Events
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 305
Aluno: Luiz Henrique Albuquerque de Melo
Título: “Séries temporais hierárquicas para análise e previsão de indicadores chave de resultado (KRIs)"
Orientador: Fernando Buarque de Lima Neto
Examinador Externo: Manoel Henrique da Nobrega Marinho (PPGES/POLI)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 29 de Agosto de 2024, às 15h.
Local: Formato Remoto.
Resumo:
"Diante do complexo cenário da segurança viária no Brasil, marcado pelo desafi o de reduzir as mortes no trânsito diante das metas estabelecidas pela ONU, torna-se essencial aumentar a eficiência das instituições responsáveis pela segurança viária. Para isso, a utilização de mecanismos de análise de dados, que forneçam informações precisas para apoiar a tomada de decisão, é crucial. Nesse contexto, os modelos de previsão de Indicadores-Chave de Resultado (KRIs) ganham destaque, pois permitem criar cenários e avaliar o desempenho organizacional em relação aos objetivos estratégicos, refletindo a efi cácia das políticas e intervenções de segurança implementadas. Este trabalho utiliza séries temporais e séries temporais hierárquicas para prever o KRI de mortes por sinistros de trânsito na Polícia Rodoviária Federal (PRF), no intuito de contribuir propondo uma abordagem que produza previsões com melhor acurária para todos os níveis da instituição, permitindo identifi car a real contribuição de cada unidade no desempenho orgazanizacional. Dados reais de acidentes de trânsito nas rodovias federais brasileiras foram coletados e organizados em uma estrutura hierárquica. Modelos estatísticos como Holt-Winters, ARIMA/SARIMA, e técnicas de inteligência computacional, incluindo Redes Neurais e Regressão com Vetores de Suporte, Random Forest Regressor e XGBoost Regressor , foram empregados para a previsão dos KRIs. As previsões foram ajustadas utilizando técnicas de reconciliação hierárquica para garantir consistência em diferentes níveis hierárquicos. A avaliação dos modelos foi realizada com métricas como RMSE e MAPE, destacando a acurácia e a consistência das previsões reconcilidadas. Os resultados deste estudo fornecem valiosas abordagens para a segurança viária e a gestão operacional das entidades responsáveis pelo trânsito seguro."
DEFESA DE DISSERTAÇÃO DE MESTRADO 304
Aluno: Guilherme Carvalho Pereira
Título: “Comparação de Técnicas de Aprendizado de Máquina para Equalização em Sistemas Rádio sobre Fibra"
Orientador: Carmelo José Albanez Bastos Filho
Coorientador: Arismar Cerqueira Sodré Junior (INATEL)
Examinador Externo 1: Aldebaro Barreto da R. Klautau Júnior (UFPA)
Examinador Externo 2: Hugo Valadares Siqueira (UTFPR)
Data-hora: 29 de Julho de 2024, às 14:30.
Local: Formato Remoto.
Resumo:
"Este trabalho investiga e propõe melhorias nas técnicas de aprendizado de máquina para compensar as não-linearidades em sistemas de comunicação sem fio de quinta geração (5G) baseados em Rádio sobre Fibra (RoF). As redes RoF combinam a alta largura de banda dos sistemas ópticos com a flexibilidade das transmissões sem fio, enfrentando o desafio das distorções não-lineares no sinal modulado. Avaliamos três abordagens de aprendizado de máquina aplicadas a sistemas de Multiplexação por Divisão de Frequência Ortogonal (OFDM): vetores de suporte, árvores de regressão e redes neurais artificiais. O desempenho dessas técnicas foi avaliado usando as métricas de erro quadrático médio (MSE) e densidade espectral de potência (PSD). Os resultados indicam que o modelo de redes neurais artificiais superou as outras técnicas, alcançando uma redução significativa no MSE e demonstrando sua superior capacidade de modelar e corrigir as distorções não-lineares de maneira eficaz. Além disso, as redes neurais artificiais mantiveram a complexidade computacional baixa, tornando-as atraentes para implementações em larga escala. Este trabalho também apresenta uma técnica de treinamento híbrido que combina dados simulados e reais para treinar modelos de aprendizado de máquina destinados à linearização de sinais. Os resultados demonstram que essa abordagem híbrida supera significativamente os modelos treinados apenas com dados sintéticos e atinge um desempenho comparável aos treinados somente com dados reais. Este estudo destaca o potencial de integrar dados sintéticos e reais no treinamento de modelos de redes neurais artificiais para sistemas RoF, oferecendo uma solução prática e eficaz para a melhoria da linearização de sinais. Trabalhos futuros incluirão a otimização dessa técnica e sua aplicação em outros cenários desafiadores nos sistemas de comunicação óptica."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 303
Aluno: José Antônio Pedro dos Santos
Título: “Ulysses-HIRS: A Hybrid Information Retrieval System for Legislative Documents"
Orientador: Carmelo José Albanez Bastos Filho
Coorientadora: Ellen Polliana Ramos S. Pereira - (UFRPE)
Examinador Externo: Adriano Lorena Inácio Oliveira - (UFPE)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues
Data-hora: 29 de Agosto de 2024, às 14:00.
Local: Formato remoto.
Resumo:
"The use of Transformers for text processing has attracted a large deal of attention in the last years. This is particularly true for sentence models, which present high capacity to comprehend and generate text contextually, improving the predictive performance in different Natural Language Processing tasks, when compared with previous approaches. Even so, there are still several chal- lenges when applied to long documents, especially for some knowledge areas with very specific characteristics, such as legislative proposals. Therefore, the Brazilian Portuguese language has complex constructions, and these features are even more relevant for legal texts. This study investigated different strategies for utilizing BERT-based models in long document retrieval written in Brazilian Portuguese. We used three corpora from the Brazilian Chamber of Deputies to build a dataset and assess the models, incorporating zero-shot and fine-tuning strategies. Five sentence models were evaluated: BERTimbau, LegalBert, LegalBert-pt, LegalBERTimbau, and LaBSE. We also assessed a summarized corpus of bills considering the input size limitation of the sentence models. Finaly, we propose developed a hybrid model, named Ulysses-HIRS, combining BM25 Large and BERTimbau with fine-tuning. According to the experimental results, the predictive performance obtained by Ulysses-HIRS was superior to the performance obtained by the other models, with a Recall of 84.78% for 20 documents."
O Programa
