Neuroevolution of Self-Attention Over Proto-Objects
Propõe evoluir mecanismos de autoatenção sobre proto-objetos, permitindo que agentes aprendam representações visuais compactas e interpretáveis para tarefas de controle.
Ciência da Computação · Inteligência Artificial
Rafael Coimbra Pinto
Professor e pesquisador
Investigo sistemas que aprendem continuamente: aprendizado de máquina, redes neurais, aprendizado por reforço, computação evolutiva e IA para jogos.
Perfil
Pesquisa aplicada à aprendizagem contínua
Doutor em Computação pela Universidade Federal do Rio Grande do Sul (UFRGS) e professor do Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS), Campus Canoas.
Minha trajetória conecta pesquisa em inteligência artificial, formação de estudantes e experiência em desenvolvimento de software. O foco atual inclui neuroevolução de mecanismos de atenção, modelos incrementais e agentes capazes de aprender com fluxos de experiência.
Produção científica
Publicações
Lista completa, organizada da mais recente para a mais antiga. Use a busca para localizar um tema, autor, evento ou ano.
20 publicações
PReLU: Yet Another Single-Layer Solution to the XOR Problem
Investiga uma solução de camada única para o problema XOR baseada em unidades lineares retificadas paramétricas, revisitando um limite clássico das redes neurais.
Fast Reinforcement Learning with Incremental Gaussian Mixture Models
Integra aprendizado por reforço a modelos incrementais de misturas gaussianas para aproximar funções de modo rápido e eficiente em dados.
Model-Free Episodic Control with Online State Aggregation
Combina controle episódico sem modelo com agregação online de estados, reduzindo a memória necessária e generalizando experiências semelhantes.
Beating Bomberman with Artificial Intelligence
Explora técnicas de inteligência artificial para construir agentes competitivos no jogo Bomberman e avaliar estratégias em um ambiente dinâmico.
Continuous Reinforcement Learning with Incremental Gaussian Mixture Models
Tese de doutorado sobre aprendizado por reforço contínuo com modelos incrementais de misturas gaussianas, voltados a aprendizagem online e controle.
Scalable and Incremental Learning of Gaussian Mixture Models
Apresenta uma abordagem escalável e incremental para aprender misturas gaussianas diretamente de fluxos de dados, sem armazenar todo o histórico.
A Fast Incremental Gaussian Mixture Model
Introduz um modelo de misturas gaussianas rápido, incremental e de passagem única, capaz de adaptar sua estrutura à medida que novos dados chegam.
Autocorrelation and Partial Autocorrelation Functions to Improve Neural Networks Models on Univariate Time Series Forecasting
Usa funções de autocorrelação e autocorrelação parcial para selecionar entradas relevantes e melhorar redes neurais na previsão de séries temporais univariadas.
Using a Gaussian Mixture Neural Network for Incremental Learning and Robotics
Aplica uma rede neural baseada em misturas gaussianas ao aprendizado incremental, demonstrando seu uso em problemas de robótica.
One-Shot Learning in the Road Sign Problem
Avalia aprendizado a partir de uma única apresentação no reconhecimento de placas de trânsito com um modelo neural incremental.
Learning Abstract Behaviors with the Hierarchical Incremental Gaussian Mixture Network
Investiga uma rede hierárquica de misturas gaussianas incrementais para adquirir representações e comportamentos abstratos.
IGMN: An Incremental Gaussian Mixture Network that Learns Instantaneously from Data Flows
Descreve uma rede incremental de misturas gaussianas que aprende em tempo real a partir de fluxos de dados e ajusta sua complexidade automaticamente.
Echo State Incremental Gaussian Mixture Network for Spatio-Temporal Pattern Processing
Combina redes de estado de eco e misturas gaussianas incrementais para processar padrões espaço-temporais em sequências.
Recursive Incremental Gaussian Mixture Network for Spatio-Temporal Pattern Processing
Propõe uma arquitetura recursiva incremental baseada em misturas gaussianas para capturar dependências temporais em padrões sequenciais.
Applying the Incremental Gaussian Neural Network to Concept Formation and Robotic Tasks
Estuda a formação incremental de conceitos e sua aplicação em tarefas robóticas usando uma rede neural gaussiana.
Online Incremental One-Shot Learning of Temporal Sequences
Dissertação de mestrado sobre aprendizagem online, incremental e de uma única apresentação para modelar e prever sequências temporais.
Um Estudo de Redes Neurais Não-Supervisionadas Temporais
Estudo de modelos neurais não supervisionados voltados à representação e ao aprendizado de relações temporais.
LoopSOM: A Robust SOM Variant Using Self-Organizing Temporal Feedback Connections
Apresenta uma variante robusta dos mapas auto-organizáveis que incorpora conexões temporais de realimentação também auto-organizáveis.
A Neocortex Inspired Hierarchical Spatio-Temporal Pattern Recognition System
Propõe um sistema hierárquico inspirado no neocórtex para reconhecer padrões espaço-temporais, combinando organização em níveis e memória temporal.
Nenhuma publicação corresponde à busca. Tente outro termo.
Contato
Pesquisa, orientação e colaboração
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul — Campus Canoas.
rafael.pinto@canoas.ifrs.edu.br