Denis Deratani Mauá

Pós-doutorado

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• DE ALENCAR, JÚLIO CÉSAR GARCIA ; STERNLICHT, JULIANA MARTES ; VEIGA, ALICIA DUDY MULLER ; MARCHINI, JULIO FLÁVIO MEIRELLES ; FERREIRA, JULIANA CARVALHO ; DE CARVALHO, CARLOS ROBERTO RIBEIRO ; MARCILIO, IZABEL ; DA SILVA, KATIA REGINA ; COBELLO JUNIOR, VILSON ; FELIX, MARCELO CONSORTI ; GOMEZ, LUZ MARINA GOMEZ ; DE SOUZA, HERALDO POSSOLO ; MAUÁ, DENIS DERATANI . Timing to Intubation COVID-19 Patients: Can We Put It Off until Tomorrow?. Healthcare , v. 10, p. 206, 2022.

• SAAD MENEZES, MARIA CLARA ; SANTINELLI PESTANA, DIEGO VINICIUS ; FERREIRA, JULIANA CARVALHO ; RIBEIRO DE CARVALHO, CARLOS ROBERTO ; FELIX, MARCELO CONSORTI ; MARCILIO, IZABEL OLIVA ; DA SILVA, KATIA REGINA ; JUNIOR, VILSON COBELLO ; MARCHINI, JULIO FLAVIO ; ALENCAR, JULIO CESAR ; GOMEZ, LUZ MARINA GOMEZ ; MAUÁ, DENIS DERATANI ; SOUZA, HERALDO POSSOLO . Distinct Outcomes in COVID-19 Patients with Positive or Negative RT-PCR Test. Viruses-Basel , v. 14, p. 175, 2022.

• 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, 2021.

• MAUÁ, DENIS DERATANI ; DE CAMPOS, CASSIO POLPO . Special Issue on Robustness in Probabilistic Graphical Models. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 137, p. 113, 2021.

• MAUÁ, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . Complexity results for probabilistic answer set programming. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 118, p. 133-154, 2020.

• MATTEI, LILITH ; ANTONUCCI, ALESSANDRO ; MAUÁ, DENIS DERATANI ; FACCHINI, ALESSANDRO ; VILLANUEVA LLERENA, JULISSA . Tractable inference in credal sentential decision diagrams. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 125, p. 26-48, 2020.

• COZMAN, FABIO GAGLIARDI ; MAUÁ, DENIS DERATANI . The joy of Probabilistic Answer Set Programming: Semantics, complexity, expressivity, inference. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 125, p. 218-239, 2020.

• VILLANUEVA LLERENA, JULISSA ; MAUÁ, DENIS DERATANI . Efficient Algorithms for Robustness Analysis of Maximum A Posteriori Inference in Selective Sum-Product Networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 126, p. 158-180, 2020.

• MAUÁ, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . Thirty years of credal networks: Specification, algorithms and complexity. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 126, p. 133-157, 2020.

• VIEIRA DE FARIA, FRANCISCO H.O. ; GUSMÃO, ARTHUR COLOMBINI ; DE BONA, GLAUBER ; MAUÁ, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . Speeding up parameter and rule learning for acyclic probabilistic logic programs. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 106, p. 32-50, 2019.

• COZMAN, FABIO GAGLIARDI ; MAUÁ, DENIS DERATANI . The finite model theory of Bayesian network specifications: Descriptive complexity and zero/one laws. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 110, p. 107-126, 2019.

• COZMAN, FABIO G. ; Mauá, Denis D. . The complexity of Bayesian networks specified by propositional and relational languages. ARTIFICIAL INTELLIGENCE , v. 262, p. 96-141, 2018.

• DERATANI MAUÁ, DENIS ; CONATY, DIARMAID ; GAGLIARDI COZMAN, FABIO ; POPPENHAEGER, KATJA ; POLPO DE CAMPOS, CASSIO . Robustifying sum-product networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 101, p. 163-180, 2018.

• GAGLIARDI COZMAN, FABIO ; DERATANI MAUÁ, DENIS . On the complexity of propositional and relational credal networks. International Journal of Approximate Reasoning , v. 83, p. 298-319, 2017.

• MAUÁ, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . The effect of combination functions on the complexity of relational Bayesian networks. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 85, p. 178-195, 2017.

• COZMAN, FABIO G. ; MAUÁ, DENIS DERATANI . On the Semantics and Complexity of Probabilistic Logic Programs. JOURNAL OF ARTIFICIAL INTELLIGENCE RESEARCH , v. 60, p. 221-262, 2017.

• MAUÁ, DENIS DERATANI ; ANTONUCCI, ALESSANDRO ; DE CAMPOS, CASSIO POLPO . Hidden Markov models with set-valued parameters. Neurocomputing (Amsterdam) , v. 180, p. 94-107, 2016.

• Walter Perez ; MAUA, DENIS DERATANI . Better Initialization Heuristics for Order-based Bayesian Network Structure Learning. Journal of Information and Data Management - JIDM , v. 7, p. 181-195, 2016.

• MAUÁ, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . Fast local search methods for solving limited memory influence diagrams. International Journal of Approximate Reasoning , p. 230-245, 2015.

• MAUÁ, DENIS DERATANI . Equivalences between maximum a posteriori inference in Bayesian networks and maximum expected utility computation in influence diagrams. International Journal of Approximate Reasoning , p. 211-229, 2015.

• MAUÁ, D. D. ; DE CAMPOS, CASSIO P. ; BENAVOLI, A. ; ANTONUCCI, A. . Probabilistic Inference in Credal Networks: New Complexity Results. The Journal of Artificial Intelligence Research (Print) , v. 50, p. 603-637, 2014.

• MAUÁ, D. D. ; C. P. de Campos ; Zaffalon, M. . On the Complexity of Solving Polytree-Shaped Limited Memory Influence Diagrams with Binary Variables. Artificial Intelligence (General Ed.) , p. 30-38, 2013.

• MAUÁ, D. D. ; C. P. de Campos ; Zaffalon, M. . Solving Limited Memory Influence Diagrams. The Journal of Artificial Intelligence Research (Print) , v. 44, p. 97-140, 2012.

• MAUÁ, DENIS D. ; DE CAMPOS, CASSIO P. ; ZAFFALON, MARCO . Updating credal networks is approximable in polynomial time. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 53, p. 1183-1199, 2012.

• ZAFFALON, MARCO ; CORANI, GIORGIO ; MAUÁ, DENIS . Evaluating credal classifiers by utility-discounted predictive accuracy. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING , v. 53, p. 1282-1301, 2012.

• CATANEO SILVEIRA, IGOR ; BARBOSA, A. ; COSTA, D. S. L. ; MAUA, DENIS D. . Investigating Universal Adversarial Attacks Against Transformers-Based Automatic Essay Scoring Systems. Lecture Notes in Computer Science. 1ed.: Springer Nature Switzerland, 2025, v. , p. 169-183.

• Rocha, Victor Hugo Nascimento ; Silveira, Igor Cataneo ; Pirozelli, Paulo ; MAUÁ, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . Assessing Good, Bad and Ugly Arguments Generated by ChatGPT: a New Dataset, its Methodology and Associated Tasks. Lecture Notes in Computer Science. 1ed.: Springer Nature Switzerland, 2023, v. , p. 428-440.

• JOSE, M. M. ; JOSE, M. A. ; MAUÁ, D. D. ; COZMAN, F. G. . Integrating Question Answering and Text-to-SQL in Portuguese. In: Vládia Pinheiro, Pablo Gamallo, Raquel Amaro, Carolina Scarton, Fernando Batista, Diego Silva, Catarina Magro, Hugo Pinto. (Org.). Integrating Question Answering and Text-to-SQL in Portuguese. 1ed.: Lecture Notes in Computer Science,, 2022, v. 13208, p. 278-287.

• Lovatto, Ângelo ; BARROS, L. N. ; DERATANI MAUÁ, DENIS . Exploration Versus Exploitation in Model-Based Reinforcement Learning: An Empirical Study. In: Xavier-Junior, J.C., Rios, R.A.. (Org.). Lecture Notes in Computer Science: Intelligent Systems. BRACIS 2022.. 1ed.: , 2022, v. 13654, p. 30-44.

• MONEDA, L. ; DERATANI MAUÁ, DENIS . Time Robust Trees: Using Temporal Invariance to Improve Generalization. In: Xavier-Junior, J.C., Rios, R.A.. (Org.). Lecture Notes in Computer Science: Intelligent Systems. BRACIS 2022. 1ed.: Springer, 2022, v. 13653, p. 385-397.

• LLERENA, JULISSA VILLANUEVA ; MAUÁ, DENIS DERATANI ; ANTONUCCI, ALESSANDRO . Cautious Classification with Data Missing Not at Random Using Generative Random Forests. Lecture Notes in Computer Science. 1ed.: Springer International Publishing, 2021, v. 12897, p. 284-298.

• Scaroni, Renato ; BUENO, THIAGO P. ; de Barros, Leliane N. ; MAUÁ, DENIS . On the Performance of Planning Through Backpropagation. Lecture Notes in Computer Science. 1ed.: Springer International Publishing, 2020, v. , p. 108-122.

• 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.: Springer International Publishing, 2020, v. , p. 93-107.

• SILVEIRA ; BARBOSA, A. ; MAUÁ, DENIS DERATANI . A New Benchmark for Automatic Essay Scoring in Portuguese. In: International Conference on Computational Processing of Portuguese, 2024, Santiago de Compostela. Proceedings of the 16th International Conference on Computational Processing of Portuguese, 2024. v. 1. p. 228-237.

• DERATANI MAUÁ, DENIS ; COZMAN, FABIO G. ; GARCES, A. . Probabilistic Logic Programming under the L-Stable Semantics. In: 22nd International Workshop on Nonmonotonic Reasoning (NMR 2024), 2024, Hanoi. Proceedings of the 21st International Workshop on Non-Monotonic Reasoning, 2024. v. 3835. p. 24-33.

• GEH, RENATO LUI ; GONÇALVES, JONAS ; SILVEIRA, IGOR C. ; Mauá, Denis D. ; COZMAN, FABIO G. . dPASP: A Probabilistic Logic Programming Environment For Neurosymbolic Learning and Reasoning. In: 21st International Conference on Principles of Knowledge Representation and Reasoning {KR2023}, 2024, Hanoi. Proceedings of the TwentyFirst International Conference on Principles of Knowledge Representation and Reasoning. California: International Joint Conferences on Artificial Intelligence Organization, 2024. p. 731-742.

• WANG, B. ; MAUÁ, DENIS DERATANI ; BROECK, G. V. D. ; CHOI, Y. . A Compositional Atlas for Algebraic Circuits. In: Neural Information Processing Systems (NeurIPS), 2024, Vancouver. Thirty-Eight Annual Conference on Neural Information Processing Systems, 2024.

• Mauá, Denis D. ; Fabio Cozman . Specifying credal sets with probabilistic answer set programming. In: International Symposium on Imprecise Probability: Theories and Applications, 2023, Oviedo. Proceedings of Machine Learning Research, 2023. v. 215. p. 321-332.

• PENNACCHIO, ALAN A. ; BARROS, LELIANE N. DE ; Mauá, Denis D. . Differentiable Planning for Optimal Liquidation. In: Brazilian Workshop on Artificial Intelligence in Finance, 2022, Brasil. Anais do I Brazilian Workshop on Artificial Intelligence in Finance (BWAIF 2022), 2022. p. 48.

• MADEIRA, T. ; DERATANI MAUÁ, DENIS . Tractable Mode-Finding in Sum-Product Networks with Gaussian Leaves. In: XIX ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL, 2022, Campinas. Anais do XIX ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL. Porto Alegre: Sociedade Brasileira de Computação, 2022. p. 497-508.

• DIAS, DANIEL B. ; N. DE BARROS, LELIANE ; V. DELGADO, KARINA ; Mauá, Denis D. . Differentiable Planning with Indefinite Horizon. In: Symposium on Knowledge Discovery, Mining and Learning, 2022, Brasil. Anais do X Symposium on Knowledge Discovery, Mining and Learning (KDMiLe 2022), 2022. p. 170-177.

• VILLANUEVA, JULISSA ; MAUÁ, DENIS . Tractable Classification with Non-Ignorable Missing Data Using Generative Random Forests. In: Symposium on Knowledge Discovery, Mining and Learning, 2022, Brasil. Anais do X Symposium on Knowledge Discovery, Mining and Learning (KDMiLe 2022), 2022. p. 42-49.

• GEH, R. L. ; MAUA, DENIS DERATANI . Fast And Accurate Learning of Probabilistic Circuits by Random Projections. In: 4th Workshop on Tractable Probabilistic Modeling, 2021, Eidenhoven. Proceedings of the 4th Workshop on Tractable Probabilistic Modeling, 2021.

• GEH, R. L. ; MAUA, DENIS DERATANI . Learning probabilistic sentential decision diagrams under logic constraints by sampling and averaging. In: Thirty-Seventh Conference on Uncertainty in Artificial Intelligence, 2021, online. Proceedings of the Thirty-Seventh Conference on Uncertainty in Artificial Intelligence, 2021. v. 161. p. 2039-2049.

• GEH, RENATO ; MAUÁ, DENIS . End-To-End Imitation Learning of Lane Following Policies Using Sum-Product Networks. In: XVI Encontro Nacional de Inteligência Artificial e Computacional, 2020, Salvador. Anais do Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), 2019. p. 297.

• THOMAZ, Guilherme ; MAUA, DENIS DERATANI ; BARROS, LELIANE N. DE . A Contact Network-Based Approach for Online Planning of Containment Measures for COVID-19. In: XVII Encontro Nacional de Inteligência Artificial e Computacional, 2020, Rio Grande. Anais do XVII Encontro Nacional de Inteligência Artificial e Computacional. Porto Alegre: SBC, 2020. p. 234-245.

• GEH, R. L. ; MAUA, DENIS DERATANI ; ANTONUCCI, A. . Learning Probabilistic Sentential Decision Diagrams by Sampling. In: VIII Symposium on Knowledge Discovery, Mining and Learning, 2020, Rio Grande. Anais do VIII Symposium on Knowledge Discovery, Mining and Learning. Porto Alegre: SBC, 2020. p. 129-136.

• NETTO, Caio ; TANNURI, Eduardo ; MAUA, DENIS DERATANI ; COZMAN, FABIO G. . Prediction of Environmental Conditions for Maritime Navigation using a Network of Sensors: A Practical Application of Graph Neural Networks. In: VIII Symposium on Knowledge Discovery, Mining and Learning, 2020, Rio Grande. Proceedings of the VIII Symposium on Knowledge Discovery, Mining and Learning. Porto Alegre: SBC, 2020. p. 233-240.

• MAUA, DENIS DERATANI ; Reis, Heitor Ribeiro ; Katague, Gustavo Perez ; ANTONUCCI, A. . Two Reformulation Approaches to Maximum-A-Posteriori Inference in Sum-Product Networks. In: 10th International Conference on Probabilistic Graphical Models, 2020, Aalborg. Proceedings of the 10th International Conference on Probabilistic Graphical Models, 2020. v. 138. p. 293-304.

• BUENO, THIAGO P. ; BARROS, LELIANE N. DE ; MAUA, DENIS DERATANI ; SANNER, S. . Deep Reactive Policies for Planning in Stochastic Nonlinear Domains. In: Thirty-Third AAAI Conference on Artificial Intelligence, 2019, Honolulu. Proceedings of the Thirty-Third AAAI Conference on Artificial Intelligence, 2019.

• LLERENA, JULISSA VILLANUEVA ; MAUA, DENIS DERATANI . Robust Analysis of MAP Inference in Selective Sum-Product Networks. In: Eleventh International Symposium on Imprecise Probabilities: Theories and Applications, 2019, Gent. Proceedings of the Eleventh International Symposium on Imprecise Probabilities: Theories and Applications, 2019. v. 103. p. 430-440.

• MATTEI, L. ; SOARES, D. L. ; ANTONUCCI, ALESSANDRO ; MAUÁ, DENIS D. ; FACCHINI, A. . Exploring the Space of Probabilistic Sentential Decision Diagrams. In: 3rd Tractable Probabilistic Modeling Workshop, 2019, Long Beach. 3rd Tractable Probabilistic Modeling Workshop, 2019.

• COZMAN, FABIO GAGLIARDI ; MAUÁ, DENIS DERATANI . The Finite Model Theory of Bayesian Networks: Descriptive Complexity. In: TwentySeventh International Joint Conference on Artificial Intelligence {IJCAI18}, 2018, Stockholm. Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. California: International Joint Conferences on Artificial Intelligence Organization, 2018. p. 5229-5233.

• Andrés, Igansi ; BARROS, L. N. ; MAUÁ, DENIS ; Simões, Thiago Dias . When a Robot Reaches Out for Human Help. In: Ibero-American Conference on Artificial Intelligence, 2018, Trujillo. Advances in Artificial Intelligence, 2018. p. 277-289.

• CATANEO SILVEIRA, IGOR ; DERATANI MAUA, DENIS . Advances in Automatically Solving the ENEM. In: 2018 7th Brazilian Conference on Intelligent Systems (BRACIS), 2018, Sao Paulo. 2018 7th Brazilian Conference on Intelligent Systems (BRACIS), 2018. p. 43.

• CONATY, D. ; Mauá, Denis D. ; C. P. de Campos . Approximation Complexity of Maximum A Posteriori Inference in Sum-Product Networks. In: Thirty-Third Conference on Uncertainty in Artificial Intelligence, 2017, Sydney. Proceedings of the Thirty-Third Conference on Uncertainty in Artificial Intelligence, 2017. p. 322-331.

• FARIA, F. H. O. V. ; COZMAN, FABIO G. ; MAUÁ, DENIS DERATANI . Closed-Form Solutions in Learning Probabilistic Logic Programs by Exact Score Maximization. In: International Conference on Scalable Uncertainty Management, 2017, Granada. Proceedings of the 11th International Conference on Scalable Uncertainty Management, 2017. p. 19-133.

• MAUÁ, DENIS DERATANI ; COZMAN, FABIO G. ; CONATY, D. ; C. P. de Campos . Credal Sum-Product Networks. In: International Symposium on Imprecise Probability: Theories and Applications, 2017, Lugano. Proceedings of the Tenth International Symposium on Imprecise Probability: Theories and Applications, 2017. v. 62. p. 205-216.

• COZMAN, FABIO G. ; Denis Maua . The Descriptive Complexity of Bayesian Network Specifications. In: European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty, 2017, Lugano. Proceedings of the 14th European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty, 2017. p. 93-103.

• COZMAN, FABIO G. ; Denis Deratani Mauá . The Complexity of Inferences and Explanations in Probabilistic Logic Programming. In: European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty, 2017, Lugano. Proceedings of the 14th European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty, 2017. p. 449-458.

• LLERENA, JULISSA VILLANUEVA ; MAUA, DENIS DERATANI . On Using Sum-Product Networks for Multi-label Classification. In: 2017 Brazilian Conference on Intelligent Systems (BRACIS), 2017, Uberlândia. 2017 Brazilian Conference on Intelligent Systems (BRACIS), 2017. p. 25.

• SILVEIRA ; Denis Deratani Mauá . University Entrance Exam as a Guiding Test for Artificial Intelligence. In: 2017 Brazilian Conference on Intelligent Systems (BRACIS), 2017, Uberlândia. Brazilian Conference on Intelligent Systems (BRACIS), 2017. p. 426-431.

• FARIA, F. H. O. V. ; GUSMAO, A. C. ; Glauber de Bona ; Denis Deratani Mauá ; Fabio Cozman . Parameter Learning in ProbLog with Probabilistic Rules. In: Symposium on knowledge Discovery, Mining and Learning (KDMILE), 2017, Uberlândia. Proceedings o the 5th Symposium on knowledge Discovery, Mining and Learning, 2017. p. 27-34.

• BUENO, THIAGO P. ; MAUA, DENIS DERATANI ; BARROS, LELIANE N. DE ; COZMAN, FABIO G. . Modeling Markov Decision Processes with Imprecise Probabilities Using Probabilistic Logic Programming. In: Tenth International Symposium on Imprecise Probability: Theories and Applications, 2017, Lugano. Proceedings of the Tenth International Symposium on Imprecise Probability: Theories and Applications, 2017. p. 49-60.

• COZMAN, FABIO GAGLIARDI ; MAUA, DENIS DERATANI . Probabilistic Graphical Models Specified by Probabilistic Logic Programs: Semantics and Complexity. In: Eighth International Conference on Probabilistic Graphical Models, 2016, Lugano. Proceedings of the Eighth International Conference on Probabilistic Graphical Models, 2016. v. 52. p. 110-122.

• MAUA, DENIS DERATANI ; COZMAN, FABIO GAGLIARDI . The Effect of Combination Functions on the Complexity of Relational Bayesian Networks. In: Eighth International Conference on Probabilistic Graphical Models, 2016, Lugano. Proceedings of the Eighth International Conference on Probabilistic Graphical Models, 2016. v. 52. p. 333-344.

• COZMAN, FABIO GAGLIARDI ; MAUA, DENIS DERATANI . The Structure and Complexity of Credal Semantics. In: 3rd International Workshop on Probabilistic Programming, 2016, London. Proceedings of the 3rd International Workshop on Probabilistic Logic Programming co-located with 26th International Conference on Inductive Logic Programming, 2016. p. 3-14.

• BUENO, THIAGO P. ; MAUA, DENIS D. ; BARROS, LELIANE N. DE ; COZMAN, FABIO G. . Markov Decision Processes Specified by Probabilistic Logic Programming: Representation and Solution. In: 2016 5th Brazilian Conference on Intelligent Systems (BRACIS), 2016, Recife. 2016 5th Brazilian Conference on Intelligent Systems (BRACIS), 2016. p. 337.

• Fabio Cozman ; MAUÁ, DENIS D. . Bayesian Networks Specified Using Propositional and Relational Constructs: Combined, Data, and Domain Complexity. In: Twenty-Ninth AAAI Conference on Artificial Intelligence, 2015, Texas. Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence, 2015. p. 3519-3525.

• MAUÁ, DENIS D. ; C. P. de Campos ; Fabio Cozman . The Complexity of MAP Inference in Bayesian Networks Specified Through Logical Languages. In: 24th International Joint Conference on Artificial Intelligence (IJCAI 2015), 2015, Buenos Aires. Proceedings of the 24th International Joint Conference on Artificial Intelligence. Palo Alto, EUA: AAAI Press / International Joint Conferences on Artificial Intelligence, 2015. v. 0. p. 889-895.

• MAUÁ, DENIS D. ; Fabio Cozman . On the complexity of propositional and relational credal networks. In: Ninth International Symposium on Imprecise Probability: Theories and Applications (ISIPTA), 2015, Pescara. Proceedings of the Ninth International Symposium on Imprecise Probability: Theories and Applications. Ariccia, IT: Aracne, 2015. p. 97-105.

• Fabio Cozman ; Mauá, Denis D. . The Complexity of Plate Probabilistic Models. In: Ninth International Conference on Scalable Uncertainty Management, 2015, Quebec. Proceedings of the Ninth International Conference on Scalable Uncertainty Management, 2015. v. 9310. p. 36-49.

• Mauá, Denis D. ; Fabio Cozman . DL-Lite Bayesian Networks: A Tractable Probabilistic Graphical Model. In: Ninth International Conference on Scalable Uncertainty Management, 2015, Quebec. Proceedings of the Ninth International Conference on Scalable Uncertainty Management, 2015. v. 9310. p. 50-64.

• Mauá, Denis D. ; Fabio Cozman . A Tractable Class of Model Counting. In: XII Encontro Nacional de Inteligência Artificial e Computacional, 2015, Natal. Anais do XII Encontro Nacional de Inteligência Artificial e Computacional, 2015.

• Fabio Cozman ; Mauá, Denis D. . Specifying Probabilistic Relational Models with Description Logics. In: XII Encontro Nacional de Inteligencia Artificial e Computacional, 2015, Natal. Anais do XII Encontro Nacional de Inteligência Artificial e Computacional, 2015.

• Fabio Machado ; Mauá, Denis D. ; Fabio Cozman . Bayesian Networks of Bounded Treewith: A Performance Analysis. In: XII Encontro Nacional de Inteligência Artificial e Computacional, 2015, Natal. Anais do XII Encontro Nacional de Inteligência Artificial e Computacional, 2015.

• Walter Perez ; Mauá, Denis D. . Initialization Heuristics for Greedy Bayesian Network Structure Learning. In: Third Symposium on Knowledge Discovery, Mining and Learning, 2015, Petrópolis. Proceedings of the Third Symposium on Knowledge Discovery, Mining and Learning, 2015. p. 58-65.

• ANTONUCCI, A. ; SCANAGATTA, M. ; Mauá, Denis D. ; C. P. de Campos . Early classification of time series by hidden Markov models with set-valued parameters. In: NIPS Times Series Workshop, 2015, Montreal. NIPS Times Series Workshop, 2015.

• CORANI, GIORGIO ; ANTONUCCI, A. ; MAUÁ, DENIS D. ; GABAGLIO, S. . Trading off Speed and Accuracy in Multilabel Classification. In: 7th European Workshop on Probabilistic Graphical Models, 2014, Utrecht. Proceedings of the 7th European Workshop on Probabilistic Graphical Models, 2014. p. 145-159.

• MAUÁ, DENIS D. . Equivalences between Maximum a Posteriori Inference in Bayesian Networks and Maximum Expected Utility Computation in Influence Diagrams. In: 7th European Workshop on Probabilistic Graphical Models, 2014, Utrecht. Proceedings of the 7th European Workshop on Probabilistic Graphical Models, 2014. p. 318-333.

• MAUÁ, DENIS D. ; Fabio Cozman . Speeding Up k-Neighborhood Local Search in Limited Memory Influence Diagrams. In: 7th European Workshop on Probabilistic Graphical Models, 2014, Utrecht. Proceedings of the 7th European Workshop on Probabilistic Graphical Models, 2014. p. 334-349.

• Siqi Nie ; MAUÁ, DENIS D. ; C. P. de Campos ; Qian Ji . Advances in Learning Bayesian Networks of Bounded Treewidth. In: Advances in Neural Information Processing Systems 27 (NIPS 2014), 2014, Montreal. Advances in Neural Information Processing Systems 27 (NIPS 2014), 2014. p. 2285-2293.

• MAUA, DENIS DERATANI ; CAMPOS, CASSIO POLPO DE ; ANTONUCCI, ALESSANDRO . Algorithms for Hidden Markov Models with Imprecisely Specified Parameters. In: 2014 Brazilian Conference on Intelligent Systems (BRACIS), 2014, Sao Paulo. 2014 Brazilian Conference on Intelligent Systems, 2014. p. 186.

• ANTONUCCI, A. ; CORANI, GIORGIO ; MAUÁ, D. D. ; GABAGLIO, S. . An ensemble of Bayesian networks for multilabel classification. In: International Joint Conference on Artificial Intelligence (IJCAI-13), 2013, Beijing, China. Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence. Menlo Park, California: AAAI Press / International Joint Conferences on Artificial Intelligence, 2013. p. 1220-1225.

• MAUÁ, D. D. ; DE CAMPOS, CASSIO P. ; BENAVOLI, A. ; ANTONUCCI, A. . On the Complexity of Strong and Epistemic Credal Networks. In: Conference on Uncertainty in Artificial Intelligence (UAI-13), 2013, Seatle. Proceedings of the 29th Conference on Uncertainty in Artificial Intelligence. Corvallis, Oregon: AUAI Press, 2013. p. 391-400.

• MAUÁ, D. D. ; DE CAMPOS, CASSIO P. . Anytime marginal map inference. In: International Conference on Machine Learning (ICML-12), 2012, Edimburgo. Proceedings of the 29th International Conference on Machine Learning. Nova York: Omnipress, 2012. p. 1471-1478.

• MAUÁ, D. D. ; C. P. de Campos ; Zaffalon, M. . The Complexity of Approximately Solving Influence Diagrams. In: Conference Annual Conference on Uncertainty in Artificial Intelligence (UAI-12), 2012, Catalina Island. Proceedings of the Twenty-Eighth Conference Annual Conference on Uncertainty in Artificial Intelligence. Corvallis, Oregon: AUAI Press, 2012. p. 604-613.

• MAUÁ, D. D. ; C. P. de Campos . Solving Decision Problems with Limited Information. In: Advances in Neural Information Processing Systems (NIPS-11), 2011, Barcelona. Advances in Neural Information Processing Systems 24, 2011. p. 603-611.

• MAUÁ, D. D. ; C. P. de Campos ; Zaffalon, M. . A Fully Polynomial Time Approximation Scheme for Updating Credal Networks of Bounded Treewidth and Number of Variable States. In: International Symposium on Imprecise Probability: Theories and Applications (ISPTA-11), 2011, Innsbruck, Austria. Proceedings of the Seventh International Symposium on Imprecise Probability: Theories and Applications, 2011. p. 277-286.

• Zaffalon, M. ; CORANI, GIORGIO ; MAUÁ, D. D. . Utility-Based Accuracy Measures to Empirically Evaluate Credal Classifiers. In: International Symposium on Imprecise Probability: Theories and Applications (ISPTA-11), 2011, Innsbruck, Austria. Proceedings of the Seventh International Symposium on Imprecise Probability: Theories and Applications, 2011. p. 401-410.

• MAUÁ, D. D. ; Fabio Cozman . Using Social Data to Predict Trust on Web Communities. In: Workshop on Information Visualization and Analysis in Social Networks, 2008, Campinas. XXII Simpósio Brasileiro de Engenharia de Software, 2008.

• MAUÁ, D. D. ; Fabio Cozman . Managing Trust in Virtual Communities with Markov Logic. In: IV Workshop on MSc Dissertation and PhD Thesis in Artificial Intelligence (WTDIA), 2008, Salvador. 19th Brazilian Symposium on Artificial Intelligence, 2008.

• MAUÁ, D. D. . Approximation Algorithms for Max-Sum-Product Problems. In: Doctoral Consortium at International Joint Conference on Artificial Intelligence (IJCAI-13), 2013, Beijing, China. Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence. Menlo Park, California: AAAI Press / International Joint Conferences on Artificial Intelligence, 2013. p. 3235-3236.

• MAUÁ, D. D. ; BAPTISTA, C. M. ; SILVEIRA, R. M. ; RUGGIERO, W. V. . Ferramenta Multimídia Interativa para Aprendizado Eletrônico. 2006. (Apresentação de Trabalho/Simpósio).

• Alexandre da Silva ; MAUÁ, D. D. ; Rafael Lopez . Reconhecimento Automático de Dígitos Falados 2006 (Trabalho de Formatura).

Outras produções

Projetos de pesquisa

• 2023 - Atual

  Indução de Programas Lógico-Probabilístico-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 / Naomi James de Moraes Nascimento - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.

• 2023 - Atual

  Indução de Programas Lógico-Probabilístico-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 ordinários. Ade- mais, tais técnicas são muito sensíveis a variações de domínio e produzem resulta- dos 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 ca- pazes de verificação formal. Elas, no entanto, são limitadas a pequenos domínios e exibem desempenho insatisfatório na presença de ruído e incerteza no conhec- imento. As abordagens neurossimbólicas procuram tirar proveito do melhor de ambas as abordagens, de forma a desenvolver sistemas que sejam expressivos e escaláveis, porém amenos a quantidades limitadas de recursos.Este documento descreve um plano de pesquisa de 3 anos para investigar o desenvolvimento de técnicas neurossimbólicas baseadas em programação lógica, dentro do escopo de uma bolsa de produtividade do CNPq. O resultado esperado é a criação de agentes adaptativos que ultrapassem a visão dominante de apren- dizado 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 expressi- vas 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 e argumentação abstrata.A pesquisa será conduzida pelo proponente e seu grupo de pesquisa, que at- ualmente compreende 5 doutorandos, 7 mestrandos e 2 alunos de iniciação cien- tífica. O proponente é professor do departamento de Ciência da Computação da Universidade de São Paulo desde 2015. Desde seu mestrado ele trabalha com raciocínio probabilístico e aprendizagem de máquina; mais recentemente, tem se interessado por linguagens que combinam formalismos lógicos e semântica prob- abilística.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Denis Deratani Mauá - Coordenador., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.

• 2020 - 2023

  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: Concluído; 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.

• 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 - Bolsa / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro., Número de produções C, T & A: 2

• 2016 - 2019

  Aprendizagem de Modelos Probabilísticos Tratáveis e seu Uso na Classificação Multirrótulo, 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

Prêmios