Departamento de Ciência da Computação

Denis Deratani Maua

É Professor Associado do Departamento de Ciência da Computação do Instituto de Matemática e Estatística da Universidade de São Paulo. Tem experiência na área de Inteligência Artificial, em especial no estudo de modelos probabilísticos baseados em grafos e suas aplicações. Obteve doutorado pela Università della Svizzera Italiana (Suíça) em 2013. Possui mestrado em Engenharia Mecatrônica (2009) e diploma de Engenharia Elétrica com ênfase em Automação e Controle (2007), ambos pela Escola Politécnica da Universidade de São Paulo. Entre 2009 e 2013 foi pesquisador no Istituto Dalle Molle di Studi sull'Intelligenza Artificiale (IDSIA) em Lugano, Suíça. Foi pós-doutorando no Laboratório de Tomada de Decisão da Escola Politécnica da Universidade de São Paulo. (Texto informado pelo autor)

  • http://lattes.cnpq.br/5302472310971255 (08/01/2024)
  • Rótulo/Grupo:
  • Bolsa CNPq: Nível 2
  • Período de análise:
  • Endereço: Universidade de São Paulo, Instituto de Matemática e Estatística, Departamento de Ciência da Computação. Rua do Matão 1010 Butantã 05508090 - São Paulo, SP - Brasil Telefone: (11) 30915036 URL da Homepage: http://www.ime.usp.br/~ddm
  • Grande área: Ciências Exatas e da Terra
  • Área: Ciência da Computação
  • Citações: Google Acadêmico

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

Prêmios e títulos

Participação em eventos

Organização de eventos

Lista de colaborações

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

  • Total de projetos de pesquisa (4)
    1. 2023-Atual. Inducao de Programas Logico-Probabilistico-Neurais
      Descrição: As técnicas de aprendizagem profunda demonstraram excelente desempenho em tarefas cognitivas tanto de baixo nível, como reconhecimento de fala e imagem, como de alto nível, como resposta automática a questões e planejamento estocástico. Apesar disso, desenvolver soluções baseadas em aprendizagem profunda é uma tarefa notoriamente difícil, pois requer uma quantidade enorme de dados e recursos computacionais (muito além do disponível a usuários comuns). Ademais, tais técnicas são muito sensíveis a variações de domínio e produzem resultados indesejados que minam a confiança do usuário. As técnicas de IA clássica, por sua vez, requerem menos dados, generalizam melhor para novas situações e são capazes de verificação. Elas, no entanto, são limitadas a pequenos domínios e exibem desempenho insatisfatório na presença de ruído e incerteza nos conhecimento. As abordagens neurossimbólicas procuram tirar proveito do melhor de ambas as abordagens. Este documento descreve um plano de pesquisa de cinco anos para investigar o desenvolvimento de técnicas neurossimbólicas baseadas em programação lógica, programação probabilística e combinações das duas. O resultado esperado é a criação de agentes adaptativos que ultrapassem a visão dominante de aprendizado como uma tarefa de otimização contínua guiada por pares de exemplo entrada-saída. Para atingir isso, essa pesquisa pretende estender os arcabouços teóricos de programação lógica neurossimbólica com construções mais expressivas e técnicas de aprendizado mais eficientes; as abordagens desenvolvidas serão avaliadas em tarefas cognitivas de alto nível como resposta automática a perguntas em linguagem natural.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Especialização: (0) / Mestrado acadêmico: (3) / Mestrado profissional: (0) / Doutorado: (3) . Integrantes: Denis Deratani Mauá - Coordenador / Igor Cataneo Silveira - Integrante / Renato Lui Geh - Integrante / Jonas Rodrigues Lima Gonçalves - Integrante / Thiago Peres Casagrande - Integrante / Naomi James de Moraes Nascimento - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa / Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
      Membro: Denis Deratani Maua.
    2. 2020-Atual. Predictive Uncertainty Estimators for Sum-Product Networks
      Descrição: Deep models have recently obtained impressive results in a wide range of tasks and domains, from computer vision to image and text processing to diagnosis and automated reasoning. Sum-product networks are special type of neural networks targeted at the representation of high-dimensionality probability distributions. Notably, the structure of a sum-product network (i.e., its graph) encodes a number of probabilistic independence assertions. In addition, each node of the network computes a valid distribution over its part of the variables. Such probabilistic semantics facilitates debugging, allows a wide range of queries and data (including missing and noisy data) to be handled properly and efficiently, and enables efficient structure learning algorithms. In many applications, it is desirable to have not only a prediction (e.g., the probability of observing a certain object, say an image), but a confidence measure about its prediction. As sum-product networks are learned from data, the probabilities they calculate can be overly confident or too sensitive to hyperparameters on regions where data was scarce, conflicting or too noisy. In this research project, we plan on following two possible approaches to estimating the uncertainty of a sum-product network prediction. The first approach estimates uncertainty by analyzing the effect that small perturbations of the data have on the prediction. The second approach considers the variability of predictions among different networks (learned from the same data). This research investigates methods to producing predictive uncertainty estimators for sum-product networks.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Denis Deratani Mauá - Coordenador / Julissa Giuliana Villanueva Llerena - Integrante / Décio Lauro Soares - Integrante / Renato Lui Geh - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
      Membro: Denis Deratani Maua.
    3. 2017-2020. Redes Bayesianas Especificadas em Linguagens Formais
      Descrição: Redes bayesianas permitem representar modelos probabilísticos de for- ma concisa aproveitando-se de independências entre variáveis. No en- tanto, muitas propriedades de um domínio são capturadas apenas no ní- vel dos eventos. Tais propriedades, chamadas de estrutura local, incluem determinismo, independência sensível a contexto, e replicação. Inferência em redes bayesianas pode ser agilizada explorando a estrutura local; para isso, é necessária uma linguagem formal que permita a representação de tais propriedades e auxilie no raciocínio probabilístico. Este projeto visa investigar diferentes linguagens formais para especificação de redes baye- sianas com estrutura local abundante. Em particular, investigaremos lin- guagens relacionais e mais, especificamente, linguagens temporais. Nosso objetivo é encontrar linguagens que sejam convenientes para descrição de conhecimento e que permitam realizar inferência de forma mais rápida aproveitando-se da estrutura local.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (0) / Especialização: (0) / Mestrado acadêmico: (3) / Mestrado profissional: (0) / Doutorado: (1) . Integrantes: Denis Deratani Mauá - Coordenador / Leliane Nunes de Barros - Integrante / João de Santana Brito Júnior - Integrante / Igor Cataneo Silveira - Integrante / BUENO, THIAGO P. - Integrante / COZMAN, FABIO G. - Integrante / LLERENA, JULISSA VILLANUEVA - Integrante / Décio Lauro Soares - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa. Número de produções C, T & A: 2
      Membro: Denis Deratani Maua.
    4. 2016-2019. Aprendizagem de Modelos Probabilisticos Trataveis e seu Uso na Classificacao Multirrotulo
      Descrição: Redes bayesianas permitem a representação compacta de conhecimento incerto. Existem fortes indícios vindos da complexidade computacional que realizar inferência em tais modelos leva tempo exponencial na largura de árvore, que mede a complexidade de um modelo. Limitar a largura de árvore dos modelos diminui seu poder representacional. Tal dimuição pode ser evitada sem aumento da complexidade de inferência através da introdução de variáveis latentes, isto é, de variáveis não observáveis. No entanto, os métodos existentes para aprendizagem de redes bayesianas de largura de árvore limitada não permitem variáveis latentes. Eles também são ineficazes em grandes domínios (com centenas ou até milhares de variáveis), o que impossibilita sua aplicação em muitos problemas reais. Essa pesquisa visa o desenvolvimento de métodos de aprendizagem de redes bayesianas de largura de árvore limitada que permitam variáveis latentes ou parcialmente observáveis, e que lidem satisfatoriamente com domínios grandes. Tais métodos serão aplicados na construção de classificadores multirrótulos, ou seja, no aprendizado de funções que mapeiem objetos em conjuntos de classes relevantes. Diferentemente da classificação (monorrótulo) tradicional (onde cada objeto pertence a uma única classe), a relevância das classes é comumente correlacionada, o que demanda modelos mais sofisticados. Uma alternativa para a construção de classificadores computacionalmente eficientes é adotar outra classe de modelos probabilísticos com inferência tratável. Redes soma-produto são circuitos aritméticos para a representação de modelos probabilísticos. Inferência em uma rede soma-produto leva tempo linear em seu tamanho. Nessa pesquisa pretende-se desenvolver métodos de construção de classificadores multirrótulo baseados em redes soma-produto, comparando-os com os baseados em redes bayesianas.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (0) / Especialização: (0) / Mestrado acadêmico: (4) / Mestrado profissional: (0) / Doutorado: (0) . Integrantes: Denis Deratani Mauá - Coordenador / COZMAN, FABIO GAGLIARDI - Integrante / Walter Perez Urcia - Integrante / Julissa Giuliana Villanueva Llerena - Integrante / João de Santana Brito Júnior - Integrante / Igor Cataneo Silveira - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro. Número de produções C, T & A: 8
      Membro: Denis Deratani Maua.

Prêmios e títulos

  • Total de prêmios e títulos (8)
    1. Melhor Dissertação de Mestrado no XXXVI Concurso de Teses e Dissertações (CTD) do CSBC 2023 - Orientador, Sociedade Brasileira de Computação (SBC).. 2023.
      Membro: Denis Deratani Mauá.
    2. Segundo Melhor Artigo da 11th Brazilian Conference on Intelligent Systems (BRACIS), SBC.. 2022.
      Membro: Denis Deratani Mauá.
    3. Melhor Dissertação de Mestrado em Inteligência Artificial no 13º Concurso de Teses e Dissertações em Inteligência Artificial e Computacional (CTDIAC) - Orientador, Comissão Especial em IA da Sociedade Brasileira de Computação.. 2022.
      Membro: Denis Deratani Mauá.
    4. Google Latin American Research Award, Google.. 2018.
      Membro: Denis Deratani Mauá.
    5. Terceiro melhor artigo no 5th Symposium On Knowledge Discovery, Mining and Learning (KDMiLe 2017)., SBC.. 2017.
      Membro: Denis Deratani Mauá.
    6. ISIPTA-IJAR Young Research Award - Golden Prize, SIPTA IJAR.. 2015.
      Membro: Denis Deratani Mauá.
    7. Best Paper Award, XII Encontro Nacional de Inteligencia Artificial e Computacional (ENIAC 2015).. 2015.
      Membro: Denis Deratani Mauá.
    8. Google Best Student Paper Award at UAI, Association for the Advancement of Artificial Intelligence.. 2013.
      Membro: Denis Deratani Mauá.

Participação em eventos

  • Total de participação em eventos (18)
    1. Eleventh International Symposium on Imprecise Probabilities: Theories and Applications. Robust Analysis of MAP Inference in Selective Sum-Product Networks. 2019. (Congresso).
    2. 2018 7th Brazilian Conference on Intelligent Systems (BRACIS). 2018. (Congresso).
    3. 5th Brazilian Conference on Intelligent System. 2016. (Congresso).
    4. Eight International Conference on Probabilistic Graphical Models. The Effect of Combination Functions on the Complexity of Relational Bayesian Networks. 2016. (Congresso).
    5. XIII Encontro Nacional de Inteligência Artificial e Computacional. Improving Acyclic Selection Order-Based Bayesian Network Structure Learning. 2016. (Congresso).
    6. 24th International Joint Conference on Artificial Intelligence (IJCAI 2015). The Complexity of MAP with Bayesian Networks Specified by Logic Constructs. 2015. (Congresso).
    7. 2014 Brazilian Conference on Intelligent Systems (BRACIS). Hidden Markov Models with Set-Valued Parameters. 2014. (Congresso).
    8. The Seventh European Workshop on Probabilistic Graphic Models.Speeding Up k-Neighborhood Local Search in Limited Memory Influence Diagrams. 2014. (Oficina).
    9. 6th Workshop on Principles and Methods of Statistical Inference with Interval Probability ity.Inference algorithms for credal networks. 2013. (Oficina).
    10. Doctoral Consortium at International Joint Conference on Artificial Intelligence (IJCAI-13). Approximation Algorithms for Max-Sum-Product Problems. 2013. (Congresso).
    11. International Joint Conference on Artificial Intelligence (IJCAI-13). An ensemble of Bayesian networks for multilabel classification. 2013. (Congresso).
    12. Conference Annual Conference on Uncertainty in Artificial Intelligence (UAI-12). The Complexity of Approximately Solving Influence Diagrams. 2012. (Congresso).
    13. International Conference on Machine Learning (ICML-12). Anytime marginal map inference. 2012. (Congresso).
    14. Advances in Neural Information Processing Systems (NIPS-11). Solving Decision Problems with Limited Information. 2011. (Congresso).
    15. International Symposium on Imprecise Probability: Theories and Applications (ISPTA-11). A Fully Polynomial Time Approximation Scheme for Updating Credal Networks of Bounded Treewidth and Number of Variable States. 2011. (Congresso).
    16. 3rd Workshop on Principles and Methods of Statistical Inference with Interval Probabilityility.Bucket Elimination in Credal Networks: Exact and Approximation Algorithms. 2010. (Oficina).
    17. IV Workshop on MSc Dissertation and PhD Thesis in Artificial Intelligence (WTDIA).Managing Trust in Virtual Communities with Markov Logic. 2008. (Oficina).
    18. Workshop on Information Visualization and Analysis in Social Networks.Using Social Data to Predict Trust on Web Communities. 2008. (Oficina).

Organização de eventos

  • Total de organização de eventos (2)
    1. BARROS, L. N. ; MAUA, DENIS DERATANI. Escola Regional de Aprendizado de Máquina e Inteligência Artificial. 2020. Outro
    2. MAUA, DENIS DERATANI; NALDI, M.. Encontro Nacional de Inteligência Artificial e Computacional. 2018. Congresso

Lista de colaborações

  • Colaborações endôgenas (1)
    • Denis Deratani Mauá ⇔ Leliane Nunes de Barros (10.0)
      1. MOREIRA, DANIEL A.M. ; VALDIVIA DELGADO, KARINA ; de Barros, Leliane Nunes ; DERATANI MAUÁ, DENIS. Efficient algorithms for Risk-Sensitive Markov Decision Processes with limited budget. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING. v. 139, p. 143-165, issn: 0888-613X, 2021.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: A1
      2. Lovatto, Ângelo ; BARROS, L. N. ; DERATANI MAUÁ, DENIS. Exploration Versus Exploitation in Model-Based Reinforcement Learning: An Empirical Study. Intelligent Systems. BRACIS 2022. Lecture Notes in Computer Science(). 1ed.Berlin. Em: Xavier-Junior, J.C., Rios, R.A.. (Org.). Lecture Notes in Computer Science: Intelligent Systems. BRACIS 2022.. 1ed. : Springer. 2022.v. 13654, p. 30-44.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      3. Scaroni, Renato ; BUENO, THIAGO P. ; de Barros, Leliane N. ; MAUÁ, DENIS. On the Performance of Planning Through Backpropagation. Lecture Notes in Computer Science. 1ed. Em: Cerri, R.;Prati, R.C.. (Org.). Intelligent Systems. BRACIS 2020. Lecture Notes in Computer Science(). 1ed.Berlin. : Springer International Publishing. 2020.v. 12320, p. 108-122.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      4. Fernandez, Milton Condori ; de Barros, Leliane N. ; MAUÁ, DENIS ; Delgado, Karina V. ; Freire, Valdinei. Finding Feasible Policies for Extreme Risk-Averse Agents in Probabilistic Planning. Lecture Notes in Computer Science. 1ed. Em: Cerri, R.; Prati, R.C.. (Org.). Intelligent Systems. BRACIS 2020. Lecture Notes in Computer Science. Serie LNAI. 1ed.Berlin. : Springer International Publishing. 2020.v. 12320, p. 497-508.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      5. PENNACCHIO, ALAN A. ; BARROS, LELIANE N. DE ; MAUÁ, DENIS D.. Differentiable Planning for Optimal Liquidation. Em: Brazilian Workshop on Artificial Intelligence in Finance, p. 48-57, 2022.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: Não identificado (Brazilian Workshop on Artificial Intelligence in Finance)
      6. DIAS, DANIEL B. ; N. de Barros, Leliane ; V. DELGADO, KARINA ; MAUÁ, DENIS D.. Differentiable Planning with Indefinite Horizon. Em: Symposium on Knowledge Discovery, v. 10, p. 170-177, 2022.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: Não identificado (Symposium on Knowledge Discovery)
      7. THOMAZ, Guilherme ; MAUA, DENIS DERATANI ; BARROS, LELIANE N. DE. A Contact Network-Based Approach for Online Planning of Containment Measures for COVID-19. Em: XVII Encontro Nacional de Inteligência Artificial e Computacional, v. 17, p. 234-245, 2020.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: Não identificado (XVII Encontro Nacional de Inteligência Artificial e Computacional)
      8. Andrés, Igansi ; BARROS, L. N. ; MAUÁ, DENIS ; Simões, Thiago Dias. When a Robot Reaches out for Human Help. Em: 16th Ibero-American Conference on Artificial Intelligence (IBERAMIA), p. 277-289, 2018.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: Não identificado (16th Ibero-American Conference on Artificial Intelligence (IBERAMIA))
      9. BUENO, THIAGO P. ; MAUA, DENIS DERATANI ; BARROS, LELIANE N. DE ; COZMAN, FABIO G.. Modeling Markov Decision Processes with Imprecise Probabilities Using Probabilistic Logic Programming. Em: International Symposium on Imprecise Probability: Theories and Applications (ISIPTA), v. 62, p. 49-60, 2017.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: Não identificado (International Symposium on Imprecise Probability: Theories and Applications (ISIPTA))
      10. BUENO, THIAGO P. ; MAUA, DENIS D. ; BARROS, LELIANE N. DE ; COZMAN, FABIO G.. Markov Decision Processes Specified by Probabilistic Logic Programming: Representation and Solution. Em: 2016 5th Brazilian Conference on Intelligent Systems (BRACIS), p. 337, 2016.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: Não identificado (2016 5th Brazilian Conference on Intelligent Systems (BRACIS))




(*) Relatório criado com produções desde 2000 até 2024
Data de processamento: 22/04/2024 18:50:40