CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade de São Paulo (USP). Instituto de Estudos Avançados (IEA) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
É Professor Associado do Departamento de Ciência da Computação do Instituto de Matemática e Estatística da Universidade de São Paulo. Tem experiência na área de Inteligência Artificial, em especial no estudo de modelos probabilísticos baseados em grafos e suas aplicações. Obteve doutorado pela Università della Svizzera Italiana (Suíça) em 2013. Possui mestrado em Engenharia Mecatrônica (2009) e diploma de Engenharia Elétrica com ênfase em Automação e Controle (2007), ambos pela Escola Politécnica da Universidade de São Paulo. Entre 2009 e 2013 foi pesquisador no Istituto Dalle Molle di Studi sull'Intelligenza Artificiale (IDSIA) em Lugano, Suíça. Foi pós-doutorando no Laboratório de Tomada de Decisão da Escola Politécnica da Universidade de São Paulo. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
A convergência da Inteligência Artificial (IA) com redes 5G baseadas em nuvem cria oportunidades significativas de pesquisa para o desenvolvimento de aplicações inovadoras em sistemas inteligentes. No entanto, a integração de técnicas avançadas de IA em redes 5G apresenta grandes desafios, especialmente em relação à coleta e gestão de dados, escalabilidade do treinamento e implementação d…
As técnicas de aprendizagem profunda demonstraram excelente desempenho em tarefas cognitivas tanto de baixo nível, como reconhecimento de fala e imagem, como de alto nível, como resposta automática a questões e planejamento estocástico. Apesar disso, desenvolver soluções baseadas em aprendizagem profunda é uma tarefa notoriamente difícil, pois requer uma quantidade enorme de dados e recur…
Redes bayesianas permitem a representação compacta de conhecimento incerto. Existem fortes indícios vindos da complexidadecomputacional que realizar inferência em tais modelos leva tempo exponencial na largura de árvore, que mede a complexidade de um modelo.Limitar a largura de árvore dos modelos diminui seu poder representacional. Tal dimuição pode ser evitada sem aumento da complexidade…
Os avanços recentes dos Grandes Modelos de Língua (Large Language Models, LLM) transformaram agentes conversacionais em ferramentas capazes de manter diálogos longos, responder a perguntas complexas e realizar algumas tarefas que envolvem raciocínio. Apesar disso, tais sistemas apresentam limitações centrais: não oferecem garantias sobre a veracidade das informações, possuem alto custo de…
Técnicas de aprendizado profundo atingiram um desempenho impressionante em várias tarefas. No entanto, elas demandam quantidades exorbitantes de dados e recursos computacionais e são sensíveis a mudanças de distribuição e novas situações. Sistemas de programação lógico-probabilística permitem a descrição de modelos estatísticos complexos por meio de uma sintaxe simples composta de fatos e…
A programação lógico-probabilística combina as expressividades da representação lógica e da teoria de probabilidades. Notadamente, programas lógico-probabilísticos podem ser aprendidos por meio do algoritmo de descida do gradiente.Existem duas abordagens para implementar tais sistemas. Uma, exemplificada pelo sistema ProbLog, limita a expressividade a programas estratificados. Embora isso…
Diagramas de Decisão Sentenciais Probabilísticos (PSDDs) são representações de modelos estatísticos que visam facilitar a integração de conhecimento probabilístico e lógico. Em suma, um PSDD é um circuito lógico cujos arcos são anotados com probabilidades. O circuito lógico permite a representação eficiente do suporte da distribuição de probabilidades. Dessa forma, PSDDs conseguem sucinta…
Abordagens neurossimbólicas buscam obter desempenho estado-da-arte com menos dados e maior correção e consistência das respostas. Neste projeto de pesquisa, a aluna investigará as tecnicas de raciocínio neurossimbólico com aplicações em question answering e outras tarefas de raciocínio complexo, por meio da implementação de um pacote de ferramentas eficientes e uso de benchmarks públicos.
Linguagens de programação probabilística visam facilitar a modelagem e inferência estatística. Neste projeto de pesquisa o aluno se familiarizará com linguagens declarativas de programação probabilística, assim como com os respectivos métodos de aprendizado paramétrico.
Este texto descreve um projeto de Iniciação Científica para o estudo de circuitos probabilísticos, que são modelos probabilísticos gerativos sobre os quais é possível realizar diferentes tipos de inferência de forma exata e computacionalmente eficiente.Um circuito probabilístico é especificado através de sua estrutura, um grafo direcionado acíclico que modela as relações de (in)dependênci…