George Gomes Cabral

Pós-doutorado

Formação complementar

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• OLIVEIRA, GUSTAVO H. F. M. ; Cabral, George G. ; OLIVEIRA, AUGUSTO C. F. M. ; OLIVEIRA, MARÍLIA G. F. M. ; MINKU, LEANDRO L. ; OLIVEIRA, ADRIANO L. I. . Dynamic Swarm Intelligence for Time Series Forecasting in the Presence of Concept Drift. SN Computer Science , v. 6, p. 1-17, 2025.

• CABRAL, G. G. ; L. MINKU, LEANDRO ; L. I. OLIVEIRA, ADRIANO ; PESSOA, D. A. ; TABASSUM, S. . An Investigation of Online and Offline Learning Models for Online Just-in-Time Software Defect Prediction. EMPIRICAL SOFTWARE ENGINEERING , v. 1, p. 1, 2023.

• CABRAL, GEORGE GOMES ; MINKU, LEANDRO L. . Towards Reliable Online Just-in-time Software Defect Prediction. Ieee Transactions On Software Engineering , v. 1, p. 1-1, 2022.

• CABRAL, G. G. ; Oliveira, A.L.I. . One-Class Classification based on searching for the problem features limits. Expert Systems with Applications , p. 7182-7199, 2014.

• CABRAL, G. G. ; Oliveira, A.L.I. ; CAHU, C. B. . Combining Nearest Neighbor Data Description and Structural Risk Minimization for One-Class Classification. Neural Computing & Applications , v. 18, p. 175-183, 2008.

• MINKU, L. L. ; CABRAL, G. G. ; Martins, M. ; WAGNER, M. . Introduction to Computational Intelligence An IEEE Computational Intelligence Society Open Book. 1. ed. , 2022.

• CABRAL, G. G. ; Oliveira, A.L.I. . Intelligent Character Recognition. In: Carlos Alexandre Barros de Mello, Adriano Lorena Inacio de Oliveira, Wellington Pinheiro dos Santos. (Org.). Digital Document Analysis and Processing. New York: NOVA Publishers, 2011, v. , p. 257-286.

• SILVA, ARTHUR L. ; LIMA, ADRIANO M. A. ; VALENÇA, GEORGE ; CABRAL, G. G. . Ad-hoc v.s LLM based System for Information Retrieval in Large Tabular Data: A Comparative Study in Public Medicine Procurement Audits. In: Brazilian Symposium on Information Systems, 2025, Recife. Brazilian Symposium on Information Systems (SBSI'25), May 19 --23, 2025, Recife-PE, 2025.

• VERAS, R. C. ; Cabral, George G. ; Oliveira, A.L.I. . Semantic SZZ: Mitigating the Impact of Misclassified Corrective Changes in Just-in-Time Software Defect Prediction. In: IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2025, Viena. 2025 IEEE International Conference on Systems, Man, and Cybernetics, 2025. p. 1.

• MONTEIRO, M. L. B. ; Cabral, George G. ; Oliveira, A.L.I. . Offline and Continual Just-In-Time Software Defect Prediction with Pre-Trained Language Models. In: IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2025, Viena. 2025 IEEE International Conference on Systems, Man, and Cybernetics, 2025. p. 1.

• MONTEIRO, M. L. B. ; Cabral, George G. ; Oliveira, A.L.I. . Pre-trained Code Language Models for Just-in-time Software Defect Prediction: An Empirical Study. In: Brazilian Conference on Intelligent Systems (Bracis), 2025, Fortaleza. 35th Brazilian Conference on Intelligent Systems, 2025. p. 1.

• SILVA, ARTHUR L. ; SAMPAIO, VICENTE G. R. C. A. ; LIMA, ADRIANO M. A. ; Cabral, George G. ; VALENÇA, GEORGE . Ferramenta para Auxílio à Auditoria de Editais Municipais para Compra de Medicamentos. In: Anais Estendidos do Simpósio Brasileiro de Sistemas de Informação, 2024, Brasil. Anais Estendidos do XX Simpósio Brasileiro de Sistemas de Informação (SBSI 2024), 2024. p. 265.

• EMMANUEL, Y. ; SILVA, F. S. ; G. CABRAL, GEORGE ; SANTOS, G. A. V. . Inovação na Contabilidade Pública - uma Solução que Analisa Atrasos de Pagamentos em Municípios Pernambucanos. In: Simposio Brasileiro de Sistemas de Informação, 2023, Maceió. XIX Simpósio Brasileiro de Sistemas de Informação, 2023.

• Cabral, George G. ; VALENÇA, GEORGE ; SOUZA, CAMILA N. P. ; EMANNUEL, YVES . Contabilidade Pública - uma Ferramenta de Suporte à Auditoria de Dados em Municípios do Estado de Pernambuco. In: Workshop de Computação Aplicada em Governo Eletrônico, 2023, Brasil. Anais do XI Workshop de Computação Aplicada em Governo Eletrônico (WCGE 2023), 2023. p. 177.

• TABASSUM, S. ; L. MINKU, LEANDRO ; FENG, D. ; G. CABRAL, GEORGE ; SONG, L. . An Investigation of Cross-Project Learning in Online Just-In-Time Software Defect Prediction. In: 42nd International Conference on Software Engineering (ICSE 2020), 2020, Seoul. International Conference on Software Engineering, 2020.

• CABRAL, G. G. ; MINKU, L. L. ; SHIHAB, E. ; MUJAHID, S. . Class imbalance evolution and verification latency in just-in-time software defect prediction. In: International Conference on Software Engineering (ICSE), 2019, Montreal. ICSE '19 Proceedings of the 41st International Conference on Software Engineering, 2019. p. 666-676.

• H. F. M. OLIVEIRA, GUSTAVO ; C. CAVALCANTE, RODOLFO ; G. CABRAL, GEORGE ; L. MINKU, LEANDRO ; L. I. OLIVEIRA, ADRIANO . Time Series Forecasting in the Presence of Concept Drift: A PSO-based Approach. In: 2017 IEEE 29th International Conference on Tools with Artificial Intelligence (ICTAI), 2017, Boston. 2017 IEEE 29th International Conference on Tools with Artificial Intelligence (ICTAI), 2017. p. 239.

• CABRAL, G. G. ; Oliveira, A.L.I. . Novelty Detection Based on Genuine Normal and Artificially Generated Novelty Examples. In: Brazilian Conference on Intelligent System (BRACIS), 2016, Recife. Brazilian Conference on Intelligent System, 2016.

• PINTO NETO, E. ; CARVALHO, D. ; CABRAL, G. G. ; ROLIM, F. ; FERREIRA, R. ; CALLOU, G. . Identifying Marijuana Users Using Text Mining Techniques. In: Encontro Nacional de Intelig?encia Artificial e Computacional, 2016, RECIFE. XIII Encontro Nacional de Intelig?encia Artificial e Computacional.

• CABRAL, G. G. ; Oliveira, A.L.I. . One-class Classification for Heart Disease Diagnosis. In: IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS, 2014, San Diego. IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS, 2014.

• TAVARES, T. R. ; Oliveira, A.L.I. ; CABRAL, G. G. ; MATTOS, S. S. ; GRIGORIO, R. . Preprocessing Unbalanced Data using Weighted Support Vector Machines for Prediction of Heart Disease in Children. In: International Joint Conference on Neural Networks, 2013, Dallas. International Joint Conference on Neural Networks, 2013.

• CABRAL, G. G. ; Oliveira, A.L.I. . One-class classification through optimized feature boundaries detection and prototype reduction. In: International Conference on Artificial Neural Networks, 2012, Lausanne. International Conference on Artificial Neural Networks, 2012.

• Farias, G. P. M. ; Oliveira, A.L.I. ; CABRAL, G. G. . Extreme Learning Machines for Intrusion Detection Systems. In: International Conference on Neural Information Processing (ICONIP2012), 2012, Doha. International Conference on Neural Information Processing (ICONIP2012), 2012.

• CABRAL, G. G. ; Oliveira, A.L.I. . A Novel One-Class Classification Method Based on Feature Analysis and Prototype Reduction. In: Systems, Man, and Cybernetics (SMC), 2011, Anchorage - AK - USA. IEEE Int Conf on Systems, Man, and Cybernetics.

• CABRAL, G. G. ; Oliveira, A.L.I. . A Hybrid Method for Novelty Detection in Time Series Based on States Transitions and Swarm Intelligence. In: World Congress On Computational Intelligence, 2010, Barcelona. International Joint Conference on Neural Networks, 2010.

• CABRAL, G. G. ; Oliveira, A.L.I. . Detecção de Novidades em Séries Temporais: Uma Abordagem Automática Baseada na Transição Entre Estados e Utilizando Enxame de Partículas. In: Joint Conference 2010, 2010, São Bernardo do Campo - SP. Workshop on Computational Intelligence, 2010.

• CABRAL, G. G. ; Oliveira, A.L.I. . A Comparative Analysis of One-class Structural Risk Minimization by Support Vector Machines and Nearest Neighbor Rule. In: IFIP International Conference on Artificial Intelligence in Theory and Practice (part of IFIP World Computer Congress (WCC2008)), 2008, Milão. IFIP World Computer Congress (WCC'2008), 2008.

• MONTENEGRO, R. D. ; Oliveira, A.L.I. ; CABRAL, G. G. ; KATZ, C. ; ROSENBLATT, A. . A Comparative Study of Machine Learning Techniques for Caries Prediction. In: IEEE International Conference on Tools with Artificial Intelligence, 2008, Dayton. (ICTAI'2008), 2008.

• CABRAL, G. G. ; Oliveira, A.L.I. ; CAHU, C. B. . A Novel Method for One-Class Classification Based on the Nearest Neighbor Data Description and Structural Risk Minimization. In: IEEE Internacional Joint Conference on Neural Networks, 2007, Orlando, Flórida, USA. IEEE Internacional Joint Conference on Neural Networks (IJCNN´2007), 2007. p. 1976-1981.

• CABRAL, G. G. ; Oliveira, A.L.I. . A Hybrid Method for Novelty Detection in Time Series Based on States Transitions and Swarm Intelligence. 2010. (Apresentação de Trabalho/Congresso).

• MINKU, L. L. ; CABRAL, G. G. ; MARTINS, M. S. R. ; WAGNER, M. . Introduction to Computational Intelligence - An IEEE Computational Intelligence Society Open Book. 2022. (Editoração/Livro).

Projetos de pesquisa

• 2020 - Atual

  Um Modelo de Inovação para Transformação Digital do Tribunal de Contas do Estado de Pernambuco, Descrição: A inovação no setor público tem sido foco de discussões no Tribunal de Conta do Estado dePernambuco. Em recente iniciativa, conduzida ao longo do ano de 2019, o planejamento estratégicodo TCE-PE gerou um conjunto de desafios, que foram tratados em meio à uma semana da inovação,com palestras e debates sobre o tema. Por meio de um conjunto de oficinas de inovação subsequentes,a instituição passou a explorar conceitos como Design Thinking, Estratégia do Oceano Azul e StartupEnxuta, encabeçando um movimento disruptivo de modernização, orientação a problemas e ao cliente,e revisão do portfólio de produtos e serviços da organização.Em paralelo, ao longo dos últimos anos, o TCE-PE institucionalizou a Gestão de Processos deNegócio, com definição de um escritório de processos corporativo. Dotada de mecanismos de gestãoe governança de processos, essa unidade promove a melhoria contínua dos procedimentos daorganização, permitindo a automação de suas rotinas de trabalho, por meio de ferramentas deprocesso eletrônico que digitalizam processos de negócio da cadeia de valor de controle externo,como Auditoria Especial e Prestação de Contas de Governo e Gestão.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: George Gomes Cabral - Integrante / Sidney de Carvalho Nogueira - Integrante / George Augusto Valença Santos - Coordenador / Ermeson Andrade - Integrante / Fernando António Aires Lins - Integrante / Kellyton dos Santos Brito - Integrante / Robson Medeiros - Integrante.

• 2017 - Atual

  Detecção de Novidades : Investigação e Desenvolvimento de Novas Técnicas de Aprendizagem de Máquina no Contexto de Big Data, Deep Learning e One-Class Classification, Descrição: O principal objetivo desse projeto consiste na criação e investigação de métodos para detecção de novidades baseados no paradigma de aprendizado One-Class Classification. Esse é um paradigma de aprendizado bastante promissor haja visto o grande número de possíveis aplicações. Vários métodos já estão disponíveis para detecção de novidades utilizando o paradigma OCC, porém, dado o pouco tempo de vida da área de Big Data, ainda existe a necessidade do desenvolvimento de técnicas capazes de atuar nesse ambiente com elevado número de dados. Adicionalmente, o paradigma Deep Learning pode oferecer atributos importantes para um reconhecimento de padrões mais poderoso e menos dependente de representação do problema colaborando também para o bom desempenho de modelos de detecção de novidades. O presente projeto trata da criação/investigação de métodos de detecção de novidades no contexto de Big Data e baseados em Deep Learning. Parte da pesquisa consiste na criação de métodos com baixa ou nenhuma dependência de parâmetros durante a fase de modelagem e pertencentes ao paradigma de classificação One-class Classification.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Doutorado: (2) . , Integrantes: George Gomes Cabral - Coordenador / Adriano Lorena Inácio de Oliveira - Integrante.

• 2017 - Atual

  Detecção de Novidades : Investigação e Desenvolvimento de Novas Técnicas de Aprendizagem de Máquina no Contexto de Big Data, Deep Learning e One-Class Classification, Descrição: O uso de sistemas computacionais é uma realidade que há décadas faz parte da história da grande maioria de empresas públicas e privadas. Essas empresas geram periodicamente um imenso volume de dados sendo que a análise desses dados de forma manual é reconhecidamente inviável. Além disso, dados não são gerados apenas por empresas, usuários de redes sociais também populam todos os dias a internet com um grande volume de dados que podem ser de interesse de empresas, por exemplo. Essa abundância de informação cria a necessidade da utilização de técnicas capazes de extrair informações e tenham o acurado poder de decisão conferido outrora a agentes humanos. Muito recentemente, dado o referido crescimento na geração de dados, um novo termo tem tomado a atenção de muitos pesquisadores: Big Data. Big Data consiste em problemas cujas bases de dados têm tamanho tão elevado que a análise desses dados de forma manual ou utilizando métodos tradicionais de aprendizagem de máquina não é possível. Várias são as fontes de dados passíveis de gerar um montante de dados que se enquadra nessa categoria. Exemplos são mídias sociais, sensores climáticos, bioinformática (bases genômicas), etc. Essas particularidades de Big Data levantam a necessidade da criação/adaptação de novos algoritmos de forma que esses possam trabalhar de forma eficaz e compartilhando informação paralelamente. RNAs consistem de uma família de técnicas de aprendizagem de máquina que se baseiam no funcionamento do cérebro humano. Dentre os tipos de RNAs, o mais amplamente utilizado tem sido o Perceptron Multi-Camadas (Multi Layer Perceptron - MLP). Essa rede tem um alto poder de generalização e possuem vários algoritmos (e.g., Backpropagation) capazes de treinar de forma eficiente suas camadas intermediárias. Porém, os algoritmos capazes de treinar redes do tipo MLP conseguem processar um pequeno número de camadas intermediárias fazendo com que relacionamentos importantes nos dados passem desapercebidos. Deep Learning é uma nova área de estudo que trata de algoritmos capazes de processar estruturas de redes neurais mais complexas (com várias camadas intermediárias) que por sua vez alcançam um maior número de informações e relacionamento entre os dados. Essa área tem se mostrado bastante promissora levando-se a crer até no ressurgimento de pesquisas na área de IA Forte. A tarefa da detecção de anomalias visa a criação de classificadores capazes de distinguir dados de perfis conhecidos de dados de perfis desconhecidos pelo classificador durante a fase de modelagem do problema. A abordagem do treinamento com dados apenas da classe normal consiste no paradigma de aprendizado denominado One-Class Classification - OCC. Na fase de uso do modelo gerado pelo classificador, objetos que diferem de forma significativa dos objetos apresentados durante o treinamento são classificados como novidade (desconhecidos). Indicações de uso de abordagem acontecem quando existem poucos ou nenhum objeto da classe novidade durante o treinamento. A detecção de novidades se aplica a uma área incontável de problemas. Como exemplos, podemos citar (i) na medicina - diagnóstico de doenças como diabetes, câncer e cardiopatias, (ii) na indústria - detecção de falhas em máquinas, (iii) em empresas - detecção de fraudes em sistemas financeiros, etc. Dados o potencial científico e o fato de as áreas de Big Data e Deep Learning, de certa forma, se encontrarem ainda em estágio inicial de pesquisas, se faz necessária a criação/adaptação de métodos de classificação capazes de atuar nesse ambiente. Detecção de novidades é ainda um problema pouco explorado no contexto de Big Data e Deep learning, dessa forma se faz necessária a investigação e criação de métodos para detecção de novidades considerando essa nova realidade.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Doutorado: (2) . , Integrantes: George Gomes Cabral - Coordenador / Adriano Lorena Inácio de Oliveira - Integrante / Ronaldo Cisneiros Veras - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2008 - 2009

  Desenvolvimento de um Modelo de Gestão de Sobressalentes para Dimensionamento de Estoques baseado em Inteligência Artificial, Descrição: Peças sobressalentes de equipamentos produtivos são itens de grande importância para as organizações. A falta dessas peças de reposição pode representar perdas substanciais para uma Empresa já que pode acarretar em parada ou muitas vezes indisponibilidade, por longos períodos, de equipamentos importantes. Por outro lado, o excesso de itens em estoque incorre em altos custos de aquisição e armazenamento. Modelos de gestão de sobressalentes eficazes são fundamentais para o funcionamento integrado das várias áreas usuárias de uma Empresa, redução de prejuízos e otimização dos recursos disponíveis. Atualmente, a CHESF não possui um modelo específico para a gestão eficiente de peças sobressalentes. O processo de ressuprimento é realizado com base na definição de necessidades pelos diversos órgãos usuários que demandam a reposição de itens quando identificam a necessidade. Tal procedimento é realizado sem o uso de um modelo de previsão de demanda mais científico, que possa produzir um processo de gestão de sobressalentes acurado. A gestão de sobressalentes para um Empresa com as características da CHESF não pode ser realizada com base nos tradicionais modelos de gerenciamento de estoques pois possui características singulares. Os elevados custos de aquisição de itens, longos tempos de resposta de fornecimento e baixíssimos giros, característicos de peças de reposição, tornam-se empecilhos freqüentemente encontrados na definição da política de estoque deste tipo de material. Como consequência da ausência de uma política bem definida, a gestão de estoques de sobressalentes é pouco compreendida no ambiente gerencial, apesar de representar um significativo investimento de capital em Empresas orientadas para serviço, como é o caso da CHESF. Uma gestão de estoques inadequada, isto é, não direcionada para as características específicas deste tipo de material, pode acarretar em diversos problemas, como: - Escesso de estoques, implicando em elevados custos de armazento.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (3) Doutorado: (2) . , Integrantes: George Gomes Cabral - Integrante / Adrian Lucena Arnaud - Integrante / Germano Crispim Vasconcelos - Coordenador., Financiador(es): Companhia Hidro Elétrica do São Francisco - Auxílio financeiro.

Prêmios