PPGINF: Membros do grupo de pesquisa IRIS recebem prêmios em evento internacional

Os pesquisadores do grupo de pesquisa IRIS - Sistemas Inteligentes para Tratamento de Informação, coordenado pelo Prof. Dr. Wladmir Cardoso Brandão, do Programa de Pós-graduação em Informática (PPGINF) da PUC Minas, apresentaram sete artigos científicos na 23rd International Conference on Enterprise Information Systems (ICEIS'21). O grupo também conquistou o prêmio de melhor artigo e de melhor pôster da conferência, que aconteceu entre os dias 26 e 28 de abril.

Como explica o professor Wladmir, todos os artigos contaram com a participação de alunos de graduação em Ciência da Computação e Sistemas de Informação, Mestrado em Informática e ex-alunos da PUC Minas. Dois desses artigos foram desenvolvidos dentro de um projeto de pesquisa em parceria com a CEMIG e a FUMEC, outros dois foram desenvolvidos dentro de projetos de extensão em parceria com a ChildFund Brasil e outro foi desenvolvido em parceria com médico pesquisador da Escola de Medicina da UFMG.

Os artigos trataram de temas relacionados à Aprendizagem de Máquina (Inteligência Artificial), Análise Preditiva, Sistemas de Recomendação e Processamento em Linguagem Natural.

Confira abaixo os artigos apresentados:

Melhor Artigo
Improve Classification of Commits Maintenance Activities with Quantitative Changes in Source Code
Richard Vinicius Rezende Mariano (Graduando de Ciência da Computação na PUC Coração Eucarístico)
Geanderson Esteves dos Santos (Ex-aluno de Graduação em Sistemas de Informação da PUC Barreiro)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de análise preditiva em engenharia de software que propõe melhorias em uma das técnicas mais modernas de classificação de commits de software. Particularmente, a inclusão de três novas evidências (features) sobre commits e o uso de algoritmo XGBoost para classificação de commits. Experimentos mostraram que nosso modelo supera o modelo estado da arte reportado na literatura atingindo mais de 77% de precisão e mais de 64% na métrica Kappa. Este trabalho foi resultante de TCC.

Melhor Pôster
Ontology-Based Approach for Business Opportunities Recognition
Vinicius Ferreira Salgado (Mestrando no PPGINF)
Diego Bernardes de Lima Santos (Mestrando no PPGINF)
Frederico Giffoni de Carvalho Dutra (Pesquisador da CEMIG)
Fernando Silva Parreiras (Pesquisador da FUMEC)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de processamento de linguagem natural que propõe uma abordagem baseada em ontologia para reconhecer oportunidades de negócios a partir de notícias relacionadas a negócios extraídas da Web. Resultados experimentais mostram que a nossa abordagem pode reconhecer efetivamente as oportunidades de negócios, atingindo até 90% de acerto. Trabalho fruto de projeto de pesquisa em parceria com CEMIG e do Laboratório LIAISE.

Assessing the Effectiveness of Multilingual Transformer-Based Text Embeddings for Named Entity Recognition in Portuguese
Diego Bernardes de Lima Santos (Mestrando no PPGINF)
Frederico Giffoni de Carvalho Dutra (Pesquisador da CEMIG)
Fernando Silva Parreiras (Pesquisador da FUMEC)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de aprendizagem de máquina e processamento de linguagem natural que explora modelos multilíngues para reconhecimento de entidades a partir de texto ao adaptar e treinar arquiteturas baseadas em Transformers para o português. Resultados experimentais mostram que as abordagens de embeddings de texto baseadas em Transformers multilíngues ajustado com um grande conjunto de dados superam os modelos de última geração baseados em Transformers treinados especificamente para Português, provendo ganhos de até 9,89% de precisão e 11,60% na métrica F1. Este trabalho é fruto de projeto de pesquisa em parceria com CEMIG e do Laboratório LIAISE.

CHILDATTEND: A Neural Network Based Approach to Assess Child Attendance in Social Project Activities
João Vitor Andrade Estrela (Graduando de Ciência da Computação na PUC Coração Eucarístico)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de aprendizagem de máquina profunda (Deep Learning) que propõe uma abordagem baseada em rede neural que explora algoritmos de detecção e reconhecimento facial e de alinhamento de imagem para identificar crianças em fotos grupais, ou seja, imagens com muitas pessoas realizando atividades, muitas vezes em movimento. Experimentos mostram que a abordagem proposta é rápida e identifica crianças em fotos grupais com mais de 90% de precisão. Essa abordagem permite identificar a participação de crianças em atividades de projetos sociais. Este trabalho é fruto de projeto de pxtensão em parceria com ChildFund Brasil.

Machine Learning Algorithms for Breast Cancer Detection in Mammography Images: A Comparative Study
Rhaylander Mendes de Miranda Almeida (Graduado em Sistemas de Informação na PUC São Gabriel)
Dehua Chen (Ex-aluno de Graduação em Ciência da Computação na PUC Coração Eucarístico)
Agnaldo Lopes da Silva Filho (Pesquisador da Escola de Medicina da UFMG)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de aprendizagem de máquina profunda (Deep Learning) que compara o desempenho dos algoritmos XGBoost e VGG16 na tarefa de detecção de câncer de mama usando mamografias digitais. Os resultados experimentais mostram que o XGBoost atinge 68,29% em AUC, enquanto VGG16 atinge aproximadamente o mesmo desempenho de 68,24% em AUC. Este trabalho é resultante do TCC do aluno.

NEWRITER: A Text Editor for Boosting Scientific Paper Writing
João Ribeiro Bezerra (Mestrando no PPGINF)
Luís Fabrício Wanderley Góes (Pesquisador da University of Leicester, UK)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de análise preditiva com processamento de linguagem natural que propõe uma abordagem baseada em rede neural para escrita de textos científicos. Em particular, permite que os usuários alimentem texto científico a partir de sugestões de um modelo especializado e personalizado. Dessa forma, a abordagem é capaz de apresentar ao usuário um texto sugerido em tempo real enquanto eles escrevem seu próprio texto. Resultados experimentais mostram que nosso modelo de linguagem personalizado pelo usuário pode ser usado de forma eficaz para assistência na redação de textos científicos, quando comparados a sistemas pré-treinados de última geração.

RECAID: A Sponsorship Recommendation Approach
William Johnny Bernardes de Oliveira (Mestrando no PPGINF)
Wladmir Cardoso Brandão (Coordenador do Grupo de Pesquisa IRIS)
Resumo: Trabalho de sistemas de recomendação que propõe uma abordagem de aprendizagem para recomendar beneficiários aos patrocinadores em projetos sociais. Particularmente, nós exploramos diferentes estratégias de recomendação, como filtragem colaborativa, baseada em conteúdo com embeddings de palavras e baseada em conhecimento com regras de associação. Experimentos mostram que estratégias baseadas em conteúdo com embeddings de palavras são mais eficazes, chegando a 72% de desempenho em MAP e nDCG. Além disso, tais estratégias podem recomendar efetivamente beneficiários a patrocinadores, mesmo se houver menos informações de feedback sobre beneficiários e patrocinadores para treinar os modelos de recomendação. Este trabalho é fruto de projeto de extensão em parceria com ChildFund Brasil.