Pesquisador focado em Hierarchical Multi-label Classification (HMC)
- 🌿 Classificação Hierárquica (HMC)
- 🧠 Machine Learning & Deep Learning
- 🕸️ Algoritmos em Grafos/Árvores
- 🧠 Linha de Pesquisa: Hierarchical Multi-Label Classification (HMC), com foco em coerência estrutural, regularização hierárquica e arquiteturas profundas especializadas por nível.
- 📄 Base Teórica: Interesse especial em modelos coerentes como C-HMCNN e abordagens que integram restrições estruturais diretamente na função de perda.
- 🔬 Abordagem Científica: Forte preocupação com reprodutibilidade experimental, organização de datasets e avaliação criteriosa por nível da hierarquia.
- ⚙️ Stack Principal: PyTorch para modelagem profunda, com exploração de GCN, GAT e mecanismos de atenção aplicados a estruturas hierárquicas.
- 📊 Otimização: Busca sistemática por hiperparâmetros (inclusive por nível hierárquico) utilizando estratégias automatizadas como Optuna.
- 📦 Engenharia de Software: Desenvolvimento de bibliotecas reutilizáveis para experimentos em HMC, com versionamento estruturado e preocupação com CI/CD.
- 🚀 Interesse Aplicado: Integração de sistemas de recuperação de informação (RAG), bases vetoriais e pipelines escaláveis para aplicações reais.
- 📐 Filosofia Técnica: Arquiteturas devem refletir a estrutura do problema — especialmente quando o problema é hierárquico.
- 🇧🇷 Contexto: Pesquisador brasileiro em Ciência da Computação, atuando na interseção entre aprendizado profundo, classificação estruturada e modelagem hierárica.
[Committee of NAS-based models]
International Joint Conference on Neural Networks (IJCNN)