<div dir="ltr"><span style="color:rgb(0,0,0);font-family:arial,sans-serif;word-spacing:1px">Prezados,</span><br><div><div dir="auto" style="color:rgb(49,49,49);font-family:-apple-system,"Helvetica Neue";word-spacing:1px;padding:20px 0px 0px"><font face="arial, sans-serif" color="#000000"><br></font></div><div><span style="word-spacing:1px;color:rgb(0,0,0);font-family:arial,sans-serif">dando continuidade ao Ciclo de Palestras do Programa de Pós-Graduação em Estatística do IM-UFRJ, </span><b style="word-spacing:1px;color:rgb(0,0,0);font-family:arial,sans-serif">na próxima 4a feira,</b> <b>30/08/2023  </b><b style="word-spacing:1px;color:rgb(0,0,0);font-family:arial,sans-serif">às 15:30h</b><span style="word-spacing:1px;color:rgb(0,0,0);font-family:arial,sans-serif">, teremos a palestra</span> do professor e pesquisador Daniel Ratton. Segue abaixo:</div></div><div><br></div><div><div><b>Título:</b><span class="gmail-Apple-converted-space"> </span>Grafos Encontram Redes: Aprendendo Representação Vetorial para Vértices utilizando Redes Neurais</div><div><br><b>Resumo:</b> Grafos oferecem uma poderosa abstração para representar entidades (vértices) e relacionamentos (arestas), sendo mais recentemente utilizados para representar dados complexos de diferentes naturezas, tais como redes sociais, grafos de conhecimento, e interação entre proteínas. Além dos dados (atributos) associados às entidades, a estrutura do grafo oferece uma importante informação adicional, pois codifica a interação direta e indireta entre as entidades. A fusão dessas informações (atributos e rede) em um novo atributo (vetor) para os vértices oferece uma representação unificada que pode ser utilizada em diferentes tarefas de aprendizado, tais como classificação e previsão. Neste contexto, redes neurais vêm sendo utilizadas para aprender e gerar esta representação vetorial, dando origem a Redes Neurais para Grafos (Graph Neural Networks). Mas o que deve ser aprendido? Nesta palestra, iremos rever algumas das abordagens propostas na literatura, mostrando que não há bala de prata, e apresentar algumas aplicações específicas, terminando com alguns desafios desta abordagem.</div><div><br></div><div><b>Bio resumida:</b> Daniel Ratton Figueiredo: Possui mestrado e doutorado em Ciência da Computação pela Universidade de Massachusetts Amherst (UMass) obtidos em 2005, mestrado em Engenharia de Sistemas e Computação pela Universidade Federal do Rio de Janeiro (COPPE/UFRJ) obtido em 1999, e bacharelado cum laude em Informática pela Universidade Federal do Rio de Janeiro (UFRJ) obtido em 1996. Trabalhou como pesquisador (post-doc) na École Polytechnique Fédérale de Lausanne (EPFL), Suíça, entre 2005 e 2007. Em 2007 ingressou na COPPE/UFRJ como Professor Adjunto no Programa de Engenharia de Sistemas e Computação (PESC). Desde 2009 recebe bolsa de Produtividade em Pesquisa do CNPq (nível PQ-2), entre 2010 e 2018 recebeu financiamento do programa Jovem Cientista do Nosso Estado (FAPERJ), e em 2023 foi contemplado com financiamento do programa Cientista do Nosso Estado (FAPERJ). Em 2012 realizou um pós-doutorado na Universidade de Massachusetts Amherst (UMass) com doze meses de duração. Em 2017 atuou por sete meses como Professor Visitante na Universidade de Columbia (EUA) tendo recebido bolsa da Comissão Fulbright. Seus principais interesses estão na área de ciência das redes, em particular, modelagem matemática e aprendizado em redes.</div></div><div><br></div><div><div><span style="color:rgb(0,0,0);font-family:arial,sans-serif;font-size:13px">As palestras ocorrem<b> </b></span><span style="color:rgb(0,0,0);font-family:arial,sans-serif;font-size:13px"><b><u>de forma presencial</u> </b>às quartas-feiras às 15:30h no <b>Laboratório de Sistemas Estocásticos no Bloco I sala 044-b (subsolo)</b>, do Centro de Tecnologia, Ilha do Fundão da Universidade Federal do Rio de Janeiro.</span><br></div><div><span style="color:rgb(0,0,0);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><span style="color:rgb(0,0,0);font-family:arial,sans-serif;font-size:13px"><br></span></div><div><span style="color:rgb(0,0,0);font-family:arial,sans-serif;font-size:13px">abs</span></div><div><span style="color:rgb(0,0,0);font-family:arial,sans-serif;font-size:13px">viviana</span></div><font color="#888888"><font color="#888888"><font color="#888888" style="font-family:Calibri,Arial,Helvetica,sans-serif"><font color="#888888" style="font-family:Arial,Helvetica,sans-serif"><font color="#888888"><br clear="all"><div><div dir="ltr" class="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><div><span style="font-size:12.8px">Viviana G R Lobo</span></div><div><span style="font-size:12.8px">Professora Adjunta </span></div><div><span style="font-size:12.8px">Departamento de Métodos Estatísticos </span></div><div><span style="font-size:12.8px">Universidade Federal do Rio de Janeiro</span><span style="font-size:12.8px"><br></span></div><div><span style="font-size:12.8px">Instituto de Matemática</span><span style="font-size:12.8px"><br></span></div><div><span style="font-size:12.8px">gabinete C109-A - Bloco C - CT</span></div><div><a href="https://sites.google.com/a/dme.ufrj.br/viviana/" target="_blank">https://sites.google.com/a/dme.ufrj.br/viviana/</a></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></font></font></font></font></font></div><div><br></div><span class="gmail_signature_prefix">-- </span><br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><br></div><div><br></div><div><img src="http://www.r-project.org/conferences/useR-2010/pics/useR-large.png" width="96" height="46"></div><div><br></div><div><br></div></div></div></div>