Busca avançada
Ano de início
Entree

Vinculando aprendizado de máquina e teoria da informação

Processo: 18/24912-2
Linha de fomento:Auxílio à Pesquisa - Regular
Vigência: 01 de março de 2019 - 28 de fevereiro de 2021
Área do conhecimento:Engenharias - Engenharia Elétrica - Telecomunicações
Convênio/Acordo: Imperial College, Reino Unido
Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
Pesquisador responsável:Fernando José von Zuben
Beneficiário:Fernando José von Zuben
Pesq. responsável no exterior: Deniz Gündüz
Instituição no exterior: Imperial College London, Inglaterra
Instituição-sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Pesq. associados: Fernando Rosas ; Henrik Jeldtoft Jensen ; Levy Boccato
Vinculado ao auxílio:13/07559-3 - Instituto Brasileiro de Neurociência e Neurotecnologia - BRAINN, AP.CEPID

Resumo

O objetivo do projeto proposto é viabilizar a colaboração entre os grupos de pesquisa envolvidos a fim de desenvolver i) tecnologias eficientes de comunicações inspiradas em modernas ferramentas de aprendizado de máquina (ML, do inglês machine learning), e ii) técnicas de aprendizado mais robustas e eficientes ao explorar ideias de codificação e teoria da informação (IT, do inglês information theory). Os pesquisadores envolvidos possuem experiências complementares e realizações recentes de pesquisa nas áreas de ML e IT, bem como nas áreas correlatas de inteligência computacional e sistemas de comunicações, o que possibilitará uma cooperação imediata. Mais especificamente, o grupo visa investigar aplicações práticas de como técnicas de ML e IT podem ser conjuntamente utilizadas para o projeto de redes de comunicações sem fio do futuro que podem sustentar aplicações emergentes de sistemas autônomos, tactile Internet, e interfaces cérebro-computador (BCI, do inglês brain-computer interfaces). Em paralelo, este projeto também irá explorar como ideias de codificação e IT podem ser combinadas de modo a melhorar a robustez e a eficiência de algoritmos de ML distribuídos. (AU)