Grupo de Pesquisa

Laboratório de Inteligência Artificial e Aprendizado de Máquina

Dedicado à pesquisa acadêmica rigorosa e ao desenvolvimento de tecnologias fundamentais e aplicadas em Machine Learning.

Sobre o Laboratório

O DpinLab é um grupo de pesquisa consolidado, focado na intersecção entre o aprimoramento teórico de algoritmos e suas aplicações em cenários complexos. Nosso trabalho abrange desde a ciência básica até soluções orientadas a dados e modelagem preditiva avançada.

lo

Ver mais informações →
10+ Pesquisadores
7 Artigos no últimos dois anos
CNPq Grupo Registrado

Estrutura de Pesquisa (Squads)

Operamos no formato de "squads" temáticas. Cada grupo possui uma questão norteadora principal que guia as investigações, do entendimento fundamental até a engenharia de infraestrutura de dados, gerando conhecimento profundo sobre domínios específicos.

Math & Modeling

"Why does it work?"

Neste squad, investigamos os fundamentos matemáticos e teóricos subjacentes à inteligência artificial. O foco é compreender as garantias teóricas de aprendizado, dinâmicas de otimização e o comportamento quantitativo de modelos em diversos cenários.

Tópicos-chave: Foundations of intelligence; Mathematical theory; Statistical modeling; Learning theory; Optimization & regularization; Algorithm design.

Repositórios & Projetos

[repo-name]

[repo-description]
[repo-name]

[repo-description]

Sequence Learning

"What do we learn from data?"

Dedicado à análise, modelagem e extração de conhecimento de dados sequenciais e séries temporais multivariadas. Abordamos problemas do mundo real focando em imputação, tratamento de ruídos e representações temporais latentes.

Tópicos-chave: Multivariate time series with noise and missing data; Dataset design & curation; Handcrafted feature extraction; Data-centric learning; Representation learning.

Repositórios & Projetos

[repo-name]

[repo-description]
[repo-name]

[repo-description]

Trustworthy AI

"Should we trust it?"

Pesquisa focada nos aspectos éticos, de segurança e de interpretabilidade em aplicações reais de Inteligência Artificial. Garantimos que os modelos construídos sejam transparentes, rastreados e consistentes nas suas predições e explicabilidades.

Tópicos-chave: Fairness; Transparency; Explainability; Robustness & safety; Bias detection and Mitigation.

Repositórios & Projetos

[repo-name]

[repo-description]
[repo-name]

[repo-description]

Computing & Research Environment

"Can we run it?"

Encarregado da engenharia de software e arquitetura de infraestrutura do laboratório. Transforma modelos teóricos e ideias experimentais em pipelines operacionais de ponta, utilizando as melhores práticas e padrões de projeto para Big Data e experimentações MLOps.

Tópicos-chave: Infrastructure; IoT systems; Tools; Frameworks & design patterns; Software engineering; Expert systems; Enablement.

Repositórios & Projetos

[repo-name]

[repo-description]
[repo-name]

[repo-description]

Publicações Recentes

Ver repositório completo →
2025

Uncovering Algorithmic Fairness in Deep Learning–Based Imputation of Multivariate Clinical Time Series in Heart Failure Patients

R Muniz, V Lima, P Saldanha, A Ribeiro, R de Paula, M Cadeiras, C da Silva, H Silva.

Encontro Nacional de Inteligência Artificial e Computacional (ENIAC).

Acessar Artigo | PDF | Código
2025

CANDAS Dataset: A Cooling Fan Sound Dataset with Modeled Disturbances and Controlled Experimental Conditions

H Lima, C Silva, R Nery, WC Camacho, R Brazileiro, R de Paula Monteiro, AMNC Ribeiro.

Encontro Nacional de Inteligência Artificial e Computacional (ENIAC)

Acessar Artigo | PDF | Dataset
2025

An Isolation Forest Approach for Robust Anomaly Detection in Industrial Machines Using Out-of-Distribution Acoustic Data

C Silva, J Campos, LAF Bortoni, PA Jaskowiak, D Pinheiro.

Congresso Brasileiro de Inteligência Computacional (CBIC).

Acessar Artigo | PDF | Código