Palestrantes

Sandra Avila, Universidade de Campinas, Brasil.

The Day I Discovered I Was Collaborating on a Eugenics Skin Cancer Project

Resumo

O câncer de pele é um importante problema de saúde pública que poderia se beneficiar do diagnóstico auxiliado por computador para reduzir o impacto dessa doença comum. Embora algoritmos de aprendizado profundo (deep learning) alcancem desempenhos “super-humanos” em diferentes contextos, os modelos enfrentam dificuldades para generalizar, o que impede a adoção do deep learning em tarefas críticas como a análise do câncer de pele. Nosso grupo de pesquisa tem trabalhado com análise de imagens da pele (classificação, síntese e remoção de vieses) há mais de uma década. Nesta apresentação, abordarei nossas abordagens e conquistas — até o momento em que descobri que estava colaborando em um projeto de câncer de pele com base em eugenia e imediatamente redirecionei nosso foco. Discutirei nossos esforços atuais para desenvolver uma solução capaz de generalizar de forma eficaz em uma população diversa com tons de pele mais escuros.

Biografia

Sandra Avila é Professora Associada no Instituto de Computação da Universidade Estadual de Campinas (UNICAMP) e Livre-Docente em Aprendizado de Máquina (2025). Possui doutorado em Ciência da Computação com dupla titulação pela Universidade Federal de Minas Gerais (UFMG) e pela Sorbonne Université, Paris (2013), mestrado pela UFMG (2008) e graduação pela Universidade Federal de Sergipe (2006). Sua pesquisa foca em Inteligência Artificial para o Bem Social, com especialização em Aprendizado de Máquina, Visão Computacional e Processamento de Linguagem Natural aplicados à saúde e à análise de mídias sensíveis. É bolsista de Produtividade em Pesquisa do CNPq Nível 2 (desde 2021) e já recebeu diversos prêmios, incluindo o Google Latin America Research Awards (2018, 2019, 2020, 2021), o Google Award for Inclusion Research (2022), o Prêmio de Reconhecimento Acadêmico em Direitos Humanos UNICAMP-Instituto Vladimir Herzog (2023, 2024) e o prêmio More Inclusive Dermatology do Grupo L’Oréal Brasil (2025). Apaixonada por incentivar mulheres nas áreas STEM, coorganiza o projeto Meninas Super Cientistas (desde 2020) e atuou como chair/vice-chair da IEEE Women in Engineering da Seção Sul do Brasil. Representou o Brasil no BRICS Young Scientists Forum (2020) e está entre os 2% de cientistas mais influentes do mundo (Stanford/PlosOne/Elsevier, 2022–2023). Em 2024, participou da revisão da Estratégia Brasileira de Inteligência Artificial (EBIA).

Thiago Serra, University of Iowa, USA.

Optimization Over Trained Neural Networks: What, Why, and How?

Resumo

Constraint learning (aprendizado de restrições) é um novo paradigma para modelar problemas de otimização com a ajuda do aprendizado de máquina. Por exemplo, podemos aprender restrições de forma empírica a partir de dados disponíveis ou evitar escrever uma função objetivo não linear aprendendo uma aproximação mais simples para ela. Geralmente, alcançamos isso utilizando uma rede neural como parte do modelo de otimização. Como consequência, precisamos projetar algoritmos de otimização que levem em conta a estrutura das redes neurais. Mostramos como a teoria poliédrica e o network pruning (poda de redes) podem nos ajudar a resolver esses problemas de forma mais eficiente — mas isso é apenas o começo!

Biografia

Thiago Serra é professor assistente de Análise de Negócios (Business Analytics) na Universidade de Iowa. Sua pesquisa é focada na teoria, prática e integração de aprendizado de máquina e otimização matemática. Anteriormente, foi professor assistente na Universidade de Bucknell, pesquisador visitante no Mitsubishi Electric Research Labs e analista de pesquisa operacional na Petrobras. Possui doutorado em Pesquisa Operacional pela Carnegie Mellon University, onde recebeu o Gerald L. Thompson Doctoral Dissertation Award in Management Science. Também é mestre em Ciência da Computação pela Universidade de São Paulo (USP) e graduado em Engenharia da Computação pela Universidade Estadual de Campinas (Unicamp). É presidente da INFORMS Computing Society e atua como editor associado dos periódicos International Transactions in Operational Research e INFORMS Journal on Data Science.

Evangelos Papalexakis, University of California

It’s all about the latent structure: Tensor and graph methods for actionable insights

Resumo

Tensores e grafos têm sido ferramentas essenciais para expressar relações complexas em dados. De particular interesse estão os métodos de mineração de tensores e grafos que nos permitem descobrir a estrutura latente dos dados e, como resultado, produzir representações interpretáveis que podem ser usadas em diversas tarefas subsequentes e para gerar insights acionáveis.

Nesta palestra, vamos primeiro explorar como os métodos baseados em tensores podem potencializar a mineração de grafos e dados, apresentando exemplos empolgantes, incluindo detecção de comunidades e outras aplicações reais de alto impacto, com ênfase na descoberta científica. Em seguida, apresentaremos novos métodos de aprendizado de representação de grafos auto-supervisionados, que se baseiam na descoberta da estrutura latente dos dados para alcançar alto desempenho e aceleração em relação ao estado da arte atual. Por fim, se o tempo permitir, discutiremos brevemente conexões fascinantes entre a recuperação da estrutura latente, a robustez de modelos de aprendizado profundo e os modernos modelos de linguagem de grande porte.

Biografia

Evangelos Papalexakis é Professor Associado e detentor da Ross Family Chair no Departamento de Ciência da Computação e Engenharia da Universidade da Califórnia, Riverside, EUA. Seu trabalho se concentra em ciência de dados, aprendizado de máquina e inteligência artificial, com ênfase em métodos tensoriais e mineração de grafos para a descoberta de estruturas latentes e representações interpretáveis em dados complexos. É Ph.D. em Ciência da Computação pela Universidade Carnegie Mellon (EUA) e graduado pela Technical University of Crete, na Grécia.

Papalexakis foi finalista do SIGKDD Doctoral Dissertation Award (2017). Também recebeu o Best Student Paper Award no SIAM SDM 2016, pelo artigo “Automatic Unsupervised Tensor Mining with Quality Assessment”. Além disso, seus artigos foram destacados como os melhores das conferências SDM 2014, PAKDD 2014, e ASONAM 2013.