Leonardo Rocha
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Leonardo Rocha has a total of 290 co-authors. Here are the top co-authors by number of shared publications:
- Marcos André Gonçalves
Federal University of Minas Gerais, Belo Horizonte, Brazil
28 shared publications - Diego Roberto Colombo Dias
Universidade Federal do Espírito Santo (UFES)
25 shared publications - Washington Cunha
Universidade Estadual de Campinas
21 shared publications - Elisa Tuler
Universidade Federal de São João del Rei (UFSJ)
18 shared publications - Adriano César Machado Pereira
Universidade Federal de Minas Gerais
14 shared publications - Celso França
Federal University of Minas Gerais, Belo Horizonte, Brazil
14 shared publications
Latest Publications
- Open Access
- 6 November 2026
- Published by Association for Computing Machinery (ACM)
- p. 3549-3559
LSRTopic: Contextual Sparse Topic Modeling via Corpus-Vocabulary Alignment
- 6 November 2026
- Published by Association for Computing Machinery (ACM)
- p. 3549-3559
Open AccessLSRTopic: Contextual Sparse Topic Modeling via Corpus-Vocabulary Alignment
- 3 October 2026
- Published by Springer Nature
- p. 19-33
Edge AI or Offloading? A Multi-dimensional Evaluation of Object Detection Deployment
- 3 October 2026
- Published by Springer Nature
- p. 19-33
Edge AI or Offloading? A Multi-dimensional Evaluation of Object Detection Deployment
- 8 September 2026
- Published by Sociedade Brasileira de Computação
- p. 791-797
Quando Comentários e Notas Discordam: Implicações para Sistemas de Recomendação Baseados em Reviews
Este trabalho investiga a relação entre notas e comentários no contexto de recomendação, avaliando inconsistências entre essas duas formas de interação, o potencial de notas inferidas a partir do texto e o impacto efetivo dos comentários em modelos Review-Aware Recommender Systems (RARs). Para isso, avaliamos três modelos estado-da-arte em três coleções amplamente utilizadas e empregamos a versão zero-shot do BERT para converter comentários em valores numéricos na mesma escala das notas originais. Os resultados mostram que há discrepâncias relevantes entre nota e comentário, que notas inferidas a partir do texto podem recuperar mais itens relevantes e que os RARs avaliados permanecem fortemente dependentes da nota original.
- 8 September 2026
- Published by Sociedade Brasileira de Computação
- p. 791-797
Quando Comentários e Notas Discordam: Implicações para Sistemas de Recomendação Baseados em Reviews
Este trabalho investiga a relação entre notas e comentários no contexto de recomendação, avaliando inconsistências entre essas duas formas de interação, o potencial de notas inferidas a partir do texto e o impacto efetivo dos comentários em modelos Review-Aware Recommender Systems (RARs). Para isso, avaliamos três modelos estado-da-arte em três coleções amplamente utilizadas e empregamos a versão zero-shot do BERT para converter comentários em valores numéricos na mesma escala das notas originais. Os resultados mostram que há discrepâncias relevantes entre nota e comentário, que notas inferidas a partir do texto podem recuperar mais itens relevantes e que os RARs avaliados permanecem fortemente dependentes da nota original.
- Open Access
- 5 September 2026
- Published by Association for Computing Machinery (ACM)
- p. 72-83
Link-Traced Amplification: How Telegram Redistributes YouTube Political Content at Scale
- 5 September 2026
- Published by Association for Computing Machinery (ACM)
- p. 72-83
Open AccessLink-Traced Amplification: How Telegram Redistributes YouTube Political Content at Scale
- Open Access
- 19 July 2026
- Published by Sociedade Brasileira de Computação
- p. 77-86
Relato de Experiência na Avaliação em Larga Escala de Estratégias de Undersampling para Redução de Viés em Classificação de Texto Baseada em SLMs/LLMs
Este artigo apresenta um relato de experiência sobre o uso da infraestrutura em nuvem da AWS para viabilizar uma ampla avaliação de métodos de undersampling em Classificação Automática de Texto (CAT) com SLMs e LLMs. O protocolo experimental envolveu 21 técnicas de undersampling, 13 bases de dados, com até 1,3 milhão de instâncias, e modelos como RoBERTa e Llama 3.1, impondo demandas computacionais massivas e heterogêneas. A solução adotou o Amazon S3 como data lake e instâncias EC2 especializadas: c6a.8xlarge para balanceamento de dados e g4dn.xlarge/g5.xlarge para fine-tuning e inferência. A nuvem permitiu padronizar o ambiente experimental, paralelizar execuções e assegurar rigor metodológico na análise de desempenho e tempo.
- 19 July 2026
- Published by Sociedade Brasileira de Computação
- p. 77-86
Open AccessRelato de Experiência na Avaliação em Larga Escala de Estratégias de Undersampling para Redução de Viés em Classificação de Texto Baseada em SLMs/LLMs
Este artigo apresenta um relato de experiência sobre o uso da infraestrutura em nuvem da AWS para viabilizar uma ampla avaliação de métodos de undersampling em Classificação Automática de Texto (CAT) com SLMs e LLMs. O protocolo experimental envolveu 21 técnicas de undersampling, 13 bases de dados, com até 1,3 milhão de instâncias, e modelos como RoBERTa e Llama 3.1, impondo demandas computacionais massivas e heterogêneas. A solução adotou o Amazon S3 como data lake e instâncias EC2 especializadas: c6a.8xlarge para balanceamento de dados e g4dn.xlarge/g5.xlarge para fine-tuning e inferência. A nuvem permitiu padronizar o ambiente experimental, paralelizar execuções e assegurar rigor metodológico na análise de desempenho e tempo.
- Open Access
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 466-472
Interpretabilidade Mecanística Dinâmica para Modelos Fundacionais Tabulares na Saúde
Modelos Fundacionais Tabulares (TFMs) apresentam alto desempenho preditivo, mas permanecem vulneráveis ao desvio temporal (drift) na saúde. Propomos um arcabouço de Interpretabilidade Mecanística Dinâmica que os torna auditáveis e sensíveis ao tempo. Nosso pipeline processa representações internas em lotes e usa Sparse Autoencoders (SAEs) para separar padrões de ativação sobrepostos. Ao adaptar Testing with Concept Activation Vectors com árvores de decisão substitutas, identificamos padrões de risco clínico sem anotações manuais. Em um registro longitudinal de diálise renal, a abordagem mostra que as previsões se apoiam em conceitos latentes estáveis, distinguindo o desvio populacional de mudanças no raciocínio interno do modelo.
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 466-472
Open AccessInterpretabilidade Mecanística Dinâmica para Modelos Fundacionais Tabulares na Saúde
Modelos Fundacionais Tabulares (TFMs) apresentam alto desempenho preditivo, mas permanecem vulneráveis ao desvio temporal (drift) na saúde. Propomos um arcabouço de Interpretabilidade Mecanística Dinâmica que os torna auditáveis e sensíveis ao tempo. Nosso pipeline processa representações internas em lotes e usa Sparse Autoencoders (SAEs) para separar padrões de ativação sobrepostos. Ao adaptar Testing with Concept Activation Vectors com árvores de decisão substitutas, identificamos padrões de risco clínico sem anotações manuais. Em um registro longitudinal de diálise renal, a abordagem mostra que as previsões se apoiam em conceitos latentes estáveis, distinguindo o desvio populacional de mudanças no raciocínio interno do modelo.
- Open Access
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 432-437
Um Estudo Comparativo de Estratégias de Seleção de Exemplos para In-Context Learning Aplicado à Classificação Automática de Texto com LLMs
A Classificação Automática de Texto com LLMs pode ser realizada via zero-shot (ZS) (baixo custo e menor desempenho) ou por fine-tuning (FT) (maior custo e maior desempenho). Este trabalho investiga o in-context learning (ICL) como alternativa intermediária, analisando o trade-off entre efetividade e eficiência. Avaliamos estratégias de seleção de exemplos, comparando abordagem aleatória e métodos baseados em representações vetoriais (TF-IDF, RoBERTa, SBERT e LLM2Vec), além da variação do número de exemplos nos prompts. Os resultados indicam que boas estratégias de seleção tornam o ICL promissor, superando o ZS em efetividade com custo inferior ao FT. Ainda assim, o melhor custo-benefício permanece com o FT de SLMs como o RoBERTa.
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 432-437
Open AccessUm Estudo Comparativo de Estratégias de Seleção de Exemplos para In-Context Learning Aplicado à Classificação Automática de Texto com LLMs
A Classificação Automática de Texto com LLMs pode ser realizada via zero-shot (ZS) (baixo custo e menor desempenho) ou por fine-tuning (FT) (maior custo e maior desempenho). Este trabalho investiga o in-context learning (ICL) como alternativa intermediária, analisando o trade-off entre efetividade e eficiência. Avaliamos estratégias de seleção de exemplos, comparando abordagem aleatória e métodos baseados em representações vetoriais (TF-IDF, RoBERTa, SBERT e LLM2Vec), além da variação do número de exemplos nos prompts. Os resultados indicam que boas estratégias de seleção tornam o ICL promissor, superando o ZS em efetividade com custo inferior ao FT. Ainda assim, o melhor custo-benefício permanece com o FT de SLMs como o RoBERTa.
- Open Access
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 445-451
Representações Contextual-Esparsas na Modelagem de Tópicos: Ponderação, Expansão e Limitações
Este trabalho investiga o uso de representações contextual-esparsas na Modelagem de Tópicos (MT), buscando preservar a interpretabilidade das representações esparsas e incorporar informações semânticas provenientes do contexto. Para analisar os efeitos da ponderação e da expansão contextual de termos produzidas pelo SPLADE, propomos três configurações: Padrão, Corte Global e Interseção. A avaliação considera as coleções ACM, WOS e 20NG, comparando as configurações propostas com diferentes abordagens de MT. Os resultados mostram que a Interseção alcança desempenho competitivo com as melhores abordagens avaliadas, enquanto as configurações que preservam a expansão não apresentam ganhos consistentes. A partir desse resultado, analisamos os termos expandidos pelo SPLADE e identificamos uma incompatibilidade entre o vocabulário do modelo e o das coleções. Esses resultados reforçam a importância da ponderação contextual e apontam desafios para o uso da expansão semântica em MT.
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 445-451
Open AccessRepresentações Contextual-Esparsas na Modelagem de Tópicos: Ponderação, Expansão e Limitações
Este trabalho investiga o uso de representações contextual-esparsas na Modelagem de Tópicos (MT), buscando preservar a interpretabilidade das representações esparsas e incorporar informações semânticas provenientes do contexto. Para analisar os efeitos da ponderação e da expansão contextual de termos produzidas pelo SPLADE, propomos três configurações: Padrão, Corte Global e Interseção. A avaliação considera as coleções ACM, WOS e 20NG, comparando as configurações propostas com diferentes abordagens de MT. Os resultados mostram que a Interseção alcança desempenho competitivo com as melhores abordagens avaliadas, enquanto as configurações que preservam a expansão não apresentam ganhos consistentes. A partir desse resultado, analisamos os termos expandidos pelo SPLADE e identificamos uma incompatibilidade entre o vocabulário do modelo e o das coleções. Esses resultados reforçam a importância da ponderação contextual e apontam desafios para o uso da expansão semântica em MT.
- Open Access
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 473-480
Calibração de Sistemas de Recomendação com LLMs: Efeitos da Otimização de Prompts sobre Precisão, Diversidade e Justiça
Sistemas de Recomendação (SsR) são essenciais em plataformas digitais, mas enfrentam problemas como o viés de popularidade, que reduz diversidade e justiça. Técnicas de calibração buscam alinhar recomendações às preferências do usuário, geralmente por pós-processamento. Com o surgimento de Modelos de Linguagem de Grande Escala (LLMs), como o Llama, a engenharia de prompts surge como alternativa para personalização. Este estudo investiga a calibração baseada em LLMs e a compara a métodos tradicionais. Também avaliamos diferentes estratégias de prompts por métricas de acurácia, diversidade e justiça. Os resultados indicam que LLMs podem melhorar simultaneamente personalização e equidade nos sistemas de recomendação.
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 473-480
Open AccessCalibração de Sistemas de Recomendação com LLMs: Efeitos da Otimização de Prompts sobre Precisão, Diversidade e Justiça
Sistemas de Recomendação (SsR) são essenciais em plataformas digitais, mas enfrentam problemas como o viés de popularidade, que reduz diversidade e justiça. Técnicas de calibração buscam alinhar recomendações às preferências do usuário, geralmente por pós-processamento. Com o surgimento de Modelos de Linguagem de Grande Escala (LLMs), como o Llama, a engenharia de prompts surge como alternativa para personalização. Este estudo investiga a calibração baseada em LLMs e a compara a métodos tradicionais. Também avaliamos diferentes estratégias de prompts por métricas de acurácia, diversidade e justiça. Os resultados indicam que LLMs podem melhorar simultaneamente personalização e equidade nos sistemas de recomendação.
- Open Access
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 452-458
Uma Abordagem Híbrida para Sistemas de Recomendação com Base em Avaliações Textuais e Filtragem Colaborativa
Sistemas de recomendação (SsR) utilizam cada vez mais avaliações textuais para aprimorar a modelagem de preferências. Embora os SsR baseados em revisões (RARs) capturem nuances semânticas, apresentam dificuldades em lidar com padrões colaborativos. A filtragem colaborativa (FC) tradicional é robusta em relações estruturais, mas limitada na semântica. Propomos uma abordagem híbrida que integra representações semânticas derivadas de RARs em modelos de FC. Avaliada em três conjuntos de dados da Amazon, nossa proposta demonstra que os modelos híbridos superam os modelos de referência, alcançando um erro de previsão até 2,8 vezes menor e uma precisão 60% maior, destacando seu potencial para recomendações robustas e contextualizadas.
- 10 July 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 452-458
Open AccessUma Abordagem Híbrida para Sistemas de Recomendação com Base em Avaliações Textuais e Filtragem Colaborativa
Sistemas de recomendação (SsR) utilizam cada vez mais avaliações textuais para aprimorar a modelagem de preferências. Embora os SsR baseados em revisões (RARs) capturem nuances semânticas, apresentam dificuldades em lidar com padrões colaborativos. A filtragem colaborativa (FC) tradicional é robusta em relações estruturais, mas limitada na semântica. Propomos uma abordagem híbrida que integra representações semânticas derivadas de RARs em modelos de FC. Avaliada em três conjuntos de dados da Amazon, nossa proposta demonstra que os modelos híbridos superam os modelos de referência, alcançando um erro de previsão até 2,8 vezes menor e uma precisão 60% maior, destacando seu potencial para recomendações robustas e contextualizadas.