Cookies
Usamos cookies para melhorar nosso site e a sua experiência. Ao continuar a navegar no site, você aceita a nossa política de cookies. Ver mais
Fechar
  • Menu
Factos & Números
000
Apresentação

Laboratório de Inteligência Artificial e Apoio à Decisão

O LIAAD investiga na área estratégica de Data Science, que tem verificado um crescente interesse por todo o mundo, sendo fundamental para todas as áreas da atividade humana.

As enormes quantidades de dados recolhidos (Big Data) e a generalização de dispositivos com sensores e/ou poder de processamento oferecem cada vez mais oportunidades e desafios a cientistas e engenheiros.

Além disso, a procura por modelos complexos de apoio à decisão está a generalizar-se em áreas como negócios, saúde, ciência, governo eletrónico e e-learning, o que nos encoraja a investir em diferentes abordagens.

A nossa estratégia geral é tirar proveito do fluxo e diversificação de dados e investir em linhas de investigação que ajudarão a reduzir a lacuna entre dados recolhidos e dados úteis, oferecendo diversas soluções de modelação.

No LIAAD o trabalho científico centra-se nas seguintes áreas: machine learning, estatística, otimização e matemática.

Últimas Notícias
Informática

Equipa INESC TEC vence mais um Best Paper Award

O artigo intitulado “A Text Feature Based Automatic Keyword Extraction Method for Single Documents”, da autoria de Ricardo Campos, Vitor Mangaravite, Arian Pasquali e Alípio M. Jorge, investigadores do Laboratório de Inteligência Artificial e Apoio à Decisão (LIAAD) do INESC TEC, Célia Nunes, da Universidade da Beira Interior (UBI), e Adam Jatowt, da Universidade de Kyoto, venceu o prémio Best Short Paper Award, promovido na conferência ECIR’18 - 40th European Conference on Information Retrieval.

12 abril 2018

FOOTURE 4.0 é o roteiro com inovação INESC TEC na indústria do calçado

No âmbito da iniciativa “Roteiro da Inovação”, no dia 9 de março, o Primeiro-Ministro António Costa realizou o seu quarto Roteiro, desta vez dedicado ao setor do calçado, que contou com uma visita ao Grupo Procalçado e ao Centro Tecnológico do Calçado (CTCP).

10 abril 2018

Informática

Dois investigadores do INESC TEC nomeados no Cor Baayen Young Researcher Award do ERCIM

João Tiago Paulo e Hadi Tork, colaboradores do INESC TEC, no Laboratório de Software Confiável (HASLab) e no Laboratório de Inteligência Artificial e Apoio à Decisão (LIAAD), respetivamente, foram dois dos 15 finalistas no ERCIM 2017 Cor Baayen Young Researcher Award.

29 março 2018

Informática

Workshop no Japão com organização INESC TEC

Ricardo Campos, investigador no LIAAD - Laboratório de Inteligência Artificial e Apoio à Decisão do INESC TEC, foi um dos organizadores do primeiro workshop «User Interfaces for Spatial and Temporal Data Analysis - UISTDA2018», que decorreu em Tóquio, no Japão, no dia 11 de março.

26 março 2018

Informática

Investigador do INESC TEC edita livro na Springer-Verlag

O investigador do Laboratório de Inteligência Artificial e Apoio à Decisão (LIAAD) do INESC TEC, e professor catedrático da Faculdade de Ciências da Universidade do Porto, Alberto Adrego Pinto, acaba de editar, conjuntamente com David Zilberman, da Universidade de Berkeley, California, EUA, o segundo volume da série “Modeling, Dynamics, Optimization and Bioeconomics”.

17 janeiro 2018

Tópicos de Interesse
030

Projetos Selecionados

PERSONA

PERSONALIZAÇÃO E GESTÃO DE INFORMAÇÃO BASEADA EM DADOS CLIENTE

2017-2019

RECAP

Research on European Children and Adults born Preterm

2017-2021

SmartFarming-1

Ferramenta avançada para operacionalização da agricultura de precisão

2016-2018

PANACea

Perfis para Anomalias Consumo

2016-2018

BI4UP2

Ferramenta de Business Intelligence (BI)

2016-2017

Dynamics2

Dinâmica, optimização e modelação

2016-2019

CORAL-TOOLS-1

CORAL - Sustainable Ocean Exploitation: Tools and Sensors

2016-2018

MarineEye

MarinEye - A prototype for multitrophic oceanic monitoring

2015-2017

FOUREYES

TEC4Growth - RL FourEyes - Intelligence, Interaction, Immersion and Innovation for media industries

2015-2018

NanoStima-RL5

NanoSTIMA - Advanced Methodologies for Computer-Aided Detection and Diagnosis

2015-2018

iMAN

TEC4Growth - RL iMAN - Intelligence for advanced Manufacturing systems

2015-2018

NanoStima-RL3

NanoSTIMA - Health data infrastructure

2015-2018

NanoStima-RL4

NanoSTIMA - Health Data Analysis & Decision

2015-2018

SMILES

TEC4Growth - RL SMILES - Smart, Mobile, Intelligent and Large scale Sensing and analytics

2015-2018

FOTOCATGRAF

Fotocatalisadores baseados em grafeno e semicondutores para um sistema de abastecimento de água sustentável e seguro: uma tecnologia avançada para a remoção de poluentes emergentes

2015-2018

SEA

SEA-Sistema de ensino autoadaptativo

2015-2015

MAESTRA

Aprendizagem a partir de Grandes Quantidades de Dados Estruturados e Parcialmente Anotados

2014-2017

BI4UP

Ferramenta de Business Intelligence (BI)

2014-2014

SIBILA

Blocos Interativos Inteligentes para uma Melhor Aprendizagem

2013-2015

SmartManufacturing

Produção e Logística Inteligentes

2013-2015

SmartGrids

Redes Elétricas Inteligentes

2013-2015

Dynamics

Dinâmica e Aplicações

2012-2015

e-Policy

Engenharia para a avaliação do Ciclo de Vida de Decisões Políticas (ePolicy)

2011-2014

SIMULESP

Sistema para apoio à decisão da operação de redes de sub-transmissão de energia eléctrica numa situação de contingência

2011-2015

CRN

Confiança e Reputação na Negociação de Contratos Electrónicos por agentes em ambientes normativos adaptáveis

2010-2013

KDUS

Extracção de Conhecimento de Fluxos de dados distribuídos

2010-2013

Palco3.0

Sistema web inteligente de apoio à gestão de uma rede social na área da música

2008-2011

Argos-1

Sistema de previsão de potência eólica

2008-2012

MOREWAQ

Monitorização e Previsão de Parâmetros da Qualidade da Água

2008-2011

ORANKI

Detecção de Casos Raros usando recursos limitados

2008-2011

Equipa
Publicações

LIAAD Publicações

Ler todas as publicações

2018

State estimation pre-filtering with overlapping tiling of autoencoders

Autores
Saran, MAM; Miranda, V;

Publicação
Electric Power Systems Research

Abstract
This paper presents a new concept for an approach to deal with measurements contaminated with gross errors, prior to power system state estimation. Instead of a simple filtering operation, the new procedure develops a screen-and-repair process, going through the phases of detection, identification and correction of multiple gross errors. The method is based on the definition of the coverage of the measurement set by a tiling scheme of 3-overlapping autoencoders, trained with denoising techniques and correntropy, that produce an ensemble-like set of three proposals for each measurement. These proposals are then subject to a process of fusion to produce a vector of proposed/corrected measurements, and two fusion methods are compared, with advantage to the Parzen Windows method. The original measurement vector can then be recognized as clean or diagnosed with possible gross errors, together with corrections that remove these errors. The repaired vectors can then serve as input to classical state estimation procedures, as only a small noise remains. A test case illustrates the effectiveness of the technique, which could deal with four simultaneous gross errors and achieve a result close to full recognition and correction of the errors. © 2017 Elsevier B.V.

2018

Multi-label classification from high-speed data streams with adaptive model rules and random rules

Autores
Sousa, R; Gama, J;

Publicação
Progress in Artificial Intelligence

Abstract

2018

Preference rules for label ranking: Mining patterns in multi-target relations

Autores
de Sa, CR; Azevedo, P; Soares, C; Jorge, AM; Knobbe, A;

Publicação
INFORMATION FUSION

Abstract
In this paper, we investigate two variants of association rules for preference data, Label Ranking Association Rules and Pairwise Association Rules. Label Ranking Association Rules (LRAR) are the equivalent of Class Association Rules (CAR) for the Label Ranking task. In CAR, the consequent is a single class, to which the example is expected to belong to. In LRAR, the consequent is a ranking of the labels. The generation of LRAR requires special support and confidence measures to assess the similarity of rankings. In this work, we carry out a sensitivity analysis of these similarity-based measures. We want to understand which datasets benefit more from such measures and which parameters have more influence in the accuracy of the model. Furthermore, we propose an alternative type of rules, the Pairwise Association Rules (PAR), which are defined as association rules with a set of pairwise preferences in the consequent. While PAR can be used both as descriptive and predictive models, they are essentially descriptive models. Experimental results show the potential of both approaches.

2018

Using metalearning for parameter tuning in neural networks

Autores
Félix, C; Soares, C; Jorge, A; Ferreira, H;

Publicação
Lecture Notes in Computational Vision and Biomechanics

Abstract
Neural networks have been applied as a machine learning tool in many different areas. Recently, they have gained increased attention with what is now called deep learning. Neural networks algorithms have several parameters that need to be tuned in order to maximize performance. The definition of these parameters can be a difficult, extensive and time consuming task, even for expert users. One approach that has been successfully used for algorithm and parameter selection is metalearning. Metalearning consists in using machine learning algorithm on (meta)data from machine learning experiments to map the characteristics of the data with the performance of the algorithms. In this paper we study how a metalearning approach can be used to obtain a good set of parameters to learn a neural network for a given new dataset. Our results indicate that with metalearning we can successfully learn classifiers from past learning tasks that are able to define appropriate parameters. © 2018, Springer International Publishing AG.

2018

A Text Feature Based Automatic Keyword Extraction Method for Single Documents

Autores
Campos, R; Mangaravite, V; Pasquali, A; Jorge, AM; Nunes, C; Jatowt, A;

Publicação
Lecture Notes in Computer Science - Advances in Information Retrieval

Abstract

Teses Orientadas

2016

A Performance dos Agentes de Seguros e a Diversidade de Parcerias: Modelos de Equações Estruturais e Análise de Redes Sociais

Autor
Mónica Monteiro Chibante Sequeira

Instituição
UP-FEP

2016

A Aceitação do Aplicativo Móvel “Cartão Continente” por Parte dos Clientes Sénior

Autor
Paula Sofia da Cruz Ribeiro

Instituição
UP-FEP

2016

Impacto de uma Ação de Merchandising em Farmácias

Autor
Teresa Filipa Ferreira da Cunha Cruz e Sousa

Instituição
UP-FEP

2016

Impacto dos Incidentes Críticos Negativos na Propensão para a Repetição e Divulgação de um Destino de Férias

Autor
Teresa Maria Moura Quintas

Instituição
UP-FEP

2016

Perceção da responsabilidade social nos estudantes de mestrados em economia e gestão

Autor
Tânia Margarida Soares Castro Silva

Instituição
UP-FEP

Factos & Números

36Artigos em revistas indexadas

2016

29Investigadores Séniores

2016

329Volume de Negócio

2016