Constantine Caramanis (nascido em 25 de agosto de 1977) é professor no Departamento de Engenharia Elétrica e de Computação da Universidade do Texas em Austin, onde ocupa a Cátedra Distinta Endowed Chandra Family em Engenharia Elétrica e de Computação. Sua pesquisa concentra-se em aprendizado de máquina, estatística de alta dimensão, otimização e tomada de decisão em sistemas de grande escala, com aplicações que abrangem comunicações, transporte, energia e redes sociais.
Caramanis é conhecido por contribuições à otimização robusta e adaptável, bem como à análise de dados corrompidos ou incompletos em contextos de alta dimensão. Seu trabalho conecta fundamentos teóricos e algoritmos práticos, abordando desafios em inteligência artificial e ciência de dados.
Educação e carreira
Caramanis recebeu um AB em matemática pela Universidade de Harvard. Em seguida, realizou estudos de pós-graduação no Instituto de Tecnologia de Massachusetts, obtendo os graus de MS e PhD em engenharia elétrica e ciência da computação. Sua tese de doutorado, concluída em 2006, foi intitulada Otimização adaptável: teoria e algoritmos.
Em 2006, ingressou no corpo docente do Departamento de Engenharia Elétrica e de Computação da Universidade do Texas em Austin. Ao longo de sua carreira, supervisionou numerosos estudantes de doutorado e colaborou com pesquisadores de instituições acadêmicas e da indústria.
Contribuições de pesquisa
O trabalho inicial de Caramanis sobre otimização adaptável introduziu métodos para tomada de decisão sob incerteza, onde os parâmetros não são totalmente conhecidos no momento da otimização. Essa linha de pesquisa tem aplicações em projeto de redes, logística e sistemas de energia.
Em estatística de alta dimensão, ele estudou problemas envolvendo dados corrompidos ou incompletos, desenvolvendo estimadores e algoritmos que permanecem confiáveis na presença de valores discrepantes ou entradas ausentes. Esse trabalho conecta-se à teoria de aprendizado profundo e redes neurais, particularmente na compreensão de como os modelos se comportam com dados de treinamento imperfeitos.
Sua pesquisa recente aborda a eficiência e a robustez de modelos de linguagem de grande porte, incluindo tópicos relacionados a poda de modelos e aumento de dados. Ele também explorou técnicas de otimização como variantes do gradiente descendente estocástico e agendamentos de taxa de aprendizado para treinar arquiteturas modernas.
Reconhecimento e prêmios
Em 2011, Caramanis recebeu um Prêmio CAREER da National Science Foundation por pesquisa em estatística de alta dimensão e análise de dados corrompidos ou incompletos. Esse prêmio apoia docentes em início de carreira que demonstram potencial para servir como modelos acadêmicos.
Ele foi elevado a Fellow do IEEE na classe de 2023, uma honra que reconhece suas contribuições à estatística robusta e à otimização de alta dimensão. A bolsa é reservada para indivíduos com realizações notáveis em campos designados pelo IEEE.
Caramanis também atuou em comitês de programa de conferências importantes em aprendizado de máquina e otimização, e proferiu palestras convidadas em instituições como Berkeley e Oxford.
Ensino e serviço
Na Universidade do Texas em Austin, Caramanis ministra cursos sobre otimização, aprendizado de máquina e probabilidade. Ele orientou estudantes de pós-graduação que seguiram para posições na academia e na indústria, incluindo funções na Google DeepMind e na OpenAI.
Ele contribuiu para a comunidade de pesquisa mais ampla por meio de serviço editorial em periódicos e organização de conferências. Seu trabalho frequentemente envolve colaboração interdisciplinar, unindo engenharia elétrica, ciência da computação e estatística.
Publicações selecionadas
Caramanis é autor de numerosos artigos em periódicos revisados por pares e anais de conferências. Tópicos notáveis incluem análise de componentes principais robusta, recuperação esparsa e otimização robusta adaptativa. Suas publicações são amplamente citadas nos campos da estatística de alta dimensão e otimização.
Sua pesquisa foi apoiada por agências federais, incluindo a National Science Foundation e o Office of Naval Research, bem como por parceiros da indústria. Ele continua a investigar questões fundamentais em aprendizado e tomada de decisão sob incerteza.