Machine Learning
Aprendizado federado
Cenários de aprendizado distribuído em que os dados permanecem próximos da origem enquanto modelos ou atualizações são coordenados entre participantes.
Pesquisa
Aprendizado de máquina com preservação de privacidade sobre dados que não param de mudar.
Minha pesquisa de doutorado combina aprendizado de máquina com preservação de privacidade e mineração de fluxos de dados: aprender a partir de dados que chegam continuamente, não-IID e sob deriva de conceito, mantendo os dados brutos protegidos por aprendizado federado e criptografia homomórfica.
Temas de pesquisa
Privacidade
Criptografia homomórfica
Padrões de computação com preservação de privacidade que permitem operações selecionadas sobre dados criptografados, com atenção explícita aos tradeoffs de desempenho.
ML adaptativo
Mineração de fluxos de dados
Aprendizado a partir de dados que chegam continuamente sob deriva, latência, memória, distribuição não-IID e restrições de adaptação.
Pesquisa aplicada
ML com privacidade em domínios regulados
Enquadramento de pesquisa para ambientes em que colaboração, confidencialidade e restrições práticas de implantação precisam coexistir.
Pesquisa de doutorado em andamento
Minha tese de doutorado chama-se Algoritmos adaptativos com garantia de privacidade, sob orientação do Prof. Dr. Jean Paul Barddal e coorientação do Prof. Dr. Vinícius M. A. de Souza, no Programa de Pós-Graduação em Informática da PUCPR, com bolsa da CAPES.
O trabalho conecta técnicas criptográficas e de aprimoramento de privacidade a algoritmos adaptativos de aprendizado de máquina, para treinamento e inferência seguros em ambientes distribuídos.
Considera aprendizado supervisionado em fluxos contínuos de dados: deriva de conceito, dados não-IID, adaptação incremental de modelos e as restrições de implantação de domínios regulados ou sensíveis a dados.
A maior parte da literatura de aprendizado com preservação de privacidade assume um conjunto de dados fixo. O dado empresarial regulado é online, com deriva e restrição de recursos, e é esse o regime que esta pesquisa trata.
Por que isso importa na prática
As organizações que mais se beneficiariam de aprendizado de máquina costumam ser as que menos podem centralizar seus dados. Hospitais, bancos, administrações tributárias e seus fornecedores guardam informações reguladas, sensíveis e distribuídas entre partes que simplesmente não podem juntá-las.
Aprendizado federado e criptografia homomórfica tratam disso diretamente: aprender a partir de dados sem coletá-los, ou computar sobre dados sem decifrá-los. Ambos custam acurácia e tempo de processamento, e meu trabalho mede quanto custam.
A parte que considero pouco examinada é o tempo. O dado empresarial chega como um fluxo: sua distribuição muda e os modelos degradam enquanto seguem devolvendo respostas confiantes. Combinar garantias de privacidade com adaptação à deriva é o problema mais difícil, e o mais próximo da produção.
Formação acadêmica e serviço
Doutorando em Inteligência Artificial na PUCPR (2024—2028), após o Mestrado concluído em 2023 com dissertação sobre predição de picos em séries temporais aplicada a redes elétricas inteligentes — trabalho que originou o artigo do IJCNN 2024 — e uma especialização em Inteligência Artificial Aplicada. Graduado em Engenharia de Computação pela UEPG.
Leciona na PUCPR. Membro associado da Sociedade Brasileira de Computação (SBC) desde 2024. Medalha de prata na Olimpíada Brasileira de Informática.
Proficiência profissional plena em inglês e espanhol; português nativo. Nome em citações: KRUGER, RODRIGO.
Colaboração em pesquisa
Tenho interesse em trabalhar com grupos de pesquisa em aprendizado de máquina com preservação de privacidade sobre fluxos de dados em evolução, incluindo trabalho conjunto e intercâmbios de pesquisa durante o doutorado.