Tarde Temática: Inferência, Redes e IA
A Tarde Temática: Inferência, Redes e IA reunirá pesquisadores para discutir os avanços mais recentes em sistemas complexos, inferência baseada em simulação, inteligência artificial e suas aplicações.
Data: 25 de Outubro de 2024
Local: CINA-UFSCar; São Carlos, SP, Brasil
Palestrantes Confirmados
| Horário | Palestrante | Tópico |
|---|---|---|
| 14h00 - 15h00 | Francisco A. Rodrigues (ICMC-USP) | A era da complexidade |
| 15h00 - 16h00 | Pedro L. C. Rodrigues (Inria, França) | An introduction to simulation-based inference and techniques for validation of posterior approximators |
| 16h00 - 16h30 | Coffee Break | |
| 16h30 - 17h30 | Heloísa Camargo (DC-UFSCar) | IA Explicável com XGBoost e valores SHAP - Um exemplo no contexto de enfrentamento de desastres |
Resumos das Palestras
Francisco A. Rodrigues (ICMC-USP)
Título: A era da complexidade
Resumo: O que a internet, o cérebro, as cadeias alimentares e a Wikipédia têm em comum? Em princípio, nada que possamos imaginar. No entanto, esses são exemplos de sistemas complexos cuja estrutura pode ser representada por redes. Nessa palestra, vamos dar uma breve introdução sobre o estudo de sistemas complexos e mostrar diversas aplicações, desde o diagnóstico de transtornos mentais até a análise de redes sociais. No final, apresentaremos diversos desafios que podem ser resolvidos com estudos em estatística e ciência de dados.
Pedro L. C. Rodrigues (Inria, França)
Title: An introduction to simulation-based inference and techniques for validation of posterior approximators
Abstract: Simulation-based inference (SBI) has the potential to revolutionize experimental science as it opens the door to the inversion of arbitrary complex non-linear computer models, such as those found in physics, biology, or neuroscience. The only requirement is to have access to a mathematical model implemented as a simulator. Grounded in Bayesian statistics, recent SBI techniques profit from advances in deep generative modeling to approximate the posterior distributions over the full simulator parameters. However, evaluating whether these approximations can be trusted remains a challenge. In this talk, I will give a brief overview of SBI and present our method for the statistical validation of posterior approximators based on deep generative models. An illustration will be provided using the Jansen-Rit neural mass model.
Reference: https://arxiv.org/abs/2306.03580
Heloísa Camargo (DC-UFSCar)
Título: IA Explicável com XGBoost e valores SHAP - Um exemplo no contexto de enfrentamento de desastres
Resumo: O uso de métodos de Inteligência Artificial Explicável com algoritmos de Machine Learning (ML) tornou-se cada vez mais comum nos últimos anos, sendo considerado por pesquisadores como uma etapa obrigatória em domínios críticos, onde é esperado que o modelo não apenas forneça uma resposta, mas também explique como e por que a conclusão foi alcançada. Dentre os métodos atualmente disponíveis, Shapley Additive Explanations (SHAP) se destaca como um dos mais utilizados, por apresentar diversas vantagens como facilidade de uso, ser agnóstico ao modelo e permitir a apresentação de análises por meio de gráficos que são informativos e facilmente interpretáveis. Modelos de ML do tipo ensemble, especificamente XGBoost e Random Forest (RF), associados à técnica SHAP, têm sido aplicados com sucesso em uma ampla variedade de domínios. Após uma introdução sobre conceitos básicos de RF, XGBoost e valores SHAP, serão apresentados resultados de um estudo que visa analisar entrelaçamentos e/ou sinergias entre indicadores sociais e econômicos e decretos de emergências em municípios brasileiros.
Organização
Profa. Daiane A. Zuanetti (coordenação)
Prof. Rafael Izbicki
Prof. Danilo L. Lopes
Prof. Luis E. B. Salasar
Contato
📧 Email: pipges@ufscar.br
Esperamos por você em São Carlos!