Projetos em andamento e concluídos que abrangem IA para saúde, agricultura de precisão, teoria de redes complexas e modelos de linguagem.
Classificação de dados em alto nível usando topologia de redes, detecção de comunidades, otimização estrutural de redes, grafos ótimos K-associados, busca em redes guiada por PSO e classificação multirrótulo por meio de medidas de redes complexas.
Híbridos CNN-LSTM para sinais biomédicos, Echo State Networks para prognóstico de coma via EEG, transformers para geração de dados de espectroscopia e arquiteturas convolucionais para detecção de padrões moleculares.
Máquinas de vetores de suporte, florestas aleatórias, classificação de alto nível, aprendizado não supervisionado, redução de dimensionalidade com grafos K-associados, rotulação de papéis semânticos e métodos de ensemble.
Autômatos celulares síncronos para escalonamento, otimização estrutural bio-inspirada de redes, algoritmos genéticos assistidos por substitutos (surrogate) para descoberta de peptídeos e computação evolutiva para gestão hospitalar.
Grandes modelos de linguagem e modelos de fundação, aprendizado por transferência e abordagens generativas para síntese de dados espectrais e ajuste fino específico de domínio.
Todos os projetos em andamento, financiados e em execução no laboratório AINET.
Colaboração com a TU/e (Eindhoven) e a Radboud University (Holanda). Desenvolvimento de uma plataforma de ML automatizada para detecção do Transtorno do Espectro Autista (TEA) a partir da saliva, usando espectroscopia ATR-FTIR com análise por infravermelho por transformada de Fourier. O projeto busca configurações de AutoML capazes de otimizar pipelines de pré-processamento e classificação para diversas modalidades de dados espectrais.
Desenvolvimento de grandes modelos de linguagem ajustados e avaliados para o domínio financeiro. O projeto investiga estratégias de pré-treinamento específicas de domínio, benchmarks de avaliação para NLP financeiro e arquiteturas voltadas à implantação com restrições de confiabilidade e explicabilidade.
Desenho de arquiteturas de aprendizado híbridas para classificação mono e multissequencial usando dados de EEG e espectroscopia ATR-FTIR. Foco na detecção de padrões em dados de FTIR e eletromiografia/eletroencefalografia. Colaboração com o Prof. Liang Zhao (USP) e o Prof. Ran Cheng.
Classificação de dados em alto nível em redes complexas para diagnóstico molecular do Transtorno do Espectro Autista (TEA) a partir de propriedades moleculares salivares analisadas via espectroscopia ATR-FTIR. Investiga propriedades estruturais e dinâmicas de redes para aprimorar métodos convencionais de classificação.
Modelos de aprendizado de máquina baseados em redes para prognóstico precoce de pacientes em estado de coma profundo, usando dados de EEG. Investigação de Echo State Networks, redes neurais em grafos e arquiteturas de memória de longo curto prazo (LSTM) para predição precoce de desfechos, auxiliando decisões de doação de órgãos e a gestão clínica.
Aprendizado de máquina aplicado a desafios agrícolas: classificação da maturidade da soja via imageamento RGB de alto rendimento com VANTs (drones) e CNNs; modelagem de crescimento e produção de eucalipto; previsão do momento de colheita do café com autômatos celulares; e processamento geral de informações geoespaciais para os biomas brasileiros.
Modelos de aprendizado profundo baseados em redes complexas para diagnóstico rápido e não invasivo de COVID-19 a partir de amostras de saliva processadas via espectroscopia no infravermelho próximo. Vencedor por duas vezes do Google Latin America Research Award (2020 e 2022). Em colaboração com o Prof. Robinson Sabino-Silva e o Ministério da Saúde (Brasil).
Desenvolvimento de uma plataforma tecnológica escalável para diagnóstico de COVID-19, integrando análise espectroscópica baseada em ML, fluxos de testagem rápida e suporte à decisão clínica. Financiado pelo Ministério da Saúde.
Investigação de métodos e heurísticas baseados em redes complexas para tarefas de classificação e agrupamento de dados. Desenvolve abordagens que vão além das métricas tradicionais de grafos, explorando propriedades dinâmicas e estruturais dos dados em cenários multirrótulo e multiclasse.
Sistema de liberação oral prolongada baseado em nanotecnologia para prevenção do SARS-CoV-2. Detecção de estrutura espectroscópica baseada em ML para acionamento antecipado da liberação.
Identificação dos principais indicadores que contribuem para a evasão e a reprovação de estudantes nos cursos de computação da UFU, usando técnicas de mineração de dados. Resultou em ações institucionais de melhoria e em um software registrado (SAGAPEP).
Propriedade intelectual resultante da pesquisa do AINET.