Machine Learning
Aprendizaje federado
Escenarios de aprendizaje distribuido donde los datos permanecen cerca de su fuente mientras modelos o actualizaciones se coordinan entre participantes.
Investigación
Aprendizaje automático con preservación de privacidad sobre datos que no dejan de cambiar.
Mi investigación doctoral combina el aprendizaje automático con preservación de privacidad y la minería de flujos de datos: aprender de datos que llegan continuamente, no-IID y bajo deriva de concepto, manteniendo los datos en bruto protegidos mediante aprendizaje federado y criptografía homomórfica.
Temas de investigación
Privacidad
Criptografía homomórfica
Patrones de computación con preservación de privacidad que permiten operaciones seleccionadas sobre datos cifrados, con atención explícita a los tradeoffs de rendimiento.
ML adaptativo
Minería de flujos de datos
Aprendizaje desde datos que llegan continuamente bajo deriva, latencia, memoria, distribución no IID y restricciones de adaptación.
Investigación aplicada
ML con privacidad en dominios regulados
Marco de investigación para entornos donde colaboración, confidencialidad y restricciones prácticas de despliegue deben coexistir.
Investigación doctoral en curso
Mi tesis doctoral se titula Algoritmos adaptativos con garantía de privacidad, dirigida por el Prof. Dr. Jean Paul Barddal y codirigida por el Prof. Dr. Vinícius M. A. de Souza, en el Programa de Posgrado en Informática de la PUCPR, con financiación de CAPES.
El trabajo conecta técnicas criptográficas y de mejora de privacidad con algoritmos adaptativos de aprendizaje automático, para entrenamiento e inferencia seguros en entornos distribuidos.
Considera el aprendizaje supervisado sobre flujos continuos de datos: deriva de concepto, datos no IID, adaptación incremental de modelos y las restricciones de despliegue de dominios regulados o sensibles a datos.
La mayor parte del aprendizaje con preservación de privacidad asume un conjunto de datos fijo. El dato empresarial regulado es en línea, con deriva y recursos limitados, y ese es el régimen que aborda esta investigación.
Por qué importa en la práctica
Las organizaciones que más se beneficiarían del aprendizaje automático suelen ser las que menos pueden centralizar sus datos. Hospitales, bancos, administraciones tributarias y sus proveedores guardan información regulada, sensible y distribuida entre partes que simplemente no pueden juntarla.
El aprendizaje federado y la criptografía homomórfica abordan eso directamente: aprender de los datos sin recogerlos, o computar sobre los datos sin descifrarlos. Ambos cuestan precisión y tiempo de procesamiento, y mi trabajo mide cuánto cuestan.
La parte que encuentro poco examinada es el tiempo. El dato empresarial llega como un flujo: su distribución cambia y los modelos se degradan mientras siguen devolviendo respuestas seguras. Combinar garantías de privacidad con adaptación a la deriva es el problema más difícil, y el más cercano a la producción.
Formación académica y servicio
Doctorando en Inteligencia Artificial en la PUCPR (2024—2028), tras la Maestría obtenida en 2023 con una tesis sobre predicción de picos en series temporales aplicada a redes eléctricas inteligentes — el trabajo que dio origen al artículo de IJCNN 2024 — y una especialización en Inteligencia Artificial Aplicada. Ingeniero de Computación por la UEPG.
Docente en la PUCPR. Miembro asociado de la Sociedad Brasileña de Computación (SBC) desde 2024. Medalla de plata en la Olimpiada Brasileña de Informática.
Competencia profesional plena en inglés y español; portugués nativo. Nombre en citas: KRUGER, RODRIGO.
Colaboración en investigación
Me interesa trabajar con grupos de investigación en aprendizaje automático con preservación de privacidad sobre flujos de datos en evolución, incluyendo trabajo conjunto e intercambios de investigación durante el doctorado.