Pesquisador Dr. Ivan Zyrianoff apresenta webinar no dia 30 de abril

O seminário terá como título “Federated Learning at the Edge: Addressing Data Heterogeneity in IoT Systems”

A Aprendizagem Federada (FL) e a IA Edge são elementos fundamentais para uma inteligência escalável e que preserve a privacidade em sistemas baseados na Internet das Coisas (IoT). No entanto, as implementações no mundo real são inerentemente afetadas pela heterogeneidade dos dados (distribuições não IID) entre os diferentes contextos, o que degrada significativamente o desempenho e a convergência dos modelos. Nesta palestra, apresentamos uma abordagem orientada para o sistema à inteligência de ponta, combinando inferência no dispositivo, treino federado e soluções ao nível da arquitetura para lidar com a heterogeneidade. Começamos com pipelines de IA nativos de ponta para deteção e inferência em tempo real, destacando como o processamento local reduz a latência e a sobrecarga de comunicação. Em seguida, discutimos estratégias de aprendizagem por transferência federada que permitem o treino colaborativo de modelos entre clientes distribuídos, preservando simultaneamente a localidade dos dados. Por fim, uma nova arquitetura federada baseada num espaço latente partilhado pelos clientes, que melhora a robustez face a dados não IID, alinhando representações semânticas entre clientes e reduzindo simultaneamente os custos de comunicação.

O palestrante

Ivan Zyrianoff obteve a licenciatura em Ciências da Computação e o mestrado em Engenharia da Informação pela Universidade Federal do ABC, em Santo André, Brasil, em 2017 e 2019, respetivamente, e o doutoramento pela Universidade de Bolonha, em Bolonha, Itália, em 2024. É investigador da Universidade de Bolonha, em Bolonha, Itália, e membro do Laboratório IoT-Prism. Os seus temas de investigação atuais abrangem a interoperabilidade para a Internet das Coisas, computação e inteligência de ponta e armazenamento em cache proativo.

Pesquisador Torsten Braun fará palestra no Workshop do ICoNIoT no SBRC 2026

A palestra, intitulada Energy-efficient Federated Transfer Learning for Privacy-Preserving Energy-Usage Forecasting, acontecerá na abertura do workshop, marcado para as 14h do dia 27 de maio de 2026.

Torsten Braun

Leia o resumo da apresentação:

A previsão precisa da procura de energia residencial é
cada vez mais crítica devido à crescente eletrificação dos lares, à integração de energias renováveis, à variabilidade climática e aos diversos padrões de consumo. Os modelos de previsão centralizados apresentam problemas de privacidade e limitações em ambientes dinâmicos. Esta palestra apresenta o PEFEDTL, uma estrutura personalizada de aprendizagem por transferência federada (FTL) para a previsão multivariável de energia em casas inteligentes. Combina redes convolucionais temporais com um módulo de atenção global e personalização baseada em clusters. Muitas outras abordagens FTL existentes ignoram em grande parte a heterogeneidade dos dispositivos e as restrições de recursos, levando a uma eficiência subótima e a uma aplicabilidade limitada em ambientes de ponta do mundo real. Para colmatar esta lacuna, discutimos abordagens possíveis para um FTL energeticamente eficiente e apresentamos o Resource-Aware Federated Transfer Learning (RA-FTL), uma estrutura que adapta tanto a arquitetura do modelo como a utilização de recursos às capacidades heterogéneas dos clientes.

Biografia do Prof. Dr. Torsten Braun

Líder do grupo de investigação em Comunicação e Sistemas Distribuídos (CDS) no Instituto de Ciência da Computação da Universidade de Berna, onde é professor catedrático desde 1998. Obteve o grau de doutor pela Universidade de Karlsruhe (Alemanha) em 1993. Entre 1994 e 1995, foi investigador convidado no INRIA Sophia-Antipolis (França). De 1995 a 1997, trabalhou no Centro Europeu de Redes da IBM em Heidelberg (Alemanha) como chefe de projeto e consultor sénior. Foi vice-presidente da Fundação SWITCH (Swiss Research and Education Network Provider) de 2011 a 2019. Foi diretor do Instituto de Ciência da Computação da Universidade de Berna (INF) entre 2007 e 2011, e de 2019 a 2021. Atualmente, desempenha funções de diretor de estudos no INF. Foi membro de painéis de várias organizações nacionais de financiamento à investigação, nomeadamente na Suíça, Luxemburgo,
Dinamarca, Finlândia, Noruega e Suécia. Orientou mais de 40 doutorandos, vários dos quais no âmbito de acordos de orientação conjunta de doutoramento com a Unicamp e a UFPA, em Belém (Brasil).

 

IA e Computação na Borda: Pesquisa de Pós-Doutorado de Marcelo Claudio Sousa Araújo usa IA para reduzir a latência para usuários em movimento

A pesquisa é orientada pelo pesquisador Luiz Fernando Bittencourt 

Pesquisadores em IoT e redes de computadores estão focados em resolver um desafio crítico da vida moderna: a manutenção de uma conectividade rápida e ininterrupta para usuários que se deslocam constantemente. 

Esse esforço se concentra na Computação na Borda (Edge Computing), na qual o processamento está espalhado por todos os lados.

O cerne da investigação do pesquisador do ICoNIoT Marcelo Araújo, realizada em um Pós-Doutorado sob a supervisão do professor Luiz Fernando Bittencourt (UNICAMP), é buscar fazer com que o conjunto de dados que normalmente seria executado na nuvem acompanhe o usuário durante seus deslocamentos diários para o trabalho, lazer, etc. O objetivo primordial é melhorar a latência e a experiência geral do usuário, garantindo que o tempo de resposta permaneça o mais baixo e rápido possível.

O desafio dos ambientes próximos

Apesar da necessidade de proximidade, há uma grande questão que demanda pesquisa: os ambientes localizados na borda da rede – que podem ser mini data centers ou mesmo roteadores – são menos robustos e detêm menos poder computacional. A pesquisa visa encontrar, então, a melhor maneira possível de realizar essa troca de dados (ou handoff) entre esses ambientes.

A solução proposta passa pela criação de um algoritmo que possa ser adaptado para essa finalidade específica, sendo capaz de identificar que o usuário está em movimento.

Aprendizado profundo na tomada de decisão

O projeto de pós-doutorado de Araújo associa conceitos de Inteligência Artificial (IA) ao trabalho que já vinha sendo desenvolvido por ele. O foco está no aprendizado profundo para capacitar o sistema computacional a tomar as melhores decisões autonomamente.

O sistema avalia uma série de dados e métricas para decidir como gerenciar a mobilidade, incluindo:

  • A previsão de como será a mobilidade do usuário;
  • A verificação da latência;
  • A distância do usuário;
  • A avaliação da estrutura que está próxima do usuário, especialmente se esta estiver congestionada.

O uso de técnicas como DRL (Deep Reinforcement Learning) aumenta a flexibilidade das métricas que o sistema computacional irá avaliar durante o processo de decisão.

Simulações para Superar Limitações

Um dos grandes obstáculos nesse tipo de projeto é o alto custo envolvido na realização de simulações hiper-realistas. Essa limitação é contornada pelos pesquisadores, nas fases iniciais, utilizando simuladores que incorporam características fiéis do ambiente real. Além disso, é possível modelar o comportamento e as ações que o usuário faria em seu dia a dia. No caso do projeto de Araújo, foi criado um mapa sintético da cidade de Atenas. Este mapa serve para executar a lógica do sistema e fazer uma simulação que se aproxima de um ambiente real.

 

ICoNIoT celebra os bons resultados de universidades parceiras na Avaliação Quadrienal da CAPES 2025

O INCT ICoNIoT conta com a participação de mais de 20 universidades no Brasil e no exterior. Os pesquisadores de cada uma delas fazem a diferença para conseguirmos avançar em projetos coletivos que se debruçam sobre questões de pesquisa relacionadas à Internet das Coisas inteligentes e ao uso da inteligência artificial e de outras tecnologias emergentes aplicadas à IoT.

É com muito orgulho que compartilhamos que os programas de pós-graduação em Ciência da Computação de duas de nossas universidades parceiras aumentaram as suas notas a partir da Avaliação Quadrienal 2025 da CAPES: a UFF (Universidade Federal Fluminense) teve a nota de seu programa aumentada de 6 para 7, enquanto a UFPA (Universidade Federal do Pará) obteve o aumento da nota de seu programa de 5 para 6.

Celebramos, ainda, a manutenção da nota 7 para os programas de Ciência da Computação da UNICAMP (Universidade Estadual de Campinas), da UFMG (Universidade Federal de Minas Gerais),  da UFRGS (Universidade Federal do Rio Grande do Sul) e da UFPE (Universidade Federal de Pernambuco).

Para essa avaliação, a CAPES se utiliza de indicadores de produção intelectual, números na formação de mestres e doutores, internacionalização, fluxo e qualidade do corpo discente, qualidade do corpo docente e inserção internacional e social dos programas, entre outros critérios. São também utilizadas as informações fornecidas pelos programas com relação a um subconjunto das publicações e produções tecnológicas de maior impacto do programa. Também foram avaliados os prêmios recebidos pelos programas, seus docentes, discentes e casos de sucesso.

Em frente!

Workshop virtual do ICoNIoT acontece dias 15 e 16 de dezembro – Inscreva-se!

Nos dias 15 e 16 de dezembro, segunda e terça, teremos o workshop virtual do nosso INCT ICoNIoT, que contará com oito apresentações dos nossos pesquisadores e dois keynotes especiais:

. No dia 16/12 às 14h (Brasília) teremos uma apresentação do Dr. Shiwen Mao (Universidade de Auburn). A apresentação será intitulada “Generative AI-empowered 3D human pose tracking”;

. No dia 15/12 às 17h teremos uma apresentação da Dra. Michele Nogueira (UFMG/Comitê gestor do ICoNIoT). A apresentação será intitulada ‘Resiliência Cibernética Orientada a Dados: Uma Faca de Dois Gumes para Segurança e Privacidade’.

Convidamos a todos para estar conosco nesses encontros super especiais. Solicitamos apenas que, por gentileza, os interessados em participar enviem um e-mail para cpl@unicamp.br para que possam receber o link das apresentações.

Os detalhes dos keynotes estão no blog do ICoNIoT.

Aguardamos vocês!

Dr. Shiwen Mao fará uma palestra no workshop do ICoNIoT em 16 de dezembro


Ele apresentará a palestra ‘Generative AI-empowered 3D human pose tracking’

Resumo: Nos últimos anos, o reconhecimento e o rastreamento de atividades humanas em 3D tornaram-se temas importantes na interação humano-computador. Para preservar a privacidade dos usuários, há um interesse crescente em técnicas que não utilizam câmeras de vídeo. Nesta apresentação, discutiremos inicialmente o RFID-Pose, um sistema de estimativa de pose humana 3D assistido por visão e baseado em aprendizado profundo (DL), bem como suas variações com maior capacidade de generalização para novos indivíduos e ambientes de teste. O desempenho de modelos de DL depende da disponibilidade de dados de radiofrequência (RF) suficientes e de alta qualidade — que são mais difíceis e caros de coletar do que outros tipos de dados.

Para superar esse obstáculo, na segunda parte da palestra apresentaremos abordagens de IA generativa para produzir dados sintéticos rotulados de RF para múltiplas plataformas de detecção sem fio, como Wi-Fi, RFID e radar mmWave, incluindo uma abordagem condicional baseada em Redes Adversárias Generativas Recorrentes (R-GAN), além de abordagens baseadas em difusão e difusão latente. Por fim, propomos um novo framework que utiliza transformadores de difusão latente para sintetizar dados de RF de alta qualidade. Esses dados sintéticos ampliam conjuntos de dados limitados, possibilitando o treinamento de um preditor cinemático baseado em transformador e adaptável ao indivíduo, capaz de estimar poses 3D com suavidade temporal a partir de dados RFID. Além disso, introduzimos um transformador de difusão latente com condicionamento por atenção cruzada para inferir com precisão articulações ausentes em poses esqueléticas, completando configurações completas de 25 articulações a partir de entradas parciais (ou seja, 12 articulações). Este é o primeiro método capaz de detectar mais de 20 articulações esqueléticas distintas utilizando IA generativa para estimativa contínua de pose humana 3D (HPE) baseada em sensoriamento por RF.

Bio: Shiwen Mao é Professor, Earle C. Williams Eminent Scholar e Diretor do Centro de Pesquisa e Educação em Engenharia Sem Fio da Universidade de Auburn. Seu interesse de pesquisa inclui redes wireless, comunicações multimídia, sensoriamento por RF e IoT, saúde inteligente e redes elétricas inteligentes. Ele é editor-chefe do IEEE Transactions on Cognitive Communications and Networking, membro do Board of Governors e Diretor do Technical Committee Board da IEEE Communications Society, além de Vice-Presidente de Atividades Técnicas do IEEE Council on Radio Frequency Identification (CRFID). É co-receptor de diversos prêmios técnicos e de serviço do IEEE. Ele é Fellow do IEEE.

IEEE LATINCOM CONSOLIDA-SE COMO CONFERÊNCIA DE REFERÊNCIA

Em sua 16a edição, a conferência – inaugurada em 2009 por Nelson Fonseca – contou com keynotes internacionais

A IEEE LATINCOM (IEEE Latin American Conference on Communications) é uma conferência regional criada com o objetivo de ampliar o alcance das grandes conferências internacionais da IEEE — como a ICC e a GLOBECOM — e garantir que pesquisadores de diferentes regiões também sejam contemplados.

Essas conferências regionais compartilham as mesmas temáticas e áreas de atuação das grandes conferências globais e são realizadas anualmente.

A LATINCOM foi criada em 2009, por iniciativa de Nelson Fonseca – coordenador geral do ICoNIoT – marcando o surgimento da primeira conferência da IEEE de natureza regional voltada especificamente à América Latina. Seu propósito é dar visibilidade à região, fortalecer a produção científica latinoamericana e conectar a América Latina à Europa e aos Estados Unidos, atraindo pesquisadores dessas regiões para participarem do evento – o que tem acontecido.

A LATINCOM consolidou-se como uma conferência de referência, com participação internacional significativa, além da regional. Já foi realizada em diversos países, incluindo Brasil, Equador, Chile, Peru e Colômbia.

Em sua 16ª edição, realizada neste ano na Guatemala, o evento confirmou seu status de conferência estabelecida, contando com palestras magnas (keynotes) internacionais e ampla representatividade científica.

O Prêmio Newton Faller homenageia, a cada ano, membros da SBC que se distinguiram ao longo de sua vida por serviços prestados à SBC. Esta premiação é realizada durante a cerimônia de abertura do Congresso da SBC no ano corrente. O nome do prêmio é uma homenagem ao Professor Newton Faller, que foi pesquisador do Núcleo de Computação Eletrônica da Universidade Federal do Rio de Janeiro (UFRJ) e é uma grande personalidade da computação brasileira, tendo falecido em 1996.

Neste ano de 2025, o reconhecimento foi dado a Lisandro Granville, que integra o comitê gestor do INCT ICoNIoT. Granville foi Presidente da SBC por dois mandatos, de 2015 a 2019, e Conselheiro de 2019 a 2023. Tem graduação, mestrado e doutorado em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (UFRGS), obtidos em 1995, 1997 e 2001, respectivamente. É professor Titular do Instituto de Informática da (UFRGS) e possui experiência na área de Ciência da Computação, com ênfase em Redes de Computadores e Internet. Lisandro Granville é também diretor-geral da Rede Nacional de Ensino e Pesquisa (RNP) desde maio deste ano.

 

Pesquisadores do ICoNIoT conquistam Best Paper Award na IEEE LATINCOM 2025 

Pesquisadores do ICoNIoT contemplados com Best Paper Award na conferência IEEE LATINCOM 2025 
 
Edllyn Jesus (USP, Brazil); Evgeni Cruz (University of Sao Paulo, Brazil); Victor Yukio Shirasuna (University of Sao Paulo, Brazil); Michele Nogueira
(Federal University of Minas Gerais, Brazil); Aldri Santos (Federal University of Minas Gerais (UFMG), Brazil); Daniel Macêdo Batista (University of Sao Paulo, Brazil) e Roberto Hirata Jr. (Universidade de São Paulo, Brazil) receberam o Best Paper Award na conferência IEEE LATINCOM 2025 pelo trabalho “An Efficient Multi-stage Pipeline for IIoT Threat Detection”. Na foto, o pesquisador Daniel Batista.