Mario Garza Fabre

Investigador Titular "Cinvestav 3B", SNII 1

Departamento: Cinvestav Tamaulipas

Teléfono: 834 107 0220. Ext 1136

Correo electrónico: mario.garza@cinvestav.mx

Semblanza:

El Dr. Mario Garza Fabre obtuvo el grado de Ingeniero en Sistemas Computacionales por el Tecnológico Nacional de México, en 2007, así como los grados de Maestro y Doctor en Ciencias de la Computación por la Unidad Tamaulipas del Cinvestav, en 2009 y 2014, respectivamente. Previo a su incorporación a la Unidad Tamaulipas en 2018, laboró como Investigador Asociado para la Universidad de Manchester (2015 – 2017) y para la Universidad Liverpool John Moores (2017 – 2018), en Reino Unido. Desde 2018, es miembro del Sistema Nacional de Investigadores, contando actualmente con la distinción de Investigador Nacional Nivel 1 (Área VII – Ingenierías).

Líneas de investigación:

• Optimización (Optimization).
• Inteligencia Computacional (Computational Intelligence).
• Metaheurísticas Bioinspiradas (Bioinspired Metaheuristics).
• Cómputo Evolutivo (Evolutionary Computing).
• Aprendizaje Automático Evolutivo (Evolutionary Machine Learning).

Proyectos relevantes:

• Desarrollo de métodos de computación evolutiva multi-objetivo con módulo automatizado de toma de decisiones y su aplicación a tres problemas prácticos difíciles de diferentes dominios. Proyecto No. 262 del Fondo SEP-Cinvestav de Apoyo a la Investigación, 2018.

Publicaciones recientes y/o relevantes:

• Handl, J., Garza-Fabre, M., José-García, A., Evolutionary Clustering and Community Detection, Banzhaf, W., Machado, P., Zhang, M. (eds) Handbook of Evolutionary Machine Learning. Genetic and Evolutionary Computation. Springer, Singapore, pp. 817-831, 2024. ISBN: 978-981-99-3814-8. https://doi.org/10.1007/978-981-99-3814-8_6
• M. Garza-Fabre, J. Handl, and A. José-García, Evolutionary Multi-objective Clustering Over Multiple Conflicting Data Views, IEEE Transactions on Evolutionary Computation, vol. 27, no. 4, pp. 817-831, 2023. ISSN: 1089-778X. https://doi.org/10.1109/TEVC.2022.3220187
• C. C. Erazo-Agredo, L. Diez, R. Agüero, M. Garza-Fabre, J. Rubio-Loyola, Enabling realistic experimentation of disaggregated RAN: Design, implementation, and validation of a modular multi-split eNodeB, Computer Networks, vol. 235, pp. 109993, 2023. ISSN: 1389-1286. https://doi.org/10.1016/j.comnet.2023.109993
• M. Garza-Fabre, A. L. Sánchez-Martínez, E. Aldana-Bobadilla, and R. Landa, Decision Making in Evolutionary Multiobjective Clustering: A Machine Learning Challenge, IEEE Access, vol. 10, pp. 117281-117303, 2022. ISSN: 2169-3536. https://doi.org/10.1109/ACCESS.2022.3219854
• Erazo-Agredo, C. C. and Garza-Fabre, M. and Agüero, R. and Diez, L. and Serrat, J. and Rubio-Loyola, J., Joint Route Selection and Split Level Management for 5G C-RAN, IEEE Transactions on Network and Service Management, vol. 18, no. 4, pp. 4616-4638, 2021. ISSN: 1932-4537. https://doi.org/10.1109/TNSM.2021.3091543
• A. José-García, J. Handl, W. Gómez-Flores, and M. Garza-Fabre, An Evolutionary Many-Objective Approach to Multiview Clustering Using Feature and Relational Data, Applied Soft Computing, vol. 108, pp. 107425, 2021. ISSN: 1568-4946. https://doi.org/10.1016/j.asoc.2021.107425
• M. Garza-Fabre, J. Handl, and J. Knowles, An Improved and More Scalable Evolutionary Approach to Multiobjective Clustering, IEEE Transactions on Evolutionary Computation, vol. 22, no. 4, pp. 515-535, 2018. ISSN: 1089-778X. https://doi.org/10.1109/TEVC.2017.2726341
• M. Garza-Fabre, S. M. Kandathil, J. Handl, J. Knowles, and S. C. Lovell, Generating, Maintaining, and Exploiting Diversity in a Memetic Algorithm for Protein Structure Prediction, Evolutionary Computation, vol. 24, no. 4, pp. 577-607, 2016. ISSN: 1063-6560. https://doi.org/10.1162/EVCO_a_00176