Zhao Liang.

Projeto CNPq Universal Faixa B - Grupo Consolitado. Decisões precisas de gerenciamento da produção de soja são cruciais para aumentar a produtividade e melhorar a qualidade da colheita. No entanto, a estrutura complexa do dossel das plantas de soja, caracterizada pelo sombreamento mútuo, apresenta desafios significativos para a obtenção de dados fenotípicos precisos. Além disso, o crescimento da soja é intrinsecamente influenciado por fatores ambientais, que se tornam cada vez mais variáveis devido às mudanças climáticas. A diversidade de dados de monitoramento da produção, combinada com os cenários variados e complexos em diferentes regiões, apresenta dificuldades adicionais para a modelagem eficaz do gerenciamento da produção de soja e para a tomada de decisões. Para enfrentar esses desafios, este projeto utiliza dados multimodais coletados ao longo do processo de produção da soja e emprega aprendizado de grafos e aprendizado adaptativo de domínio como sua base teórica e técnica. A pesquisa busca desenvolver tecnologias avançadas que integrem aprendizado de máquina e fusão de dadosmultimodais para melhorar a produtividade da soja e a qualidade da colheita. As principais tarefas incluem: 1) Criar um modelo inteligente de decisão para o gerenciamento da soja que integre a fusão de dados multimodais para otimizar o manejo da produção, incluindo a previsão de produtividade e recomendações sobre tipos e quantidades de fertilizantes em diferentes áreas. 2) Projetar modelos adaptativos de domínio para previsão de produtividade e análise de plantas, com o objetivo de melhorar a generalização das estratégias de manejo em ambientes diversos. 3) Desenvolver um Sistema de Informação para Gerenciamento da Fazenda (FMIS). Essa plataforma de software auxiliará os agricultores no planejamento, monitoramento e otimização das operações agrícolas. Ao coletar, armazenar e analisar dados de diversas atividades da fazenda, o FMIS fornecerá insights acionáveis para aprimorar os processos de tomada de decisão e a eficiência geral.

This is a Thematic Project of FAPESP with grant number: 2024/15430-5. Accurate production management decisions for soybeans are crucial for increasing yield and improving harvest quality. However, the complex canopy structure of soybean plants, characterized by mutual shading, complicates the accurate acquisition of phenotypic data. Additionally, soybean growth is intricately linked to environmental factors, which are increasingly variable due to climate change. The diversity of production monitoring data, coupled with varied and complex scenarios across different regions, poses significant challenges for modeling soybean production management and decision-making. To address these challenges, this project leverages a collaborative effort between Chinese and Brazilian research teams, focuses on utilizing multi-modal data gathered during the soybean production process and employs 3D reconstruction, phenotypic analysis, multi-layer complex network modeling, and domain-adaptive learning as its theoretical and technical foundation. The research aims to develop key technologies that leverage machine learning and multi-modal data fusion to enhance soybean yield and improve harvest quality. The main tasks include: 1) Developing methods for high-quality 3D reconstruction of soybean plants using sparse multi-view images to achieve precise structural modeling; 2) Advancing phenotyping technology for soybean plants based on multi-modal data such as images, point clouds, and spectral information to enhance phenotype accuracy; 3) Creating an intelligent soybean management decision model that integrates multi-modal data fusion to optimize production management; and 4) Designing domain-adaptive models for yield prediction and plant analysis to improve the generalization of management strategies across diverse environments. By integrating machine learning with multi-modal data fusion, this Brazil-China collaborative project aims to elevate soybean production management and provide valuable insights into the application of these technologies.

This is an international coorperative research project. It has objective to deal with the interpretability problem of machine learning techniques. Specifically, the input data will be represented by multilayer complex networks, network based data classification techniques will be developed, and relevant measures of the learning process will be extracted to interpret the classification results. The technique will be applied to identify relevant biomarkers of Stroke, providing logical explanation on the identification results.

Este é o projeto financiado pelo IBM o pela FAPESP de grande porte dedicado à pesquisa teorica e de aplicações de inteligência artificial. O diretor é o Prof. Fabio Cozman. O Prof. Zhao Liang participa como um dos Pesquisadores Principais e coordena o grupo de IA em Saúde.Esta proposta descreve um Centro de Pesquisa de Engenharia em Inteligência Artificial (IA) empenhado em conduzir pesquisas em tópicos centrais de IA e em aplicar técnicas de IA em áreas de aplicação selecionadas --- a saber, indústria de óleo e gás, agronegócios e saúde. O Centro também dará suporte a estudos sobre o impacto social e econômico da IA e conduzirá atividades de transferência de tecnologia e difusão do conhecimento. O Centro será construído com a convicção de que os próximos dez anos trarão avanços sem precedentes em IA, os quais dependerão da colaboração tanto entre áreas centrais da IA como destas áreas com as aplicações. O "Center for Artificial Intelligence" consistirá de dois grupos interligados de pesquisadores, ambos distribuídos na instituição anfitriã e em instituições associadas. Um grupo de pesquisadores, com significativa projeção internacional na comunidade de IA, cobrirá tópicos centrais de IA, de representação de conhecimento a aprendizado de máquina, com ênfase em processamento de texto e linguagem natural, particularmente em Português. Tendências da pesquisa internacional corrente sugerem que a próxima década testemunhará uma interação crescente entre representação de conhecimento, tomada de decisão e aprendizado de máquina; o "Center for Artificial Intelligence" focará sua atenção na combinação destas áreas da IA, já que elas não são tão intimamente conectadas quanto deveriam ser --- o Centro se posicionará como um participante fundamental na colaboração entre os principais tópicos da IA. Um segundo grupo de pesquisadores do Centro focará em três áreas de aplicação onde existe significativa experiência na instituição anfitriã: óleo e gás, agronegócio, e saúde. A conexão entre pesquisa em tópicos centrais da IA e áreas de aplicação ocorrerá em dupla direção: pesquisa em IA básica abordará problemas de grande escala nas áreas de aplicação selecionadas, e será direcionada pelos desafios nestas áreas de aplicação. Um pequeno grupo de pesquisadores da área de humanas está incluído no "Center for Artificial Intelligence" para conduzir pesquisa sobre o impacto social da IA e para identificar caminhos que garantam o uso da IA para o bem. O Coordenador de Educação e Difusão do Conhecimento organizará produção de vídeos contendo resultados de pesquisa e trabalhará através de feiras e escolas para educar o público em sentido amplo. O Coordenador de Transferência de Tecnologia trabalhará com órgãos bem estabelecidos na instituição anfitriã para fomentar iniciativas que transferirão resultados para as entidades financiadoras e para esforços de empreendedorismo.

A epilepsia é uma condição neurológica caracterizada pela ocorrência repetida de convulsões, que pode afetar gravemente a qualidade de vida dos pacientes. Para tanto, a classificação precisa dos sinais de Eletroencefalografia (EEG), que é um exame não invasivo, é de grande interesse nas pesquisas de IA em saúde. Neste projeto, pretendemos avançar na classificação de sinais de EEG para análise de epilepsia. Iremos pesquisar uma nova estrutura de classificação baseada em aprendizado profundo que roda em grafos: um modelo de representação de dados amplamente utilizado por sua capacidade de representar relações funcionais e topológicas em dados e que tem sido empregado no estudo de redes cerebrais. Este campo recém-surgido é denominado Graph Neural Networks e tem obtido resultados estado da arte em muitas tarefas de classificação devido à sua capacidade de representar sistemas complexos relacionais (tal como Redes Cerebral) nativamente para tarefas de aprendizagem profunda. Investigaremos o desenvolvimento de redes cerebrais representativas e as combinaremos com dados estruturados de EEG para classificar se um determinado sinal de EEG é focal ou não focal. Os sinais focais (FEEG) estão relacionados à zona de início e são adquiridos de regiões onde as primeiras alterações ictais de EEG são observadas. Os sinais não focais de EEG (NFEEG) são obtidos de regiões do cérebro que não contribuem para o início das crises. A combinação de dados relacionais (Brain Network) e dados estruturados (gravações de EEG) pode ter vantagens inerentes na classificação dos sinais e possivelmente na identificação de sua localização inicial (zona de início) para cirurgia.

Redes vem sendo utilizadas amplamente na modelagem da conectividade funcional, estrutural e processos dinâmicos do cérebro humano. Essa representação pode integrar e modelar dados heterogêneos oriundos de diversas fontes tais como diferentes tipos de neuroimagens e informações sobre doenças e genes na forma de textos. Essa linha de pesquisa oferece compreensão e enriquece nosso entendimento sobre aspectos funcionais e estruturais globais e locais da arquitetura neural, bem como tem demostrado relevância clínica e alto impacto científico na área. Particularmente, a análise e mineração visual dessas redes são utilizadas para auxiliar os especialistas da área a inspecionar iterativamente a estrutura do cérebro humano com facilidade e rapidez a fim de encontrar padrões ou desordem que definam a presença ou ausência de doenças e auxilie no entendimento de sua dinâmica. Nesse contexto, alguns problemas são inerentes, como grandes cargas computacionais devido a quantidade massiva de dados, tempo de espera e complexidade dos algoritmos de layout e mineração; ou elevado número de elementos gráficos e sobreposição prejudicando a legibilidade e interação, bem como as limitações cognitivas humanas. Todas essas questões são agravadas caso a rede avaliada possua uma estrutura heterogênea. Embora uma grande quantidade de técnicas para análise visual iterativa dessas redes tenham sido propostas e aplicadas com sucesso, ainda há muitas questões desafiadoras que precisam ser cientificamente exploradas. Este projeto tem como objetivo avançar o estado da arte e investigar e propor métodos para a visualização iterativa eficiente e efetiva de redes cerebrais modeladas a partir de dados heterogêneos e comparação entre as redes em diferentes condicionamentos, tais como redes em repouso e redes que representam pré e pós crise neurológica no contexto de epilepsia. Para tanto, será utilizado como base formal o método multinível, o qual descreve uma estratégia escalável que explora (e cria) uma hierarquias de versões reduzidas ou simplificadas da rede original. Os recursos teóricos e tecnológicos desenvolvidos serão utilizados na concepção de diferentes aplicações, com foco em epilepsia, e podem ser úteis para que os softwares já existentes possam incorporar e complementar seu ferramental. Espera-se que esta pesquisa gere contribuições relevantes para um melhor entendimento do mecanismo de algumas doenças neurológicas através de análise e visualização de redes cerebrais funcionais e estruturais utilizando o método multinível. Por fim, salienta-se que essa proposta está associada a um projeto temático de colaboração internacional financiado pela FAPESP (processo, 2015/50122-0).

This is an international collaborative research project funded by Ministry of Science and Technology of China. The project aims to solve two major problems in machine learning technology: the interpretability of machine learning conclusions and the integration of large-scale heterogeneous and dynamic data. To address the interpretability problem, the input data will be represented by a multi-layer complex network, a network-based data classification technique will be developed, and relevant metrics of the learning process will be extracted to explain the classification results. To solve the data integration problem, we will design a general scheme for heterogeneous dynamic data representation and analysis. Specifically, the input data will be represented by a new network structure, which we call the network of networks, and then, hierarchical community detection and classification techniques in the network of networks will be developed to represent the relationship between different parts of the network and between sub-networks , trying to figure out causal relationships in order to discover new knowledge.

O cérebro humano (animal) é uma rede complexa dividida em regiões estruturais e funcionais interconectadas. A conectividade funcional vem sendo usada para modelagem de regiões do cérebro anatomicamente separadas através de descrição de dependência temporal dos padrões de ativação neuronal. Neste contexto, a teoria de redes complexas e as técnicas de Imagem por Ressonância Magnética Funcional (fMRI - Functional Magnetic Resonance Imaging) são utilizadas para mapear cérebro em rede, chamada de Rede Cerebral. Este projeto tem como objetivo analisar padrões de conectividade da rede cerebral com os dados de pacientes com Acidente Vascular Cerebral (AVC), a qual é uma doença grave que causa morte o mundo. Especificamente, proponha-se aplicar o modelo de competição de partículas, uma técnica de aprendizado de máquina não supervisionado, para detectar e caracterizar comunidades da rede cerebral em diferentes condicionamentos, i.e., pós-AVC e cérebros saudáveis. Também será realizada análise topológica das redes, observando a dissimilaridade entre as comunidades cerebrais com base na dinâmica de partícula e identificando o impacto da lesão cerebral no processo AVC. Acredita-se que a análise de mudanças dinâmicas na organização funcional da rede cerebral no processo AVC é importante para o melhor entendimento de mecanismo da doença e seu diagnóstico.

Este projeto compreende a investigação de métodos e heurísticas baseadas em redes complexas para tarefas de classificação e agrupamento de dados. Especificamente, os objetivos são a caracterização sistemática de medidas de redes no contexto da classificação via conformidade de padrão e de importância em redes complexas, além do desenvolvimento de abordagens para tarefas de classificação e agrupamento específicas, como a classificação multirrótulo e a detecção de novidade. Como resultado, espera-se um melhor entendimento teórico e empírico das medidas de rede na classificação de dados bem como que as abordagens desenvolvidas sejam capazes de tirar vantagem de propriedades estruturais e dinâmicas dos dados a fim de melhorar o desempenho de métodos convencionais.

A teoria de redes complexas ajudou a identificar informações valiosas em muitos domínios, onde os sistemas são complexos, com conexões e propriedades não triviais. Desta forma, entender como a estrutura da rede impacta a dinâmica e também como inferir a estrutura a partir dessas dinâmicas é de suma importância para a área. Neste projeto, objetivamos desenvolver métodos para analisar os padrões de atividade e evolução das redes dinâmicas. O projeto inclui a proposta, desenvolvimento e teste de novas técnicas para mineração de redes temporais e dinâmicas e a aplicação de técnicas de análise de redes para problemas do mundo real. Analisaremos e avaliaremos padrões de redes dinâmicas em dados espaços-temporais de clima, cujos índices climáticos são geo e temporalmente marcados. Vamos propor um conjunto de métodos para redes geo-temporais que, embora aplicados sobre dados climáticos, podem em princípio ser estendidos a qualquer tipo de dados temporais. Outros possíveis conjuntos de dados que iremos explorar incluem a difusão da desinformação, dados da rede de votação e redes de opinião. Quanto à fundamentação para a avaliação geo-temporal, pretendemos aplicar e adaptar métodos clássicos de redes, incluindo medidas de centralidade, algoritmos de detecção de comunidades e métricas globais de redes para avaliar a estrutura. As análises serão realizadas considerando a teoria de redes complexas, aprendizado de máquina e redes dinâmicas, utilizando conjuntos de dados artificiais e reais, avaliando os métodos da literatura e aplicando-os a problemas reais.

o presente projeto
propõe estudar a relação entre os diferentes tipos de dados, e construir uma estrutura
computacional com o objetivo de apoiar a decisão e planejamento de cirurgia em epilepsia
baseado em abordagem de big data, i.e., os diferentes tipos de sinais e os dados adquiridos de
vários sujeitos (pacientes e pessoas saudáveis) são organizados e analisados de forma integrada
para descobrir propriedades de epilepsia. Especificamente, redes complexas são utilizadas como
um mecanismo de representação de grande conjunto de dados heterogêneos de epilepsia
devido sua capacidade de descrição de estrutura (padrão de conectividade), dinâmica e função
de sistemas complexos em um único esquema. Técnicas de aprendizado de máquina,
especificamente, redes neurais, deep learning, árvores de decisão e algoritmos evolutivos, serão
aplicadas para análise de dados e apoio à decisão.

A transformada de Burrows-Wheeler (BWT) pode ser utilizada para calcular asimilaridade entre duas cadeias de caracteres, uma tarefa importante em campos comobiologia computacional e recuperação de informação. Medidas de similaridade baseadasna BWT são interessantes pois elas podem ser computadas mais rapidamente que outrasmedidas, como as baseadas em alinhamento ou distâncias de edição. Nota-se, porém, aausência de uma investigação sobre a aplicação destas medidas baseadas em BWT emoutros tipos de dados biológicos cuja representação usualmente não se dá na forma decaracteres, mas que são geralmente representadas e armazenadas como sequências denúmeros reais. Nosso objetivo é estabelecer uma metodologia para aplicação de medidasde similaridade baseadas na BWT em séries temporais, de natureza biológica em especial.Basicamente, a metodologia envolve a transformação de séries temporais para umarepresentação simbólica que possa ser entendida como uma cadeia de caracteres,permitindo assim a aplicação das medidas baseadas em BWT. Os resultados sugerem queas distâncias DM e DE baseadas na BWSD, distribuição de similaridade Burrows-Wheeler ,podem ser opções viáveis para se calcular similaridade entre séries temporais,considerando as diferentes características e padrões temporais das séries.

A ordenação de sufixos é um problema fundamental em processamento de cadeias de caracteres presente em muitas aplicações de Bioinformática, Recuperação de informação e Mineração de textos. Esse problema está relacionado com a construção do vetor de sufixos e com a transformada de Burrows-Wheeler, os quais desempenham um papel importante em métodos de indexação de cadeias (e.g. FM-índice) e compressão de dados (e.g. bzip). Na literatura, muitos trabalhos têm sido propostos para construir o vetor de sufixos de uma única cadeia e obter a transformada de Burrows-Wheeler. Entretanto, em muitas situações estamos interessados em processar conjuntos de cadeias e obter diretamente a transformada de Burrows-Wheeler, isto é, sem construir o vetor de sufixos. Poucas soluções têm sido propostas para esses problemas. Dessa forma, o principal objetivo desse projeto é investigar o cálculo direto da transformada de Burrows-Wheeler para conjuntos de cadeias. Além disso, pretende-se investigar medidas de similaridades que utilizam a transformada de Burrows-Wheeler para comparar e classificar cadeias de caracteres.

PROJETO TEMÁTICO DE COLABORAÇÃO INTERNACIONAL FAPESP 2015/50122-0 ? DFG (Alemanha) GRTK 1740/2. O presente pesquisador participo deste 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
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).

Processos de propagação são ubíquos em muitos sistemas complexos baseados em redes. A propagação de uma epidemia, um rótulo ou informação compartilham características semelhantes e dependem profundamente da organização da rede. As redes complexas possuem natureza heterogênea, onde alguns vértices são mais influentes que outros e existem diferentes tipos de vértices conectados entre si. Desse modo, entender como a estrutura da rede impacta nas dinâmicas e também como inferir a estrutura a partir dessas dinâmicas é de suma importância para a área. Neste projeto, objetivamos desenvolver métodos para aprimorar as tarefas dos processos dinâmicos de aprendizado de máquina em redes complexas, analisando o impacto que a rede exerce sobre elas. Vamos analisar quais os vértices mais influentes na tarefa de propagação de rótulos e quais podem ser recomendados para serem rotulados de modo a maximizar os resultados do processo. Também, desenvolveremos métodos para detectar a estrutura de comunidades da rede a partir das dinâmicas de propagação. Por último, mediante o uso de redes multicamadas, desenvolveremos um método de seleção de atributos próprio para redes. As análises serão conduzidas considerando a teoria de redes complexas e aprendizado de máquina, usando bases de dados artificiais e reais, avaliando com os métodos da literatura e aplicando em possíveis problemas reais.

O Presente pesquisador participo deste proejto como um dos PESQUISADORES PRINCIPAIS.

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

Este projeto tem como objetivo desenvolver técnicas de aprendizado de máquina para análise de dados baseado em redes complexas e sistemas dinâmicos. Especificamente, serão desenvolvidas técnicas de detecção de comunidades em redes complexas baseadas em competição de partículas e em sincronização de rede de osciladores, as quais podem servir como técnicas de aprendizado não supervisionado (clustering) com a capacidade de detecção de clusters de formas variadas e representação hierárquica. Logo, será realizada a adaptação das técnicas desenvolvidas para a abordagem de aprendizado semi-supervisionado. Neste caso, alguns vértices da rede são rotulados, ou seja, suas classes são previamente definidas e os modelos a ser desenvolvidos deverão ser capazes de propagar os rótulos para os outros vértices da rede. Na próxima fase, as técnicas semi-supervisionadas desenvolvidas serão aplicadas para tratar problemas de reconhecimento invariante de padrões, principalmente em casos de presença de distorções não-lineares nos padrões analisados. A idéia principal é reconhecer um padrão de entrada através da propagação do seu rótulo até o padrão armazenado correspondente via padrões intermediários, todos representados por vértices em rede. Esta abordagem pode ser denotada como reconhecimento de padrão relacional. Por fim, com objetivo de validar as técnicas em problemas reais, estas serão aplicadas para tarefas de reconhecimento de faces e dígitos em escrito manual. Redes complexas e sistemas dinâmicos são ferramentas poderosas para muitas disciplinas da ciência, inclusive para aprendizado de máquinas, e ainda existe um grande espaço para exploração.

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.

Recentemente, com o aumento do poder computacional e a disponibilidade de dados sobre redes reais, as redes complexas surgiram como uma nova e poderosa maneira de representação e abstração de dados capaz de capturar as relações espaciais, topológicas, funcionais, entre outras características presentes em muitas bases de dados. Dentre as varias abordagens para a análise de dados, destacam-se a lassificação e a clusterização. A classificação de dados (ou reconhecimento de
padrões) permite atribuir uma qualidade (classe) aos dados, baseado nas aracterísticas de seus atributos. Já a clusterização é indicada para explorar a estrutura dos dados, como grupos ou hierarquias entre grupos, cujas classes não são previamente conhecidas. Métodos de clusterização baseados em redes complexas, também conhecidos como detecção de comunidades, têm sido extensivamente
explorados na literatura. Por outro lado, classificação de dados baseado em redes complexas ainda é pouco estudado. Tendo em vista os benefícios da representação de grandes bases de dados e revelação de estruturas topológicas por meio de redes complexas, o presente projeto prevê o desenvolvimento de métodos de classificação de dados baseados em redes complexas. A abordagem será considerada é inspirada em métodos de detecção de comunidades que utilizam o conceito de dinâmica de partículas; estes métodos envolvem, entre outras disciplinas, sistemas dinâmicos, mecanismos de competição e caminhada aleatória. Devidas características de redes complexas e dinâmicas estocástica de partículas, espera que as técnicas esenvolvidas tenham um bom desempenho de generalização e no mesmo tempo possui boa precisão de classificação, espera também que possam ser utilizadas para
classificação dinâmica (treinamento em tempo real). Por fim a nova abordagem será aplicada para resolver alguns problemas de bioinformática, tais como identificação de splice junctions e reconhecimento de promotores de genes.

O projeto conta com a colaboração de pessoal dos grupos de aprendizado de maquina do ICMC-USP, do CIN-UFPE e do DIMAP-UFRN. Este projeto investigará a utilização de sistemas híbridos de aprendizado de máquina em classificação e agrupamento de dados. O coordendor geral do projeto é o Prof Andre C P L F de Carvalho do ICMC-USP. Os coordenadores locais são a Profa. Teresa Ludermir (CIn-UFPE) e o Prof. Marcilio Souto (DIMAP-UFRN).

A clusterização de dados pode oferecer diversas maneiras de entender e extrair informações
relevantes de grandes conjuntos de dados. Através da detecção de grupos é possível organizar
padrões com características semelhantes e estabelecer hierarquias, permitindo
uma análise mais detalhada desses dados. As técnicas desse processo são utilizadas cada
vez mais em diversas áreas, tais como: reconhecimento de padrões, mineração de dados,
bioinformática, tomada de decisão, aprendizado de máquina, segmentação de imagens,
etc. A presente proposta visa o desenvolvimento de novas técnicas de clusterização de dados
baseadas em redes complexas. O processo de clusterização consistirá em duas etapas:
formação da rede a partir de um conjunto de dados de entrada, e partição da rede
produzindo clusters. Inicialmente, a técnica de formação da rede será baseada na extensão
de um método desenvolvido recentemente pelo presente grupo. Na segunda etapa, várias
técnicas de partição da rede serão investigadas, tais como partição via sincronização, via
movimentação dos vértices e via caminhada aleatória. A representação de dados em rede pode revelar estruturas topológicas dos dados de entrada, portanto, espera-se que as técnicas desenvolvidas sejam capazes de detectar clusters de formas, densidades e tamanhos variados. Além disso, espera-se que estas técnicas também viabilizem uma representação hierárquica de clusters, permitindo a escolha da
melhor partição dentre várias possibilidades. As técnicas de partiçao de rede que serão
desenvolvidas neste projeto não possuem como objetivo encontrar soluções ótimas via
busca exaustiva, mas sim soluções aproximadamente ótimas com grande eficiência e robustez
que são características desejáveis para processamento de grande quantidade de
dados.

Pesquisador participante do projeto temático da FAPESP