Heitor Soares Ramos Filho


CNPq research fellow: 2

Research areas:
  • wireless networks
  • sensors networks
  • mobile and ad hoc networks
Degrees:

PhD, Universidade Federal de Minas Gerais, 2012

Room: 6309
Phone: 5864
ramosh@dcc.ufmg.br

Home page    Lattes    Google scholar 


Information extracted from Lattes platform

Last update: 2023/10/17


Current projects

2023 a AtualQuantificação de incerteza em aprendizado federado adversário
Fapesp - Acordos de Cooperação / MCTIC/CGI, Processo: 2023/00721-1: O projeto de pesquisa denominado Quantifying Uncertainty in Adversarial Federated Learning visa analisar e propor novas abordagens para modelos de aprendizado de máquina distribuído que mantêm restrições de privacidade e segurança. O Aprendizado Federado (FL) é uma abordagem promissora para treinar modelos de aprendizado de máquina de forma colaborativa em dados espalhados em dispositivos distribuídos, levando em conta as restrições de privacidade. No entanto, o processo de treinamento FL é vulnerável a ataques de envenenamento de modelo em que participantes mal-intencionados podem fazer upload de pesos de modelo falsos. O projeto visa abordar essas vulnerabilidades e propor novas soluções para manter a privacidade e a segurança em modelos distribuídos de aprendizado de máquina. Em suma, este projeto apresenta uma proposta de pesquisa científica em cinco direções: (i) quantificação da generalização de modelos baseados em redes neurais bayesianas para sistemas federados de aprendizagem; (ii) Abordagens do sistema de detecção de intrusão DDoS em aplicações federadas; (iii) quantificação da incerteza em ambientes heterogêneos distribuídos (por exemplo, Aprendizado Federado); (iv) investigação para aprendizado contínuo (incremental) para identificar novos malwares desconhecidos para proteger sistemas mesmo no dia zero do lançamento de um malware; e (v) estudar o uso de testes estatísticos de padrões ordinais para identificar ataques de envenenamento de dados em aplicações federadas.
Integrantes: Heitor Soares Ramos Filho (coordenador), Villas, Leandro A., Alejandro César Frery Orgambide, Pedro Henrique Barros, Eduarda T C Chagas, Fabrício Murai, LOUREIRO, ANTÔNIO A.F., Amir Houmansadr.
2022 a AtualAPRENDIZADO FEDERADO DE MÁQUINA PARA INTERNET DAS COISAS NO CONTEXTO DE MOBILIDADE URBANA
FAPEMIG: APQ-00426-22 Os ecossistemas de Internet das Coisas (IoT) oferecem oportunidades para as cidades entenderem as novas necessidades e promoverem desenvolvimento sustentável através da coleta distribuída de dados. No contexto de IoT, titpicamente enviam-se os dados coletados nesses dispositivos para serem processados na nuvem. A transmissão desses dados para a nuvem pode ser impraticável devido à grande quantidade de dados gerados por esses dispositivos e pela exposição da privacidade dos indivíduos. Uma alternativa para contornar esses problemas é o Aprendizado Federado (Federated Learning - FL). FL é uma abordagem distribuída de Aprendizagem de Máquina (Machine Learning - ML) proposta para garantir que os dados permaneçam nos dispositivos que os geraram. O aprendizado se dá através da colaboração dos modelos de cada dispositivo, sem troca de dados. Porém, métodos de Inteligência Artificial costumam demandar alto poder de processamento e memória. Essas exigências raramente são atendidas no contexto de IoT. Neste projeto iremos abordar duas questões científicas: 1) Como extrair conhecimento de dados de ambientes urbanos oriundos de dispositivos de IoT? 2) Como realizar essa atividade sem enviar os dados a um servidor centralizado? Para responder a primeira pergunta, trabalharemos com a transformação de Padrões Ordinais (PO). PO é um método de transformação de séries temporais que não requer suposição de modelo sobre os dados. Nossa hipótese é que essa técnica promissora possa expandir o conhecimento no contexto de mineração de séries temporais em cenários urbanos. Em relação à segunda pergunta de pesquisa, iremos investigar técnicas de Busca de Arquiteturas Neurais (Neural Architecture Search - NAS) para FL. NAS será utilizado para busca automática de modelos de redes neurais que possam ser incorporados nos dispositivos IoT. Essa abordagem contribuirá positivamente para a preservação de privacidade uma vez que os dados não serão retirados dos dispositivos que os geraram.
Integrantes: Heitor Soares Ramos Filho (coordenador), Loureiro, Antonio A. F., João Guilherme Maia de Menezes, Bruno P Santos, João B Borges Neto.
2021 a AtualPetrobrasIAGeo : Inteligência artificial aplicada à exploração de petróleo na camada pré-sal
Projeto CENPES/PDIEP/GP 2020/00098-4: O projeto tem caráter multidisciplinar objetivando trazer uma nova cultura à exploração de óleo e gás, via implantação de produtos IA em diferentes áreas. Associando geólogos, cientistas da computação, matemáticos, estatísticos, químicos e físicos o projeto objetiva a inserção de modelos de inteligência artificial desenvolvidos especificamente para o escopo dos problemas propostos, permitindo uma extração profunda de informação, e sua subsequente análise e reavaliação.
Integrantes: Wagner Meira Júnior (coordenador), Heitor Soares Ramos Filho, Adriano Alonso Veloso, Maurício Marengoni, Alexandre Uhlein, Antonio Carlos Pedrosa Soares, Aline Tavares Melo, Erickson Rangel do Nascimento, Fabricio de Andrade Caxito, Gabriel de Morais Coutinho, Gabriel Jubé Uhlein, George Luiz Medeiros Teodoro, Henrique de Melo Versieux, Mahyra Ferreira Tedeschi, Marcos Oliveira Prates, Renato Antonio Celso Ferreira, Ronald Dickman, Ruben Dario Sinisterra, Tiago Amancio Novo, Ruann Carlos Mendanha Silva, Maria José Campos de Oliveira, Caique Pinheiro de Carvalho.
2021 a Atual[Instituto Serrapilheira] Dense Labeling of Remote Sensing Images in the Wild
Automatic geographic mapping using Remote Sensing Images (RSIs) as a data source is usually modeled as a supervised classification problem. In this context, dense pixel labeling also called semantic segmentation or pixel-wise classification is a computer vision task that has made great strides in recent years mainly due to the emergence of new approaches based on deep convolutional networks. Remote sensing applications have also benefited from these advances. Several studies have been noted for the high level of quality obtained in the creation of geographic maps in an automated way through the use of semantic segmentation techniques. An important issue, however, is that the advances shown are generally evaluated in relatively well-controlled environments. A number of challenges emerge when these approaches are employed on more specific applications, such as class imbalance, underrepresentation of some classes, and presence of pixels of unknown classes during the prediction phase. In the case of geographic mapping by means of remote sensing images, there are also problems of geographic and temporal domain shift. In addition, sample annotation depends on expert users, imposing restrictions on the volume of annotated data available. In this project, we will address the challenges for the effective use of supervised learning in dense pixel labeling through the study and development of new approaches to increase the robustness of the models to these restrictions. The effectiveness and suitability of the proposed methods will be evaluated in two main applications: detection of rural roads in the Amazon rainforest and Cerrado savanna; and monitoring of urban housing conditions and their relationship with outbreaks of Dengue disease.
Integrantes: Jefersson A. dos Santos (coordenador), Heitor Soares Ramos Filho, Renato Martins Assunção, Fabrício Murai, Keiller Nogueira, Hugo de Oliveira, José Marcato, Francisco Chiaravalloti Neto.
2021 a AtualAnálise de dados heterogêneos em computação urbana
Fapesp - 2020/05121-4: Este projeto tem como objetivo a investigação científica na área de Computação Urbana, onde serão propostos novos métodos de análise de dados de sensoriamento social (sensoriamento participativo, análise de redes sociais e sensoriamento oportunístico) e sensoriamento remoto no contexto de ambientes urbanos. Inicialmente, investigaremos novas formas de representação das séries temporais coletadas através do sensoriamento social baseada na representação de padrões ordinais. Em seguida, proporemos métricas extraídas das representações propostas para avançar o estado-da-arte em mineração de séries temporais para dados de Computação Urbana. Neste projeto, também será investigada a análise de dados de mobilidade urbana e redes sociais, bem como a análise de imagens de sensoriamento remoto em regiões urbanas. Em suma, este projeto apresenta o a proposta investigação científica em quatro linhas: (i)~mineração de séries temporais para Computação Urbana, (ii)~análise de sensoriamento social e mobilidade urbana, (iii) Redes veiculares, Internet das coisas e redes de sensores semfio e (iv)~análise de imagens de sensoriamento remoto para ambientes urbanos.
Integrantes: Heitor Soares Ramos Filho (coordenador), Villas, Leandro A., João Guilherme Maia de Menezes, LOUREIRO, ANTONIO, Alejandro César Frery Orgambide, AQUINO, ANDRE L. L, Aline C Viana, Jefersson A. dos Santos.
2021 a AtualInteligência Artificial como ferramenta de auxílio ao diagnóstico de Leishmaniose Visceral
As leishmanioses são um grupo de doenças negligenciadas, causadas por protozoários intracelulares do gênero leishmania. Suas manifestações incluem síndromes viscerais, cutâneas e da mucosa. A sua forma visceral, popularmente conhecida como Calazar, é a manifestação mais grave da doença e pode ser fatal nos casos não diagnosticados em tempo hábil e/ou tratados inadequadamente. Segundo dados da Organização Mundial de Saúde (OMS), nas Américas, a Leishmaniose Visceral (LV) é endêmica em 12 países, onde 63.331 novos casos foram registrados entre 2001 e 2018, com uma média de 3.518 casos por ano, sendo cerca de 97% (59.531) desses casos, reportados pelo Brasil, onde a LV é uma doença em expansão. O programa de vigilância e controle da LV é baseado na detecção de casos e tratamento da doença. Uma forma comum de seu diagnóstico parasitológico é a documentação de formas amastigotas de Leishmania em material obtido da punção de medula óssea. Porém, o processo de identificação visual de amastigotas é trabalhoso, demorado e propenso a erro humano, devido a fatores como inexperiência ou fadiga. Isso nos induz a considerar o uso de ferramentas tecnológicas para análise de imagens que auxiliem o profissional da saúde na detecção de amastigotas, e consequentemente, no diagnóstico da LV. Nosso objetivo é desenvolver modelos preditivos de APM para automatizar a identificação de amastigotas de Leishmania em imagens microscópicas. Tais imagens serão capturadas facilmente com uma câmera de celular acoplada manualmente a um microscópio.
Integrantes: Fabiane da Silva Queiroz (coordenador), Heitor Soares Ramos Filho, Eliana Silva de Almeida, Alejandro César Frery Orgambide, AQUINO, ANDRE L. L, Manoel Alvaro de Freitas Lins Neto.
2020 a Atual[FAPEMIG] CAD-COVID-19: Monitoramento e Auxílio ao Diagnóstico de Pacientes com COVID-19 Usando Radiografias Torácicas e Deep Learning
O mundo está vivendo uma pandemia histórica que em menos de 4 meses já atingiu quase 2 milhões de pessoas. Dada a velocidade de disseminação do novo coronavírus e com a iminência do colapso de sistema de saúde no Brasil e no mundo, é urgente a necessidade de um sistema de auxílio a diagnóstico (computer-aided diagnosis, CAD) que permita aprimorar este que é um dos principais gargalos da pandemia. Casos mais severos da doença impactam diretamente a capacidade pulmonar do paciente. Os sintomas nesses casos podem ser detectados principalmente através de radiografias torácicas e tomografias computadorizadas. Assim, este projeto visa o desenvolvimento de uma abordagem para auxílio a diagnóstico de doenças pulmonares a partir de imagens, com foco em casos relacionados ao surto de COVID-19. Um dos principais objetivos da proposta é oferecer um sistema online para centralização dos dados de raio-x e tomografias de pacientes diagnosticados com o COVID-19 ou casos suspeitos. O sistema deve permitir que pesquisadores e profissionais de saúde façam upload de imagens médicas que serão integradas ao repositório centralizado, e recebam em retorno um relatório com propriedades extraídas das imagens para o auxílio ao diagnóstico de doenças pulmonares. Este projeto complementa pesquisas em andamento no laboratório PATREO que já apresentaram resultados consolidados. Uma das abordagens recentemente propostas se trata de um método não-supervisionado para segmentação de imagens de Raio-X intitulado CoDAGANs. O método foi capaz de generalizar para diferentes equipamentos de imageamento, desde sistemas mais modernos até equipamentos antigos. O sistema aqui proposto irá fornecer uma interface para as CoDAGANs, bem como os mapas de segmentação de todas as imagens existentes no repositório. A segmentação é também um passo essencial para que as propriedades extraídas das imagens médicas representem exclusivamente a região de interesse..
Integrantes: Jefersson A. dos Santos (coordenador), Heitor Soares Ramos Filho, Virgínia Mota, Hugo de Oliveira, Alexei M C Machado, Camila Laranjeira da Silva.
2019 a AtualMobilidade na Computação Urbana: Caracterização, Modelagem e Aplicações (MOBILIS)
A mobilidade tem um papel central nas diversas atividades relacionadas que fazemos, principalmente no trabalho, comércio, indústria e lazer. O estudo da mobilidade para diferentes finalidades (e.g., econômicas, serviços públicos, estudo acadêmico) deve ser feito de forma sistemática já que do ponto de vista científico é a questão mais fundamental que deve ser estudada para, a partir daí, soluções serem aplicadas. Assim, este projeto tem como objetivo investigar como ocorre a mobilidade de entidades móveis em ambientes urbanos para podermos projetar algoritmos, protocolos, aplicações e serviços que sejam apropriados tanto para o cenário que temos atualmente quanto para cidades inteligentes. O projeto "Mobilidade na Computação Urbana: Caracterização, Modelagem e Aplicações (MOBILIS) inova e avança o estado da arte ao pesquisar questões fundamentais individualmente e de forma integrada desses diferentes aspectos de uma forma mais ampla que temos atualmente.
Integrantes: Antonio Alfredo Ferreira Loureiro (coordenador), Heitor Soares Ramos Filho, Horácio A. B. Fernandes de Oliveira, Villas, Leandro A., João Guilherme Maia de Menezes, Pedro Olmo Stancioli Vaz de Melo, Raquel Aparecida de Freitas Mini, Boukerche, Azzedine, GUIDONI, DANIEL L., Alejandro César Frery Orgambide, Nelson L. S. Fonseca, AQUINO, ANDRE L. L, Thiago Henrique Silva, Fabrício A Silva, Rossana M C Andrade, Edmundo Roberto Mauro Madeira, Eduardo Coelho Cerqueira, Aline C Viana, Luca Foschini, altigran soares da silva, André Carlos Ponce de Leon, Ahmed Helmy, André Luiz da Costa Carvalho, Bruno Yuji Lino Kimura, Denis Lima Rosário, Fabio Kon, Jose Diaulas Palazzo Rolim, luiz fernando bittencourt, Mario Gerla, Markus Endler, Geraldo Pereira Rocha Filho.
2017 a AtualExtracting Valuable Information from ComplexValued Noisy SAR/PolSAR Images with Deep Learning - INSIDEr
CONICYT, Chile, Proc. N. REDI170059, edital APOYO A LA FORMACIÓN DE REDES INTERNACIONALES PARA INVESTIGADORES(AS) EN ETAPA INICIAL
Integrantes: HéCTOR Allende-Cid (coordenador), Heitor Soares Ramos Filho, Frery, Alejandro, André Lage Freitas, Luis Gómez Déniz.
2017 a AtualComunicação e Processamento de Big Data em Nuvens e Névoas Computacionais
Estamos no início de uma nova era, a era Big Data, na qual a explosão de dados oferece a possibilidade de se extraírem informações importantes para novos empreendimentos com impacto em diversos setores da Sociedade. Os requisitos impostos pelo processamento Big Data superam a atual capacidade das infraestruturas de comunicação e de processamento. Além disso, a grande disseminação de sensores introduz um novo perfil de geração de dados, impondo diferentes demandas à infraestrutura. Desta forma, para que a atividade de Big Data possa se desenvolver, é necessário capacita-la para tal, o que requer a evolução das tecnologias de rede, virtualização e computação em nuvem. O presente projeto de pesquisa pretende investigar novas arquiteturas, mecanismos e ferramentas para dotar a infraestrutura de capacidade para lidar com as demandas desafiadoras impostas pelo processamento Big Data.
Integrantes: Nelson L. S. Fonseca (coordenador), Heitor Soares Ramos Filho, Villas, Leandro A., Loureiro, Antonio A. F., João Guilherme Maia de Menezes, Lisandro Zambenedetti Granville, Edmundo Roberto Mauro Madeira, luiz fernando bittencourt, Luis Henrique Maciel Kosmalski Costa, Ricardo da Silva Torres, Alberto Egon Schaeffer Filho, Anderson de Rezende Rocha, Antonio Marinho Pilla Barcellos, Christian Rodolfo Esteve Rothenberg, Eduardo Alves do Valle Junior, Fabrizio Granelli, Gustavo Bittencourt Figueiredo, Jacques Wainer, KLIAZOVICH Dzmitry, Liane Margarida Rockenbach Tarouco, Lucas Francisco Wanner, Luciano Paschoal Gaspary, Marcos Rogério Salvador, Miguel Elias Mitre Campista, Noura Limam, Pedro Braconnot Velloso, Raouf Boutaba, Rodrigo de Souza Couto, Siome Klein Goldenstein.

Current applied research projects

2023 a AtualSoftex: Residência em TIC 08 - Redes 5G
O objetivo deste projeto é a capacitação da instituição e a formação de recursos humanos em redes móveis 5G com o intuito de contribuir com o seu desenvolvimento no setor de Tecnologia da Informação na região Sudeste do país, com a ampliação, consequentemente, da inovação nesta área. Estes resultados desejados são baseados na necessidade atual que o país tem de investimentos nesta tecnologia para conseguir atender suas demandas atuais e futuras.
Integrantes: Heitor Soares Ramos Filho (coordenador), Daniel Fernandes Macedo, José Marcos Silva Nogueira.
2023 a AtualPrograma de Aprendizado de Máquina Federado para Veículos Conectados
Projeto de pesquisa e inovação. Tem o objetivo de desenvolver um protótipo funcional de aprendizado de máquina federado, que será testado no contexto veicular.
Integrantes: Martín Gómez Ravetti (coordenador), Heitor Soares Ramos Filho, Frederico Gadelha Guimarães, Marcelo Azevedo Costa.
2022 a AtualFuelMonitor: Monitoramento multissensorial de combustível em locomotivas
jeto de P&D para estimação de combustível em tanques de locomotivas através de fusão de dados de múltiplos sensores.
Integrantes: Daniel Fernandes Macedo (coordenador), Heitor Soares Ramos Filho.
2018 a AtualAnálise de documentos eletrônicos e fiscais para o cálculo de impostos e detecção de infração à legislação tributária de Alagoas (Etapa 2) - Processo: 60030 000346/2017
O projeto consiste em analisar os dados e processos utilizados pela Sefaz na execução e controle da arrecadação e fiscalização de tributos derivados de operações de circulação de mercadorias e de prestação de serviços de transporte, e realizar um estudo que defina e proponha as melhores técnicas, ferramentas e processos tecnológicos para que se obtenha, de forma automática e antecipada, o correto valor do tributo a ser cobrado assim como se permita detectar indícios de cometimento de infrações.
Integrantes: Andre Luiz Lins de Aquino (coordenador), Heitor Soares Ramos Filho, Eduardo Setton Sampaio da Silveira, Ivan César Martins, André Lage Freitas, Bruno Normande Lins, André Luiz Pereira Domarques de Menezes.
See all projects in Lattes

Recent publications

Articles in journals

A New Similarity Space Tailored for Supervised Deep Metric Learning
2023. ACM Transactions on Intelligent Systems and Technology.
Asymptotic Distribution of Certain Types of Entropy under the Multinomial Law
2023. Entropy.
Slicing who slices: Anonymization quality evaluation on deployment, privacy, and utility in mix-zones
2023. Computer Networks.
The Impact of Mobility on Location Privacy: A Perspective on Smart Mobility
2022. IEEE Systems Journal.
A classification strategy for Internet of Things data based on the class separability analysis of time series dynamics
2022. ACM Transactions on Internet of Things.
Malware-SMELL: A zero-shot learning strategy for detecting zero-day vulnerabilities.
2022. COMPUTERS & SECURITY.
Leveraging the self-transition probability of ordinal patterns transition network for transportation mode identification based on GPS data
2022. NONLINEAR DYNAMICS.
Statistical properties of the entropy from ordinal patterns
2022. CHAOS.
White Noise Test from Ordinal Patterns in the Entropy-Complexity Plane
2022. INTERNATIONAL STATISTICAL REVIEW.
Analysis and Classification of SAR Textures Using Information Theory
2021. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
Author Correction: A detailed characterization of complex networks using Information Theory
2021. Scientific Reports.
Effects of population mobility on the COVID-19 spread in Brazil
2021. PLoS One.
Agro 4.0: A data science-based information system for sustainable agroecosystem management
2020. SIMULATION MODELLING PRACTICE AND THEORY.
Leveraging Phase Transition of Topics for Event Detection in Social Media
2020. IEEE Access.
Internet of Things device authentication via electromagnetic fingerprints
2020. Engineering Reports.
Learning and distinguishing time series dynamics via ordinal patterns transition graphs
2019. APPLIED MATHEMATICS AND COMPUTATION.
A detailed characterization of complex networks using Information Theory
2019. Scientific Reports.
CO-GPS: Energy Efficient GPS Sensing with Cloud Offloading
2016. IEEE Transactions on Mobile Computing.
Cooperative target tracking in vehicular sensor networks
2012. IEEE Wireless Communications.

Papers in conferences

Bayes and Laplace Versus the World: A New Label Attack Approach in Federated Environments Based on Bayesian Neural Networks
2023. 12th Brazilian Conference on Intelligent Systems.
Behind the Mix-Zones Scenes: On the Evaluation of the Anonymization Quality
2022. MSWiM '22: Int'l ACM Conference on Modeling Analysis and Simulation of Wireless and Mobile Systems.
A novel aggregation method to promote safety security for poisoning attacks in Federated Learning
2022. GLOBECOM 2022 2022 IEEE Global Communications Conference.
Applying Federated Learning in the detection of Freezing of Gait in Parkinson?s disease
2022. 2022 IEEE/ACM 15th International Conference on Utility and Cloud Computing (UCC).
Explorando a correlação espaço-temporal no agrupamento de sensores de cidades inteligentes
2022. Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.
Uma Abordagem para Geração de Séries Temporais de Mobilidade Urbana Baseada em Aprendizado Profundo
2021. Workshop de Computação Urbana.
CALT: Uma Ferramenta Automática para Cobrança do ICMS em Operações Interestaduais
2021. Workshop de Computação Aplicada em Governo Eletrônico.
Neural Architecture Search for Resource-Constrained Internet of Things Devices
2021. 2021 IEEE Symposium on Computers and Communications (ISCC).
Zero^2-SMELL: Uma nova abordagem de aprendizado zero-shot para detectar vulnerabilidades de dia zero
2021. Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais.
Social Mix-zones
2021. MSWiM '21: 24th ACM International Conference on Modeling, Analysis and Simulation of Wireless and Mobile Systems.
Transition Graphs for SAR Image Texture Characterization: An Exploratory Study
2021. 2021 2nd China International SAR Symposium (CISS).
Characterization Of Sar Images With Weighted Amplitude Transition Graphs
2020. 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS).
GIN: Better going safe with personalized routes
2020. 2020 IEEE Symposium on Computers and Communications (ISCC).
A tabular sarsa-based stock market agent
2020. ICAIF '20: ACM International Conference on AI in Finance.
Detecção de eventos no Twitter através de Grafos de visibilidade natural
2019. III Workshop de Computação Urbana.
Classificação de Séries Temporais Através de Grafos de Transição de Padrões Ordinais
2019. XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.
The Quest for Sense: Physical phenomena Classification in the Internet of things
2019. 2019 15th International Conference on Distributed Computing in Sensor Systems (DCOSS).
Load balancing in D2D networks Using Reinforcement Learning
2019. 2019 IEEE Symposium on Computers and Communications (ISCC).
Detection of Bots and Cyborgs in Twitter: A Study on the Chilean Presidential Election in 2017
2019. International Conference on Human-Computer Interaction (HCI).
Dynamic Temporal Mix-Zone Placement Approach for Location-Based Services Privacy
2019. 2019 IEEE LatinAmerican Conference on Communications (LATINCOM).
Autenticação baseada em ondas eletromagnéticas
2019. XIX Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais.
Energy efficient GPS sensing with cloud offloading
2012. the 10th ACM Conference.

Extended abstracts in conferences


Abstracts in conferences

Devo migrar minhas aplicações paralelas para ambientes virtualizados?
2015. III Escola Regional de Alto Desempenho - Região Nordeste (ERAD-NE).
Avaliação e paralelização de algoritmos de mapeamento para grafos de visibilidade
2015. III Escola Regional de Alto Desempenho - Região Nordeste (ERAD-NE).
Avaliação de Geradores de Números Pseudo Aleatórios Através de Técnicas da Teoria da Informação.
2015. III Escola Regional de Alto Desempenho - Região Nordeste (ERAD-NE).

See all publications in Lattes

Current students

MS

Giovanna Ávila Riqueti. SAXJS: An Online Change Point Detection for Wearable Sensor Data. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Alvino Lessa de Lima Júnior. Federated Learning para detecção de Malwares em aplicações de Internet das Coisas utilizando Zero-Shot Learning. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Diego Haji Carvalho Campos. Data Augmentation Techniques for Federated Learning with Generative Adversarial Networks in Non-Independently Identically Distributed Data. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)

PhD

Eduarda Tatiane Caetano Chagas. Exploiting Ordinal Patterns with Machine Learning. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Pedro Henrique de Souza Barros. Quantifying Uncertainty in Adversarial Federated Learning. Início: 2021. Universidade Federal de Minas Gerais (Orientador principal)
Ekler Paulino de Mattos. Smart Privacy: Um Arcabouço de Privacidade Adaptativa para Mobilidade Inteligente. Início: 2020. Universidade Federal de Minas Gerais (Co orientador)
Isadora Cardoso Pereira da Silva. Uncovering the Hidden Patterns of Urban Movement: A Knowledge Discovery Approach to Mining Mobility Data. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)

See all students in Lattes

Acesso por PERFIL

Skip to content