Mestrandos
Alunos
Gustavo Sanches Guaragna
Data Augmentation para Dados Heterogêneos em Aprendizado Federado
A pesquisa tem como objetivo reduzir a heterogeneidade estatística presente em aprendizado federado, em tarefas de classificação de imagens. Para isso, estamos avaliando o treinamento federado de um modelo generativo em conjunto com o modelo classificador, de forma a gerar dados sintéticos que possam ser incorporados aos conjuntos locais dos clientes, reduzindo a heterogeneidade estatística e facilitando a convergência do modelo classificador. Estamos avaliando as estratégias de treinamento do modelo generativo, arquiteturas do modelo e métodos de imputação dos dados sintéticos para um treinamento mais estável e eficiente, que resulte em uma melhor acurácia, sem comprometer muito os custos de comunicação e levando em conta a privacidade dos clientes.
Mateus Edival Rodrigues da Silveira
K-hopRAG: Interactive Retrieval-Augmented Generation
A pesquisa tem com objetivo explorar o uso de Grafos de Conhecimento para Geração Aumentada por Recuperação, a fim de mitigar problemas inerentes dos Modelos de Linguagem como alucinações e falta de dados não visto durante o treinamento.
Ronaldinho Vega Centeno Olivera
FRACTAL-MAS: Uma Arquitetura Recursiva para Sistemas Multiagentes de Complexidade Emergente
A pesquisa tem como objetivo fundamentar-se no conceito de Sistemas Hierárquicos de Complexidade Emergente para propor o FRACTAL-MAS, uma arquitetura de sistemas multiagentes (MAS) baseada em modularidade recursiva e padronização funcional. Através da estratégia de "dividir, conquistar e padronizar", o framework utiliza os protocolos A2A (Agent-to-Agent) e MCP (Model Context Protocol) para orquestrar agentes especializados em domínios de nicho, permitindo que sua integração estruturada resulte em sistemas de maior escala e potência cognitiva. Esta organização recursiva permite que competências específicas e modulares convirjam em capacidades sistêmicas superiores, direcionando o desenvolvimento da arquitetura rumo à viabilização da Inteligência Artificial Geral (AGI).
Miguel Francisco Bossoni Barreto
Aprendizado Federado Auto-Supervisionado Invariante a Domínio para Cenário Veiculares
A pesquisa tem como objetivo investigar o uso de Federated Learning no contexto de sistemas de transporte inteligentes, buscando solucionar desafios de privacidade, escassez de dados rotulados e alinhamento entre representações enquanto lida com a diferença de domínios existentes entre diversos clientes.
Milena de Faria Silva
Geração Aumentada por Recuperação Multimodal com Few-Shot Dinâmico
A pesquisa tem como objetivo melhorar a qualidade e a confiabilidade de sistemas de Geração Aumentada por Recuperação (RAG) multimodal, em tarefas que combinam texto e imagem. Para isso, estamos desenvolvendo e avaliando um pipeline reprodutível que integra pré-processamento visual (ROI/segmentação), extração de entidades (NER) e recuperação em base vetorial, de forma a selecionar evidências relevantes e montar automaticamente exemplos few-shot dinâmicos que orientem a resposta do modelo. Estamos avaliando diferentes estratégias de recuperação e seleção de exemplos — como RAG textual vs RAG multimodal, uso de filtros por entidades e variações no número e diversidade de exemplos — buscando reduzir erros plausíveis/alucinações e aumentar a acurácia. Também analisamos o trade-off entre ganho de desempenho e custos, considerando latência, número de chamadas ao modelo e consumo de tokens, para obter um sistema mais estável e eficiente.