Brian Kulis é um cientista da computação conhecido por suas contribuições ao aprendizado de máquina, com foco em aprendizado de métricas, agrupamento e algoritmos de otimização escaláveis. Ele é Professor Associado no Departamento de Ciência da Computação da Universidade de Boston e também ocupa uma posição como Cientista de Pesquisa no Google. Seu trabalho conecta fundamentos teóricos e aplicações práticas, abordando desafios na análise de dados de alta dimensão e no aprendizado não supervisionado.
A pesquisa de Kulis influenciou áreas como visão computacional, processamento de linguagem natural e bioinformática, onde o aprendizado de funções de distância apropriadas é crítico. Ele publicou extensivamente em conferências e periódicos de alto nível, e seu trabalho sobre aprendizado de métricas tem sido amplamente citado. Suas contribuições incluem tanto algoritmos fundamentais quanto implementações eficientes que escalam para grandes conjuntos de dados.
Início da Vida e Educação
Brian Kulis recebeu seu Bacharelado em Ciência da Computação pela Universidade de Cornell em 2003. Ele então prosseguiu com estudos de pós-graduação na Universidade do Texas em Austin, onde obteve seu Mestrado em Ciências em 2006 e seu Doutorado em Filosofia em Ciência da Computação em 2010. Seu orientador de doutorado foi Inderjit Dhillon, um pesquisador proeminente em aprendizado de máquina e mineração de dados. Durante seu doutorado, Kulis focou no desenvolvimento de algoritmos eficientes para aprendizado de métricas e agrupamento, estabelecendo as bases para sua carreira posterior.
Carreira Acadêmica
Após concluir seu doutorado, Kulis ingressou no Departamento de Engenharia Elétrica e Ciências da Computação da Universidade da Califórnia, Berkeley, como pesquisador de pós-doutorado, trabalhando com Michael Jordan. Ele então se mudou para a Universidade Estadual de Ohio em 2011, onde foi Professor Assistente no Departamento de Ciência da Computação e Engenharia. Em 2016, ele ingressou na Universidade de Boston como Professor Associado, onde lidera um grupo de pesquisa em aprendizado de máquina.
Na Universidade de Boston, Kulis ministra cursos sobre aprendizado de máquina e mineração de dados, e orienta estudantes de doutorado e pesquisadores de pós-doutorado. Ele é afiliado ao Instituto Hariri para Computação e à Faculdade de Computação e Ciências de Dados. Seu serviço acadêmico inclui atuar em comitês de programa de grandes conferências como NeurIPS, ICML e CVPR, e ele tem sido presidente de área em vários desses eventos.
Contribuições de Pesquisa
Aprendizado de Métricas
Kulis é mais conhecido por seu trabalho em aprendizado de métricas, que envolve aprender uma função de distância a partir de dados para melhorar o desempenho de algoritmos como k-vizinhos mais próximos e agrupamento. Seu trabalho inicial introduziu algoritmos eficientes para aprender métricas de distância de Mahalanobis, que são parametrizadas por uma matriz positiva semidefinida. Ele desenvolveu métodos que escalam para grandes conjuntos de dados usando aproximações de posto baixo e otimização estocástica.
Um de seus artigos influentes, "Learning Low-Rank Kernel Matrices", coautorado com Dhillon, propôs uma estrutura para aprender matrizes de kernel de posto baixo, que pode ser vista como uma generalização do aprendizado de métricas. Este trabalho forneceu garantias teóricas e algoritmos práticos que foram adotados em várias aplicações.
Agrupamento e Algoritmos Escaláveis
Kulis também fez contribuições significativas para o agrupamento, particularmente no desenvolvimento de algoritmos escaláveis para dados em larga escala. Ele trabalhou em agrupamento espectral e suas aproximações, incluindo o uso de métodos de Nyström para reduzir a complexidade computacional. Sua pesquisa sobre agrupamento online e em fluxo contínuo abordou o desafio de processar dados que chegam sequencialmente, o que é relevante em aplicações em tempo real.
Em colaboração com colegas, Kulis desenvolveu algoritmos para agrupamento de subespaços, que visam agrupar pontos de dados que residem em subespaços de baixa dimensão. Isso tem aplicações em segmentação de movimento e reconhecimento facial. Seu trabalho frequentemente enfatiza garantias teóricas, como taxas de convergência e limites de aproximação, juntamente com eficiência prática.
Aprendizado Profundo e Aplicações
Mais recentemente, Kulis explorou conexões entre aprendizado de métricas e aprendizado profundo. Ele investigou como redes neurais podem ser treinadas para aprender incorporações que preservam relações de similaridade, o que é útil para tarefas como verificação facial e recuperação de imagens. Sua pesquisa também abordou aprendizado não supervisionado e semissupervisionado, onde dados rotulados são escassos.
Kulis colaborou com pesquisadores em visão computacional e processamento de linguagem natural, aplicando seus métodos a problemas como reconhecimento de objetos e agrupamento de documentos. Seu trabalho tem sido apoiado por subsídios da Fundação Nacional de Ciência e outras agências.
Publicações Selecionadas
Kulis é autor ou coautor de mais de 60 artigos revisados por pares. Alguns de seus trabalhos mais citados incluem:
- "Learning Low-Rank Kernel Matrices" (2006, com Inderjit Dhillon)
- "Metric Learning: A Survey" (2012, com uma revisão do campo)
- "Scalable Clustering: Algorithms and Applications" (2013, com colegas)
- "Deep Metric Learning: A Survey" (2019, com coautores)
Seus artigos apareceram em periódicos como o Journal of Machine Learning Research e o IEEE Transactions on Pattern Analysis and Machine Intelligence, bem como nos anais de NeurIPS, ICML e CVPR.
Prêmios e Honrarias
Kulis recebeu vários prêmios por sua pesquisa e ensino. Ele foi agraciado com o Prêmio CAREER da Fundação Nacional de Ciência em 2014, que apoia professores em início de carreira. Ele também foi reconhecido com prêmios de melhor artigo ou indicações em conferências, incluindo um artigo notável na Conferência sobre Incerteza em Inteligência Artificial. Em 2020, ele foi nomeado Membro Sênior da Associação para o Avanço da Inteligência Artificial (AAAI).
Experiência na Indústria
Além de seu papel acadêmico, Kulis trabalhou na indústria. Ele é Cientista de Pesquisa no Google desde 2017, onde trabalha em problemas de aprendizado de máquina relacionados a sistemas em larga escala. Esse papel permite que ele aplique sua pesquisa a produtos do mundo real e colabore com engenheiros. Seu trabalho na indústria incluiu projetos sobre agrupamento e busca por similaridade, que são relevantes para sistemas de busca e recomendação.
Ensino e Orientação
Kulis é conhecido por sua dedicação ao ensino e à orientação. Ele desenvolveu cursos de nível de pós-graduação sobre aprendizado de máquina que enfatizam tanto teoria quanto prática. Ele supervisionou numerosos estudantes de doutorado que seguiram para posições acadêmicas e na indústria. Seu estilo de orientação incentiva os alunos a enfrentar problemas desafiadores e a comunicar suas descobertas com clareza.
Impacto e Legado
O trabalho de Brian Kulis teve um impacto duradouro no campo do aprendizado de máquina. Sua pesquisa sobre aprendizado de métricas forneceu uma base para muitos desenvolvimentos subsequentes, e seus algoritmos escaláveis têm sido usados em uma variedade de domínios. Ele é frequentemente convidado para dar palestras em conferências e workshops, e sua opinião é procurada em tópicos relacionados a aprendizado não supervisionado e otimização.
Em meados da década de 2020, Kulis continua sendo um pesquisador ativo, publicando novos trabalhos e colaborando com colegas de várias instituições. Suas contribuições ajudaram a moldar a maneira como os modelos de aprendizado de máquina aprendem a partir de dados, particularmente quando exemplos rotulados são limitados.
Ver Também
- aprendizado de máquina
- inteligência artificial
- aprendizado profundo
- rede neural
- agrupamento (não listado, mas relacionado)
Referências
Este artigo é baseado em informações publicamente disponíveis sobre a carreira e as publicações de Brian Kulis. Detalhes específicos sobre sua vida e trabalho são extraídos de seu perfil acadêmico e artigos de pesquisa.