- esther.rodrigo@universidadeuropea.es
- Escuela de Ciencias, Ingeniería y Diseño - Valencia
Profesor adjunto
Dra. Esther Rodrigo Bonet
- Ciencias
- Ingeniería
Esther Rodrigo Bonet es doctora en Ingeniería por la Vrije Universiteit Brussel (VUB, Bélgica, 2024, con máxima distinción) e investigadora postdoctoral especializada en inteligencia artificial explicable y aprendizaje profundo sobre grafos.
Su carrera combina una formación de origen en Física (Universidad de Zaragoza) con más de cinco años de investigación aplicada en la Vrije Universiteit Brussel, el centro tecnológico imec y la Universitat de València, desarrollando modelos de IA guiados por la física para la modelización de la calidad del aire y, más recientemente, aplicados a la salud y la biología computacional.
Es autora de 16 publicaciones científicas, con 120 citas y el Best Student Paper Award en EUSIPCO 2024, y participa actualmente en los proyectos europeos ENACT (Horizon Europe) y BEE (Innoviris). Cuenta además con experiencia docente en la VUB (Cálculo aplicado, Procesado de Señal y Deep Learning) y ha supervisado 5 Trabajos Fin de Máster. En la Universidad Europea combina la docencia con la coordinación de un grado de nueva creación.
Formación académica
Doctorado en Ingeniería — Explainable and Physics-guided Graph Deep Learning for Air Pollution Modelling (con máxima distinción)
- Vrije Universiteit Brussel (VUB), Bélgica
- 2024
Máster en Applied Computer Science — 120 ECTS (Máxima Distinción)
- Vrije Universiteit Brussel (VUB), Bélgica
- 2017-2019
Grado en Física — 240 ECTS
- Universidad de Zaragoza, España
- 2013-2017
Máster en Profesorado de Educación Secundaria Obligatoria y Bachillerato — especialidad Matemáticas (nota media 9/10)
- Universidad de Zaragoza, España
- 2020-2022
Experiencia profesional
Titulaciones
Publicaciones
Physics-Guided Graph Convolutional Deep Equilibrium Network for Environmental Data (EUSIPCO 2024)
Best Student Paper Award en EUSIPCO 2024. Propone una nueva arquitectura de red neuronal sobre grafos que incorpora conocimiento físico para modelizar datos medioambientales de forma más precisa e interpretable.
GF-LRP: A Method for Explaining Predictions Made by Variational Graph Autoencoders (IEEE TETCI, 2024)
Método de explicabilidad para autoencoders variacionales sobre grafos, publicado en la revista IEEE Transactions on Emerging Topics in Computational Intelligence.
Explaining Graph Neural Networks with Topology-Aware Node Selection: Application in Air Quality Inference (IEEE TSIPN, 2022)
Método de explicabilidad basado en la topología de la red para redes neuronales de grafos, aplicado a la inferencia de la calidad del aire; una de sus publicaciones más citadas.
Physics-Guided Variational Graph Autoencoder for Air Quality Inference (ICASSP 2024)
Propone un autoencoder variacional sobre grafos guiado por la física para la inferencia de la calidad del aire, presentado en la conferencia IEEE ICASSP.
Conditional Variational Graph Autoencoder for Air Quality Forecasting (EUSIPCO 2022)
Modelo generativo sobre grafos para la predicción de la contaminación del aire a partir de datos de sensores urbanos.
Temporal Collaborative Filtering with Graph Convolutional Neural Networks (ICPR 2020)
Combina redes neuronales convolucionales sobre grafos y modelos recurrentes para mejorar los sistemas de recomendación, incorporando la evolución temporal de los datos.
An Integrated Sensing and AI Framework for EMF and NO2 Exposure Assessment in Urban Environments: A Ghent Case Study (DSP 2025)
Marco de sensorización e IA para evaluar la exposición ciudadana a campos electromagnéticos y NO2 en entornos urbanos, aplicado a un caso de estudio en Gante.
Hierarchical Causal Graph-Based Methods for Imputing Food Insecurity (EGU General Assembly 2025)
Métodos basados en grafos causales jerárquicos para estimar la inseguridad alimentaria en zonas con datos incompletos.
Proyectos de investigación
ENACT (Horizon Europe, 2024-2026)
Proyecto europeo Horizon Europe centrado en la intersección de la IA explicable con el ámbito de la salud.
ELIAS (Horizon Europe, 2024-2026)
Proyecto europeo Horizon Europe centrado en IA sostenible y explicable para modelizar clima y eventos extremos.
AAA Nodes (imec, con OnePlanet y UGhent) y BEE (Innoviris)
Colaboración interinstitucional dentro de imec en torno a IA explicable y datos ambientales.