-
Probabilidad y Estadística (04/2023 - a la fecha)
Grupo financiado por la CSIC. Responsable de la línea "Grandes desvíos pen procesos estocásticos".
El grupo de Probabilidad y Estadística reúne actualmente docentes y estudiantes de grado y posgrado del Centro de Matemática de la Facultad de Ciencias, del Instituto de Matemática y Estadística «Rafael Laguardia» de la Facultad de Ingeniería, del Departamento de Métodos Cuantitativos de la Facultad de Ciencias Económicas y Administración, del Departamento de Matemática y Estadística del Litoral del Centro Universitario del Litoral Norte, del Centro Universitario del Noreste, y del Departamento de Modelización Estadística de Datos e Inteligencia Artificial del Centro Universitario de la Región Este. Puede considerarse la continuación de la tarea de investigación iniciada por Cesáreo Villegas sobre estadística bayesiana en la época de Laguardia y Massera, y continuada luego por Enrique Cabaña. Re-inició sus actividades post-dictadura con el Seminario de Probabilidad y Estadística dirigido por Gonzalo Pérez Iribarren, reintegrándose en ese período Mario Wschebor y Ricardo Fraiman. Para más información sobre la historia y desarrollo del grupo, ver aquí. El grupo fue financiado en la convocatoria de Grupos I+D 2022 de la CSIC.
5 horas semanales
Facultad de Ingeniería , IMERL
Investigación
Integrante del Equipo
En Marcha
RRHH formados en el proyecto:
Doctorado:3
Financiación:
Comisión Sectorial de Investigación Científica, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , MORDECKI, E. (Responsable) , DALMAO, Federico. (Responsable)
-
Centro Interdisciplinario en Ciencia de Datos y Aprendizaje Automático (12/2020 - a la fecha)
Con CICADA buscamos la creación y consolidación de un espacio académico que potencie la investigación, el intercambio, la formación y la divulgación en el área del análisis de datos, tanto en sus fundamentos y métodos como en su aplicación a las diferentes disciplinas y las áreas interdisciplinares.
El campo de la Ciencia de Datos (CD) tiene un gran potencial de acercar comunidades de investigadores diferentes, aproximaciones metodológicas diversas y marcos teóricos que pueden ser difíciles de integrar de otra forma debido a la fragmentación conceptual o las dificultades técnicas. El trabajo en esta área se vuelve un terreno único de exploración interdisciplinaria desde un aspecto que se inicia metodológico, permitiendo el descubrimiento de factores comunes, fomentando la polinización cruzada de disciplinas y la emergencia de campos híbridos.
Varias de estas líneas han sido transitadas en la UdelaR por diversos investigadores e investigadoras incursionando en trabajos, por lo menos, multidisciplinarios. Son ejemplos de ello los desarrollados en torno a la genómica y bioinformática, el procesamiento de imágenes médicas, los análisis epidemiológicos, los trabajos de ecología y ciencias ambientales, investigaciones en neurociencias y educación, y aquellos que abarcan el procesamiento de lenguaje natural.
CICADA se construye sobre esta base, buscando proyectar y profundizar las experiencias previas, integrando nuevos campos disciplinares y abordando nuevas preguntas y formas de interacción e integración.
Los objetivos de CICADA son:
1. Desarrollar un programa de investigación interdisciplinario, multi-institucional centrado en los fundamentos de la CD y su aplicación a dominios como ecología, bioinformática, biomedicina y educación, entre otros.
2. Contribuir a la formación de recursos humanos en el área de CD de forma interdisciplinaria. Para esto se impulsará la creación de cursos interdisciplinarios tanto a nivel de grado como de posgrado. Se buscará la creación de un programa de formación específico, así como la incorporación de cursos del área en otros programas de formación.
3. Crear una red de investigadores, estudiantes y profesionales relacionados con el área de CD dentro de la Universidad de la República.
4. Buscar la integración a dicha red de grupos internacionales con énfasis en la región a través de la organización de eventos de intercambio y divulgación de nuevos conocimientos.
5. Fomentar y establecer un espacio de intercambio y construcción de conocimiento con actores de la sociedad civil vinculados a la temática de CD en nuestro país.
6. Fomentar la discusión en la sociedad toda sobre los aspectos de ética, sesgo y discriminación asociados a la CD.
El proyecto CICADA fue renovado recientemente por un nuevo período de cinco años hasta 2030 en un proceso muy competitivo. Se agregan nuevas áreas temáticas como IA Responsable y Fundamentos Matemáticos de la CD. Además de un gran número de publicaciones y formación de RRHH destacamos la organización de dos escuelas interdisciplinarias y un congreso regional.
15 horas semanales
Universidad de la República , Espacio Interdisciplinario
Otra
Coordinador o Responsable
En Marcha
RRHH formados en el proyecto:
Pregrado:8
Maestría/Magister:4
Doctorado:3
Financiación:
Espacio Interdisciplinario, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN (Responsable) , Héctor Romero (Responsable) , M ARIM , Alvaro Cabana , ETCHEVERRY, L. , FARIELLO, M.I. , FEDERICO LECUMBERRY
-
Geometría en Redes Complejas y Aplicaciones a Aprendizaje Automático (04/2025 - a la fecha)
El análisis, modelado, y optimización de redes complejas desde la perspectiva del aprendizaje automático es uno de los temas de mayor relevancia en la ciencia de datos actualmente. Las aplicaciones son innumerables, desde el descubrimiento de antibióticos y el desarrollo de estructuras moleculares hasta la predicción climática. Muchas de estas técnicas tienen como suposición fundamental la existencia de una geometría latente donde se ubican los nodos de la red, que son entonces interpretados como vectores de ese espacio. Esto simplifica enormemente tareas como visualización, predicción o agrupamiento (donde proximidad en la red se interpreta como cercanía en el espacio latente). Tradicionalmente, las técnicas de estimación de estos vectores (denominados embeddings) asumen una geometría euclidiana. Sin embargo, se ha demostrado recientemente que para reflejar comportamientos típicos de redes complejas (como distribución de grados con colas pesadas) se requiere una cantidad de dimensiones del orden del número de nodos, limitando su utilidad en estos escenarios. En este contexto surge la geometría hiperbólica como una representación alternativa capaz de reflejar estos comportamientos complejos con muy pocas dimensiones.
En este proyecto se pretende en primer lugar estudiar este nuevo enfoque y validar sus beneficios respecto a la representación euclídea. Existen varios métodos de estimación de embeddings en esta geometría, pero sus implementaciones están dispersas en distintos lenguajes y no están integradas a algún framework extendido en la comunidad. El primer paso será subsanar esta limitante y llevar adelante una comparación entre ambos enfoques en un conjunto benchmark de grafos estándar evaluando distintas métricas según la tarea (reconstrucción, predicción de enlaces, etc.). El objetivo es generar evidencia empírica, que tras un análisis matemático posterior permita determinar un criterio y fundamento teórico para decidir si ante una cierta aplicación es necesario recurrir a embeddings hiperbólicos.
Un segundo objetivo es extender las capacidades de estos modelos, en particular a escenarios de redes dinámicas. Dada su expresividad usando baja dimensionalidad, estos métodos son ideales para el análisis de redes donde las comunidades, número de nodos y su comportamiento cambian con el tiempo. La principal dificultad se encuentra en evitar re-calcular los embeddings a medida que la red evoluciona, tanto por su costo computacional como por inestabilidades de las estimaciones (un problema inherente a todo modelo basado en distancias).
Por último, estos embeddings son típicamente usados en arquitecturas de aprendizaje automático como las Graph Neural Networks (GNNs) como entrada adicional a la señal sobre cada nodo (y se los denomina Positional Encodings o PE en este contexto). En el caso de PE euclídeos la combinación con la señal es natural pues ambas provienen básicamente de la misma geometría, pero el caso hiperbólico genera interrogantes no-triviales. Cómo combinar ambos vectores, y cómo tomar en cuenta las ambigüedades inherentes al modelo, son desafíos que nos proponemos atacar en este proyecto.
En suma, el proyecto pretende avanzar sobre modelos que reflejan propiedades importantes de redes complejas reales, producir bibliotecas de software y benchmarks, así como extender las capacidades existentes a redes dinámicas y su inclusión en otras arquitecturas de aprendizaje.
5 horas semanales
Integrante del Equipo
En Marcha
RRHH formados en el proyecto:
Doctorado:1
Financiación:
Comisión Sectorial de Investigación Científica, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , MARCELO FIORI (Responsable) , LARROCA F. (Responsable) , GONZALO MATEOS , Matías Carrasco , B. Marenco , Sofia Perez
-
Grandes desvíos para el fenómeno de Peano (04/2025 - a la fecha)
Código: FCE_3_2024_1_180711, En este proyecto nos proponemos estudiar los grandes desvíos para familias de procesos estocásticos que son solución de perturbaciones estocásticas de una ecuación diferencial ordinaria para la cual ocurre el fenómeno de Peano. Decimos que ocurre el fenómeno de Peano cuando nos enfrentamos a una ecuación diferencial ordinaria (ODE) para la cual podemos probar la existencia de solución, pero no la unicidad. Por otro lado, si perturbamos esa ODE por un ruido gaussiano (parametrizado por un real positivo que tiende a cero), típicamente obtenemos que la ecuación diferencial estocástica (SDE) obtenida tiene una única solución (en ley). Típicamente, cuando el parámetro tiende a cero, los procesos estocásticos que son solución de la SDE convergen al conjunto de las soluciones de la ODE. El estudio de los grandes desvíos para estos procesos estocásticos permitiría identificar cuáles de las soluciones de la ODE pueden ser el límite de dichos procesos, lo que permite identificar cuáles de las (infinitas) soluciones de la ODE son ?más importantes?. Además, como parte del proyecto, nos proponemos formar recursos humanos en la teoría general de los grandes desvíos. La Teoría de los Grandes Desvíos tiene que ver con el estudio de las probabilidades de sucesos muy raros. Para entender por qué ciertos sucesos raros pueden ser importantes, basta con pensar en el enorme impacto que podría tener en nuestras vidas ganar la lotería. Por supuesto, este es el caso de un suceso raro con repercusiones positivas. Pero, por otro lado, también podríamos pensar en el enorme impacto que pueden tener los acontecimientos raros con consecuencias catastróficas, ya sea en términos de medio ambiente, economía, medios de transporte, comunicaciones, etcétera.
2 horas semanales
Integrante del Equipo
En Marcha
RRHH formados en el proyecto:
Pregrado:1
Financiación:
Agencia Nacional de Investigación e Innovación, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , V. Goicoechea (Responsable) , J.R. León
-
Machine Learning con garantías matemáticas (03/2024 - a la fecha)
Desarrollos recientes en la aplicación del aprendizaje profundo han hecho de las redes neuronales una tecnología clave que se espera ocupe un papel preponderante en la sociedad a corto plazo. A medida que la importancia de estas tecnologías aumenta, el estudio y comprensión de sus limitaciones se hacen más importantes para la sociedad como conjunto. Fenómenos como la susceptibilidad de los modelos de imagen a corrupción adversaria, que revela la fragilidad de las redes neuronales, o la propensión de los modelos de lenguaje a producir "alucinaciones", entre otras, hacen fundamental la construcción de algoritmos de aprendizaje automático que incorporen garantías formales de calidad y rendimiento.
En este proyecto proponemos varias arquitecturas novedosas de ML que vienen acompañadas de certificados (es decir de demostraciones matemáticas) de la calidad de sus resultados. En concreto, desarrollaremos algoritmos de aprendizaje por reforzamiento para construir soluciones aproximadas de problemas NP-completos con garantías de calidad, combinando ideas de RL y trabajos recientes en optimización combinatoria y geometría discreta. Así mismo desarrollaremos un nuevo paradigma para entrenar arquitecturas de redes neuronales basadas en grafos (GNNs) que simultáneamente construye demostraciones de su estabilidad. Estos algoritmos fundacionales tienen una enorme cantidad de aplicaciones concretas y se pondrán a disposición de actores académicos y de la industria como implementaciones de código abierto, aumentando la capacidad científica y técnica del país.
_______________________________________________
5 horas semanales
Facultad de Ingeniería , IMERL
Investigación
Integrante del Equipo
En Marcha
RRHH formados en el proyecto:
Maestría/Magister:1
Doctorado:1
Financiación:
Agencia Nacional de Investigación e Innovación, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , Mauricio Velasco (Responsable) , MARCELO FIORI (Responsable) , LARROCA F. , Gonzalo Mateos , Soledad Villar , Gustavo Vazquez , Mateo Diaz , Teresa Huang , Kaijing Xie
-
Matemática Inicial: videos interactivos para el aprendizaje (03/2024 - 07/2025 )
El proyecto busca incorporar a las estrategias didácticas materiales educativos audiovisuales interactivos que presentan los conceptos centrales y faciliten al estudiante autoevaluarse previo al aula. Esto permitirá consolidar un núcleo de materiales comunes que ayudará a fortalecer y ampliar la propuesta de MI para la mayor cantidad de estudiantes ingresantes que diagnostican un bajo rendimiento en matemática.
MI surge como respuesta institucional ante la dificultad de los estudiantes ingresantes, buscando atender el problema de la adaptación entre la Educación Media y la Universidad. La estrategia del curso continuará centrada en el trabajo activo en el aula, en grupos reducidos, con dos docentes guiando el proceso del estudiante. El proyecto permitirá incluir en las estrategias didácticas los nuevos materiales educativos, favorecer la autoevaluación de los estudiantes y su compromiso con su aprendizaje. De esta forma, se busca mejorar el desempeño de los estudiantes en MI y posteriormente en los cursos de primer año de matemática
2 horas semanales
Facultad de Ingeniería , IMERL
Otra
Integrante del Equipo
Concluido
Financiación:
Comisión Sectorial de Enseñanza, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , Dalia Artenstein (Responsable) , Clara Raimondi , Leandro Cabrera
-
Métodos espectrales eficientes para representación y análisis de grafos de gran escala (04/2023 - 03/2025 )
La extracción de patrones e información accionable a partir de datos en grafos es actualmente uno de los temas más importantes en aprendizaje automático. A diferencia del audio o imágenes, la no-regularidad en la estructura de los datos dificulta enormemente las tareas de predicción o clasificación. El objetivo en aprendizaje de representaciones en grafos es aprender un vector por nodo (embedding) que pueda ser usado en la tarea aguas-abajo correspondiente; por ejemplo, en agrupamiento en comunidades deberá guardar relación con su vecindad, o en clasificación deberá servir para predecir su etiqueta.
Si bien los datos en grafos son ubicuos en muchas aplicaciones, el uso de estas herramientas aún es incipiente y se sigue recurriendo mayoritariamente a técnicas tradicionales. Éstas no logran capturar la estructura relacional de los datos, perdiendo así capacidad de generalización.
Nos enfocaremos principalmente en el modelo Random Dot Product Graphs (RDPGs) cuya representación espectral es muy atractiva por sus propiedades de consistencia estadística y su alto nivel de interpretabilidad. Sin embargo, el estado el arte en el aprendizaje de dichas representaciones presenta algunas limitaciones: 1) se basa en la descomposición espectral de una matriz, por lo que se torna prohibitivo para grafos de mediano/gran tamaño, 2) no permite trabajar con datos faltantes, 3) la naturaleza invariante bajo rotaciones de la solución dificulta su uso para realizar seguimiento de representaciones en secuencias de grafos.
En este proyecto buscamos resolver de forma más precisa el problema de representación, a un costo computacional mucho más bajo, y bajo un escenario más general que permita incorporar datos faltantes. Además, buscamos brindar garantías teóricas en el uso de métodos de detección de cambios en secuencias de grafos, caracterizando completamente el delay (tiempo entre que ocurre un cambio y es detectado).
Finalmente, aplicaremos las soluciones encontradas en problemas de interés con datos reales y de gran tamaño, aprovechando la escalabilidad del método resultante.
10 horas semanales
Facultad de Ingeniería , IMERL
Investigación
Integrante del Equipo
Concluido
RRHH formados en el proyecto:
Maestría/Magister:1
Doctorado:1
Financiación:
Comisión Sectorial de Investigación Científica, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , LARROCA F. (Responsable) , MARCELO FIORI (Responsable) , B. Marenco , GONZALO MATEOS , Sofía Perez
-
Learning and Control on Complex Networks (12/2022 - 12/2024 )
Código: MOV_CO_2022_1_1011513 Through the creation and consolidation of strong research and formation exchanges between Argentina, France and Uruguay, the LAGOON project will contribute to the fields of learning applied to network structures.
Some of the challenges this project will address are:
- Stochastic matching problems on random graphs,
- Graph detections and representation learning,
- Boosting exploration mechanisms for reinforcement learning on models with sparse and rare rewards
- Distance learning algorithms based on Euclidean percolation.
5 horas semanales
Facultad de Ingeniería , IMERL
Investigación
Coordinador o Responsable
Concluido
RRHH formados en el proyecto:
Doctorado:5
Financiación:
Agencia Nacional de Investigación e Innovación, Uruguay, Cooperación
Equipo:
PAOLA BERMOLEN (Responsable) , Matthieu Jonckheere (Responsable)
-
Técnicas de Aprendizaje Federado para el análisis de datos sensibles: aplicación al caso de analíticas de aprendizaje (03/2021 - 03/2023 )
El concepto de aprendizaje federado busca construir modelos de aprendizaje automático basados en conjuntos de datos que se distribuyen a través de múltiples dispositivos y al mismo tiempo evitan la fuga de datos. Se basa en realizar el entrenamiento de modelos estadísticos en dispositivos remotos o centros de datos aislados, sin transferir los datos a repositorios centralizados. El entrenamiento en redes heterogéneas y potencialmente masivas presenta desafíos novedosos que requieren una desviación fundamental de los enfoques estándar para el aprendizaje automático a gran escala, la optimización distribuida y el análisis de datos que preservan la privacidad. En este proyecto se busca estudiar la aplicabilidad de este enfoque en el contexto de las analíticas de aprendizaje.
5 horas semanales
Facultad de Ingeniería , IMERL
Investigación
Integrante del Equipo
En Marcha
RRHH formados en el proyecto:
Pregrado:2
Financiación:
Agencia Nacional de Investigación e Innovación, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN , ETCHEVERRY, L. (Responsable) , G. CAPDEHOURAT , FARIELLO, M.I. , Agustín Tornaria , Christian Facciola
-
Curso Propedéutico Pretemporada de Matemática (02/2022 - 04/2022 )
La pandemia tuvo como uno de sus efectos más notorios las dificultades generadas por la suspensión de actividades presenciales en la enseñanza. Esto tuvo un impacto particularmente importante en los estudiantes que ingresaron en 2020 y 2021 a la Universidad. Para tratar de mitigar esta situación se plantearon cursos propedéuticos. Desde la Facultad de Ingeniería se propuso un curso propedéutico de matemática para el área científico -teconólogica.
El curso tiene como objetivo principal cubrir algunos de los aspectos necesarios para poder realizar los cursos básicos de matemática de primer año de los servicios citados anteriormente.
Se espera entonces que el estudiante refuerce aspectos operativos pero también sea consciente de los aspectos fundamentales del razonamiento matemático imprescindibles para acceder a cualquier curso universitario de matemática del área científico-tecnológica.
Estas competencias serán desarrolladas y evaluadas en un conjunto de contenidos específicos. Se espera que estos contenidos sean en alguna medida ya conocidos por los estudiantes.
2 horas semanales
Facultad de Ingeniería , IMERL
Otra
Coordinador o Responsable
Concluido
RRHH formados en el proyecto:
Doctorado:2
Equipo:
PAOLA BERMOLEN (Responsable) , LANZILOTTA, M. (Responsable) , Dalia Artenstein (Responsable) , Verónica Rumbo , F. Carrasco , Luis Piñeyrua
-
Curso Propedéutico Matemática Inicial (02/2021 - 04/2021 )
Llamado de la CSE para promover el acceso a curso de propedéuticos para ingresantes al área científico-tecnólogía de la UdelaR.
3 horas semanales
Facultad de Ingeniería , IMERL
Otra
Coordinador o Responsable
Concluido
RRHH formados en el proyecto:
Pregrado:1
Especialización:1
Maestría/Magister:1
Equipo:
PAOLA BERMOLEN
-
Estimación del porcentaje de reporte de casos de Covid-19 en Uruguay (08/2020 - 01/2021 )
Sistemas eficientes y confiables de vigilancia y registro de
casos de COVID-19 son imprescindibles para el correcto
monitoreo de la enfermedad. Muchas veces, esta información
es la base de la toma de decisiones y de la planificación de
medidas, que pueden ir desde al aumento de número de test a
realizar, testeos dirigidos a poblaciones específicas,
modificaciones en los sistemas de salud, aumento del número
de camas en cti, etc. Es imprescindible entonces conocer, hasta
qué punto los casos reportados representan el verdadero
desarrollo de la enfermedad. Uno de los principales problemas
para evaluar la situación del país en cuanto a la epidemia de
COVID-19 es que la cantidad de casos detectados y reportados
es sólo una parte de la cantidad de casos reales. Este es un
aspecto frecuente en datos epidemiológicos y se debe a
diversas razones: la existencia de pacientes asintomáticos, la
existencia de pacientes con síntomas leves que no consultan,
limitantes en el acceso y la solicitud de tests diagnóstico, entre
otras. Sin embargo, poder estimar el estado real de la
enfermedad en el país, ahora y en el futuro, es un aspecto
crucial para el manejo de la epidemia. En este proyecto nos
proponemos estimar la cantidad de casos reales a partir de la
cantidad de casos críticos y/o muertes observados.
Consideramos comos casos críticos aquellos pacientes que
ingresaron a cuidados intermedios, cuidados intensivos o
fallecieron. Debido a la intensa atención médica que requieren,
es poco probable que un caso crítico con coronavirus no sea
identificado y reportado, por lo que esta cifra es más confiable
que el número de casos reportados. En la nota 3 del GUIAD
Covid 19 se presentó una primera aproximación al problema
que indicaba un porcentaje de reporte de poco más del 60% de
sintomáticos. En la misma adaptamos el método descrito por
Russell et. al.
https://cmmid.github.io/topics/covid19/global_cfr_estimates.html.
Por último, cabe señalar la importancia de analizar las
variaciones temporales de este porcentaje. Incluso en caso de
no tener una estimación muy precisa de los casos no
reportados, el hecho de que éstos se mantengan en porcentaje
constante en el tiempo ya es información valiosa para el
análisis de la epidemia y la toma de decisiones asociada. Por
este motivo se incluyen métodos que permiten analizar dicha
variación temporal más allá de los análisis que surgen de
utilizar datos parciales hasta diferentes fechas.
5 horas semanales
Facultad de Ingeniería , IMERL
Investigación
Coordinador o Responsable
Concluido
RRHH formados en el proyecto:
Doctorado:1
Financiación:
Comisión Sectorial de Investigación Científica, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN (Responsable) , Herrera-Esposito, Daniel (Responsable) , FARIELLO, M.I. , ING. , PACIEL D , Mariana Guirado , Hugo Naya
-
Fondo Fomento de las Ingenierías (04/2018 - 07/2020 )
Esta propuesta apunta a atender las dificultades de los estudiantes ingresantes a Facultad de Ingeniería para completar en los tiempos previstos los cursos de Matemática de primer año. La problemática que se pretende atender es compleja, común con otras instituciones terciarias del mundo, y ha sido relevada y analizada en la literatura. En Facultad de Ingeniería, los fenómenos de rezago en la primera etapa de los estudios han sido identificados y cuantificados en diversos trabajos de la Unidad de Enseñanza y guardan cierta relación con la situación de los estudiantes al ingreso evaluada según los diagnósticos iniciales que la Facultad aplica sistemáticamente (Herramienta Diagnóstica al Ingreso-HDI). Se propone entonces un trayecto alternativo con el objetivo de preparar mejor a los estudiantes para afrontar los cursos iniciales de matemática de nivel terciario. En particular se propone la creación de un nuevo curso semestral denominado ?Matemática Inicial? (MI). El curso tiene como objetivo principal el cubrir aspectos necesarios para transitar con éxito los cursos de matemática del ciclo básico, que se constata no están presentes en muchos de los estudiantes que ingresan a la Facultad.
5 horas semanales
Facultad de Ingeniería , IMERL
Otra
Coordinador o Responsable
Concluido
Financiación:
Agencia Nacional de Investigación e Innovación, Uruguay, Apoyo financiero
Equipo:
PAOLA BERMOLEN (Responsable) , LANZILOTTA, M. (Responsable)