SABIa
COPPE / UFRJ · PESC · Rio de Janeiro

Pesquisa em IA digna de confiança.

O SABIÁ é um laboratório do PESC/COPPE-UFRJ. Investigamos como modelos de aprendizado podem ser robustos, justos e auditáveis — e formamos pesquisadores brasileiros para construir essa nova geração de sistemas inteligentes.

Linhas de pesquisa →
Pesquisamos
Trustworthy AI Robustness Recommender Systems Fairness Intelligent Systems Language Models
Linhas de pesquisa

Como nossas frentes se conversam.

Seis linhas principais, dezenas de subtemas. Passe o mouse para ver os recortes específicos de cada frente — e onde elas se cruzam.
Linha de pesquisa Subtema Cruzamento entre linhas
Trustworthy AIRobustnessRecommender SystemsFairnessIntelligent SystemsLanguage ModelsCalibrationAuditingUncertaintyOOD & distribution shiftAdversarial robustnessDiversityCold startGroup parityCounterfactual fairnessOptimizationHybrid modelsPT-BR evaluationRetrieval-augmented gen.Alignment

↑ passe o mouse / toque em uma linha de pesquisa

Onde publicamos

Ciência aberta, nas conferências que definem a área.

NeurIPS
Machine Learning
ICML
Machine Learning
KDD
Data Mining
WSDM
Web Search
RecSys
Sistemas de Recomendação
ACL
PLN

+ Workshops em FAccT, BRACIS e ENIAC · Pré-prints abertos em arXiv

Pessoas

Pesquisadores formando pesquisadores.

Equipe completa →
Prof. Geraldo Zimbrão Coordenador geral · Professor titular
Prof. Geraldo Zimbrão
Recommender Systems Intelligent Systems
Prof. Leandro Alvim Pós-doutorando · Pesquisador associado
Prof. Leandro Alvim
Fairness Language Models
Prof. Filipe Braida Pós-doutorando · Pesquisador associado
Prof. Filipe Braida
Intelligent Systems Recommender Systems Robustness Language Models
Prof. Ygor Canalli Pós-doutorando · Pesquisador associado
Prof. Ygor Canalli
Trustworthy AI Fairness
Rodrigo Pereira Pagliusi Mestrado
Rodrigo Pereira Pagliusi
Fairness
Felipe Bevilaqua Foldes Guimarães Mestrado
Felipe Bevilaqua Foldes Guimarães
Fairness
Julio César Barbieri Gonzalez de Almeida Mestrado 2017 · Doutorado 2024
Julio César Barbieri Gonzalez de Almeida
Recommender Systems
Felipe Bezerra de Melo Mestrado
Felipe Bezerra de Melo
Fairness
Adriano Beringuy Doutorando
Adriano Beringuy
Language Models Fairness
Anderson Soares Rezende Mestrando
Anderson Soares Rezende
Language Models
Felipe Assis de Souza Mestrando
Felipe Assis de Souza
Language Models
Julia Oliveira Melhorim Mestranda
Julia Oliveira Melhorim
Intelligent Systems
Kevin Torres Ribeiro Mestrando
Kevin Torres Ribeiro
Fairness
Leonardo Emerson André Alves Mestrando
Leonardo Emerson André Alves
Language Models
Maria Bianca Monteiro Irace Mestranda
Maria Bianca Monteiro Irace
Language Models Trustworthy AI
Maria Luiza Cantanhede Wuillaume Mestranda
Maria Luiza Cantanhede Wuillaume
Pedro Gabriel Nunes Gadelha Mestrando
Pedro Gabriel Nunes Gadelha
Intelligent Systems
+N
Pós-graduandos
Mestrandos e doutorandos do PESC/COPPE
Quero candidatar-me →
Sobre

Pesquisa de fronteira, ancorada no Brasil.

O SABIÁ é um laboratório de pesquisa do Programa de Engenharia de Sistemas e Computação (PESC/COPPE) da UFRJ, criado com uma convicção: a próxima geração de sistemas de IA precisa ser construída com o mesmo rigor com que se constrói infraestrutura crítica — pontes, redes elétricas, sistemas financeiros.

Atravessamos seis frentes — de modelos de linguagem a sistemas de recomendação — sempre com a mesma pergunta de fundo: como esse sistema falha, e como sabemos que ele é confiável? Trabalhamos em ciência aberta, com publicações nas principais conferências da área e parcerias estratégicas com setores público e privado.

Programa
PESC · COPPE · UFRJ
Localização
Rio de Janeiro, Brasil
Coordenação
Prof. Geraldo Zimbrão
Publicações
NeurIPS · ICML · KDD · WSDM
Notícias

O que está em movimento.

Todas as notícias →
Defesa de mestrado

Felipe Bevilaqua defende dissertação de mestrado sobre fairness em dados sintéticos

Dados tabulares sintéticos amplificam a injustiça dos classificadores — mas técnicas padrão de mitigação ainda funcionam quando os dados gerados têm alta qualidade.

Ler o paper →
Defesa de mestrado

Rodrigo Pagliusi defende dissertação de mestrado sobre fairness

Uma metodologia reprodutível de stress testing para medir como classificadores degradam — em desempenho e justiça — conforme o viés nos dados cresce.

Ler mais →
Defesa de doutorado

Ygor Canalli defende doutorado sobre fairness em aprendizado de máquina

Duas técnicas novas para classificação justa — a Fair Transition Loss e a Redlining Penalty Regularization — inspiradas em robustez a ruído de rótulo.

Ler mais →