissao de Sinal Neural em Redes Complexas (Edital no 09/2010 - PDI - CNPq)
Descrição: O cérebro humano (animal) são sistemas altamente não lineares e complexos. Modelagem e simulação computacional de sistemas neurais são abordagens importantes não apenas para a neurociência, mas também para o desenvolvimento de técnicas de inteligência artificial bio-inspiradas. Esta proposta de pesquisa visa estudar a transmissão de sinal neural em redes complexas. Diferentemente de estudos anteriores baseados principalmente em topologias de redes estáticas, nós investigamos a influência de estruturas de rede variantes no tempo na transmissão de sinal neural. Especificamente, consideramos redes de pequeno mundo e redes de comunidade que são construídas de acordo com experimentos recentes em redes cerebrais. Esperamos que nosso trabalho possa servir como uma explanação alternativa para entender ambos os mecanismos funcionais e patológicos de transmissão de sinal neural em redes cerebrais. Além disso, como as redes neurais artificiais atuais usam topologias de rede regulares e estáticas, o estudo de transmissão de sinal neural em redes com topologia complexa e variante no tempo pode ser uma abordagem alternativa para o desenvolvimento de novas e mais poderosas redes neurais artificiais.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (3) . Integrantes: Marcos Gonçalves Quiles - Integrante / Liang Zhao - Coordenador / Fabricio A. Breve - Integrante / Elbert Macau - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
Membro: Marcos Goncalves Quiles.
Descrição: O cérebro humano (animal) são sistemas altamente não lineares e complexos. Modelagem e simulação computacional de sistemas neurais são abordagens importantes não apenas para a neurociência, mas também para o desenvolvimento de técnicas de inteligência artificial bio-inspiradas. Esta proposta de pesquisa visa estudar a transmissão de sinal neural em redes complexas. Diferentemente de estudos anteriores baseados principalmente em topologias de redes estáticas, nós investigamos a influência de estruturas de rede variantes no tempo na transmissão de sinal neural. Especificamente, consideramos redes de pequeno mundo e redes de comunidade que são construídas de acordo com experimentos recentes em redes cerebrais. Esperamos que nosso trabalho possa servir como uma explanação alternativa para entender ambos os mecanismos funcionais e patológicos de transmissão de sinal neural em redes cerebrais. Além disso, como as redes neurais artificiais atuais usam topologias de rede regulares e estáticas, o estudo de transmissão de sinal neural em redes com topologia complexa e variante no tempo pode ser uma abordagem alternativa para o desenvolvimento de novas e mais poderosas redes neurais artificiais.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (3) . Integrantes: Zhao Liang - Coordenador / Elbert E N Macau - Integrante / Marcos Quiles - Integrante / Thiago H. Cupertino - Integrante / Fabricio Aparecido Breve - Integrante / Thiago Christiano Silva - Integrante / Bilzã Marques de Araújo - Integrante / Xiaoming Liang - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
Membro: Zhao Liang.

Prêmios e títulos

Total de prêmios e títulos (1)

O artigo "An Object-Based Visual Selection Model Combining Physical Features and Memory" recebeu o prêmio: "Honor et meritus award" na "Brazilian Conference on Intelligent Systems (BRACIS 2014)", Auto, Sociedade Brasileira de Computação (SBC) / Brazilian Conference on Intelligent Systems (BRACIS).. 2014.
Membro: Marcos Gonçalves Quiles.

Participação em eventos

Total de participação em eventos (10)

The 23rd International Conference on Neural Information Processing (ICONIP). Sentiment and Behavior Analysis of one Controversial American Individual on Twitter. 2016. (Congresso).
International Conference on Neural Information Processing (ICONIP2015). Using Growing Neural Gas in Prototype Generation for Nearest Neighbor Classifiers. 2015. (Congresso).
The 15th International Conference on Computational Science and Its Applications (ICCSA 2015). #Worldcup2014 on Twitter. 2015. (Congresso).
The 30th ACM/SIGAPP Symposium On Applied Computing (SAC'2015). Community Detection, with Lower Time Complexity, Using Coupled Kuramoto Oscillators. 2015. (Congresso).
2014 14th International Conference on Computational Science and Its Applications (ICCSA). Methodology for Generating Time-Varying Complex Networks with Community Structure. 2014. (Congresso).
2014 International Joint Conference on Neural Networks (IJCNN). A consensus-based semi-supervised growing neural gas. 2014. (Congresso).
The International Joint Conference on Neural Networks (IJCNN). A Dynamical Model for Community Detection in Complex Networks. 2013. (Congresso).
2012 Brazilian Symposium on Neural Networks (SBRN). An Object-Based Visual Selection Model with Bottom-Up and Top-Down Modulations. 2012. (Congresso).
Encontro Nacional de Inteligência Artificial (ENIA). Um Modelo de Correlação Oscilatória para Classificação Semi-Supervisionada. 2012. (Congresso).
The 2010 IEEE World Congress on Computational Intelligence (WCCI'2010). Label Propagation Through Neuronal Synchrony. 2010. (Congresso).

Organização de eventos

Total de organização de eventos (1)

ROQUE, A. C. ; MACAU, E. E. N. ; OLIVEIRA, G. S. ; QUILES, M.G.. II Workshop and School on Dynamics, Transport and Control in Complex Networks - ComplexNet II. 2013. Outro

Lista de colaborações

Colaborações endôgenas (7)

Marcos Gonçalves Quiles ⇔ Zhao Liang (14.0)
FERREIRA, LEONARDO N. ; VEGA-OLIVEROS, DIDIER A. ; COTACALLAPA, MOSHÉ ; CARDOSO, MANOEL F. ; Quiles, Marcos G. ; Zhao, Liang ; MACAU, ELBERT E. N.. Spatiotemporal data analysis with chronological networks. Nature Communications. v. 11, p. 4036, issn: 2041-1723, 2020.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BENICASA, Alcides Xavier ; Quiles, Marcos G. ; SILVA, THIAGO C. ; ZHAO, Liang ; ROMERO, ROSELI A.F.. An object-based visual selection framework. Neurocomputing (Amsterdam). v. 180, p. 35-54, issn: 0925-2312, 2016.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Breve, Fabricio A. ; ZHAO, LIANG ; Quiles, Marcos G.. Particle Competition and Cooperation for Semi-Supervised Learning with Label Noise. Neurocomputing (Amsterdam). v. 160, p. 63-72, issn: 0925-2312, 2015.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Breve, Fabricio ; Zhao, Liang ; Quiles, Marcos ; Pedrycz, Witold ; Liu, Jiming. Particle Competition and Cooperation in Networks for Semi-Supervised Learning. IEEE Transactions on Knowledge and Data Engineering (Print). v. 24, p. 1686-1698, issn: 1041-4347, 2012.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Quiles, Marcos G.; Wang, DeLiang ; Zhao, Liang ; Romero, Roseli A.F. ; Huang, De-Shuang. Selecting salient objects in real scenes: An oscillatory correlation model. Neural Networks. v. 24, p. 54-64, issn: 0893-6080, 2011.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
COTACALLAPA, MOSHE ; BERTON, LILIAN ; FERREIRA, LEONARDO N. ; Quiles, Marcos G. ; Zhao, Liang ; MACAU, ELBERT E. N. ; VEGA-OLIVEROS, DIDIER A.. Measuring the engagement level in encrypted group conversations by using temporal networks. Em: 2020 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 1-8, 2020.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
VEGA-OLIVEROS, DIDIER A. ; COTACALLAPA, MOSHÉ ; FERREIRA, LEONARDO N. ; Quiles, Marcos G. ; Zhao, Liang ; MACAU, ELBERT E. N. ; CARDOSO, MANOEL F.. From spatio-temporal data to chronological networks: An application to wildfire analysis. Em: 34th ACM/SIGAPP Symposium on Applied Computing (SAC?19), v. 1, p. 675, 2019.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
Breve, Fabricio ; QUILES, MARCOS GONCALVES ; Zhao, Liang. Interactive image segmentation using particle competition and cooperation. Em: 2015 International Joint Conference on Neural Networks (IJCNN), v. 9155, p. 1-216, 2015.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BENICASA, ALCIDES X. ; Quiles, Marcos G. ; SILVA, THIAGO C. ; Zhao, Liang ; Romero, Roseli A.F.. An Object-Based Visual Selection Model Combining Physical Features and Memory. Em: 2014 Brazilian Conference on Intelligent Systems (BRACIS 2014), v. 1, p. 234-240, 2014.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BENICASA, A. X. ; QUILES, M. G. ; Zhao, Liang ; Romero, Roseli A. F.. Top-Down Biasing and Modulation for Object-Based Visual Attention. Em: 20th International Conference on Neural Information Processing (ICONIP 2013), v. 8228, p. 325-332, 2013.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BENICASA, ALCIDES X. ; Quiles, Marcos G. ; Zhao, Liang ; Romero, Roseli A.F.. An Object-Based Visual Selection Model with Bottom-Up and Top-Down Modulations. Em: 2012 Brazilian Symposium on Neural Networks (SBRN), v. 1, p. 238-243, 2012.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BREVE, F. A. ; ZHAO, L. ; QUILES, M. G. ; PEDRYCZ, W. ; LIU, J.. Particle Competition and Cooperation for Uncovering Network Overlap Community Structure. Em: The 8th International Symposium on Neural Networks (ISNN 2011), v. 6677, p. 426-433, 2011.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
QUILES, Marcos Gonçalves ; ZHAO, Liang ; BREVE, Fabrício ; ROCHA, Anderson. Label Propagation Through Neuronal Synchrony. Em: 2010 International Joint Conference on Neural Networks (IJCNN'2010), v. 1, p. 2517-2524, 2010.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BREVE, F. A. ; ZHAO, L. ; QUILES, M. G.. Semi-Supervised Learning from Imperfect Data through Particle Cooperation and Competition. Em: 2010 International Joint Conference on Neural Networks (IJCNN'2010), v. 1, p. 3686-3693, 2010.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

Marcos Gonçalves Quiles ⇔ Rodrigo Coelho Barros (5.0)
QUILES, M. G. ; BASGALUPP, M. P. ; BARROS, Rodrigo C.. An Oscillatory Correlation Model for Semi-Supervised Classification. LEARNING AND NONLINEAR MODELS. v. 11, p. 3-10, issn: 1676-2789, 2013.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BARROS, RODRIGO C. ; BASGALUPP, MÁRCIO P. ; CARVALHO, ANDRÉ C. P. L. F. ; Quiles, Marcos G.. Clus-DTI: improving decision-tree classification with a clustering-based decision-tree induction algorithm. JOURNAL OF THE BRAZILIAN COMPUTER SOCIETY (IMPRESSO). v. 18, p. 351-362, issn: 1678-4804, 2012.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
QUILES, M. G. ; BASGALUPP, M. P. ; BARROS, R. C.. Um Modelo de Correlação Oscilatória para Classificação Semi-Supervisionada. Em: Encontro Nacional de Inteligência Artificial (ENIA), v. 1, p. 1-12, 2012.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BARROS, R. C.; CARVALHO, A.C.P.L.F. de ; BASGALUPP, M. P. ; QUILES, M. G.. Um algoritmo de indução de árvore de decisão baseado em agrupamento. Em: VIII Encontro Nacional de Inteligência Artificial (ENIA 2011), v. 1, p. 1-10, 2011.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BARROS, RODRIGO C. ; DE CARVALHO, ANDRE C. P. L. R ; BASGALUPP, MARCIO R ; Quiles, Marcos G.. A clustering-based decision tree induction algorithm. Em: 2011 11th International Conference on Intelligent Systems Design and Applications (ISDA), v. 1, p. 543-550, 2011.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

Marcos Gonçalves Quiles ⇔ André Carlos Ponce de Leon Ferreira de Carvalho (4.0)
BARROS, RODRIGO C. ; BASGALUPP, MÁRCIO P. ; CARVALHO, ANDRÉ C. P. L. F. ; Quiles, Marcos G.. Clus-DTI: improving decision-tree classification with a clustering-based decision-tree induction algorithm. JOURNAL OF THE BRAZILIAN COMPUTER SOCIETY (IMPRESSO). v. 18, p. 351-362, issn: 1678-4804, 2012.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
NOGUEIRA LORENA, LUIZ HENRIQUE ; GONCALVES QUILES, MARCOS ; NOGUEIRA LORENA, LUIZ ANTONIO ; DE CARVALHO, ANDRE C. P. L. F. ; CESPEDES, JULIANA GARCIA. Qualitative data clustering: a new Integer Linear Programming model. Em: 2019 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 1-10, 2019.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BARROS, R. C.; CARVALHO, A.C.P.L.F. de ; BASGALUPP, M. P. ; QUILES, M. G.. Um algoritmo de indução de árvore de decisão baseado em agrupamento. Em: VIII Encontro Nacional de Inteligência Artificial (ENIA 2011), v. 1, p. 1-10, 2011.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
BARROS, RODRIGO C. ; DE CARVALHO, ANDRE C. P. L. R ; BASGALUPP, MARCIO R ; Quiles, Marcos G.. A clustering-based decision tree induction algorithm. Em: 2011 11th International Conference on Intelligent Systems Design and Applications (ISDA), v. 1, p. 543-550, 2011.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

Marcos Gonçalves Quiles ⇔ Mariá Cristina Vasconcelos Nascimento Rosset (2.0)
MAXIMO, V. R. ; NASCIMENTO, MARIÁ. C.V ; BREVE, F. A. ; QUILES, M. G.. Active Consensus-Based Semi-supervised Growing Neural Gas. Em: The 23rd International Conference on Neural Information Processing (ICONIP), v. 9948, p. 126-135, 2016.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
MAXIMO, VINICIUS R. ; QUILES, MARCOS G. ; NASCIMENTO, MARIA C. V.. A consensus-based semi-supervised growing neural gas. Em: 2014 International Joint Conference on Neural Networks (IJCNN), v. 1, p. 2019-2026, 2014.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

Marcos Gonçalves Quiles ⇔ Anderson de Rezende Rocha (1.0)
QUILES, Marcos Gonçalves ; ZHAO, Liang ; BREVE, Fabrício ; ROCHA, Anderson. Label Propagation Through Neuronal Synchrony. Em: 2010 International Joint Conference on Neural Networks (IJCNN'2010), v. 1, p. 2517-2524, 2010.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

Marcos Gonçalves Quiles ⇔ Thiago Christiano Silva (1.0)
BENICASA, ALCIDES X. ; Quiles, Marcos G. ; SILVA, THIAGO C. ; Zhao, Liang ; Romero, Roseli A.F.. An Object-Based Visual Selection Model Combining Physical Features and Memory. Em: 2014 Brazilian Conference on Intelligent Systems (BRACIS 2014), v. 1, p. 234-240, 2014.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

Marcos Gonçalves Quiles ⇔ Kathia Maria Honorio (1.0)
Honório, Káthia M. ; De Lima, Emmanuela F. ; Quiles, Marcos G. ; Romero, Roseli A. F. ; Molfetta, Fábio A. ; Da Silva, Albérico B. F.. Artificial Neural Networks and the Study of the Psychoactivity of Cannabinoid Compounds. Chemical Biology & Drug Design (Print). v. 75, p. 632-640, issn: 1747-0277, 2010.
[ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

(*) Relatório criado com produções desde 2010 até 2021
Data de processamento: 06/11/2021 15:23:29

Relatório gerado por scriptLattes V8.11. Os resultados estão sujeitos a falhas devido a inconsistências no preenchimento dos CVs Lattes. E-mail de contato: henriquimicosp@gmail.com