Eventos

Divulgação - Defesa Nº 242

Aluna: Ericks da Silva Rodrigues

Título: "Engenharia Automática e Auto-Organizável de Características de Dados em Aprendizado de Máquina”

Orientador: Fernando Buarque de Lima Neto (PPGEC)

Corientador: Denis Mayr Lima Martins (WWU-Münster - Alemanha)

Examinador Externo : José Alfredo F. Costa - Doutor - (UFRN)

Examinador Interno : Cleyton Mário de O. Rodrigues (PPGEC)

Data-hora: 06/Setembro/2021 (16:00h) - PM
Local: Formato Remoto (meet.google.com/qoh-hjdg-mbp)


Resumo:

Feature Engineering é o processo de construção de novas características a partir de dados existentes. Por ser um processo que necessita de especialistas de domínio e de engenharia de dados, torna-se um processo custoso. Para mitigar estas dificuldades, surgiu um campo de pesquisa denominado Automatic Feature Engineering. Esta área de pesquisa busca, através de operações matemáticas e técnicas de Machine Learning, automatizar esse processo. Este trabalho apresenta uma abordagem de Automatic Feature Engineering que utiliza conceitos de auto-organização, auto adaptação e treinamento cooperativo para gerar novas Features. Para geração destas Features, foi proposta a utilização de uma amostra da base de dados para treinamento de um Self-Organizing Map com a finalidade de identificar similaridades e particularidades entre os dados a partir dos conceitos de aprendizagem e auto organização. Após este treinamento, novas Features são geradas através do relacionamento entre as Features originais e os pesos (ou sinapses) provenientes deste treinamento. Para construção de Features que se adaptem ao modelo de Machine Learning final, também foi realizado um treinamento cooperativo entre uma Rede Neural simples (Adaline utilizando aprendizado por reforço) e este modelo final, onde a Rede Neural fornece Features com o objetivo de aprimorar o modelo objetivo. Com isto, são geradas Features com as características aprendidas nestes componentes que podem aprimorar os resultados dos modelos de classificação. Para investigar as configurações os modelos responsáveis pera geração das novas Features com mais aptidão, foi desenvolvido um algoritmo de Estratégia de Evolução focado em auto adaptação. Este algoritmo atua diretamente na definição dos hiperparâmetros dos modelos, os aprimorando no decorrer de cada geração baseando-se nos resultados obtidos, obtendo-se, portanto, um modelo mais flexível a diversas bases de dados e modelos. Os resultados obtidos são comparáveis com outras técnicas propostas e com a auto adaptação foi capaz de se atingir mais consistência e algumas novidades de características. Trabalhos futuros possíveis são: refinamentos em desempenho e em seu treinamento cooperativo que não apresentam uma efetividade satisfatória.

Divulgação - Defesa Nº 241

Aluna: Ana Carolina Candido de Melo

Título: "Guia de Apoio na Identificação e Mensuração de Dívida Técnica em Requisitos de Software"

Orientador: Wylliams Barbosa Santos (PPGEC)

Corientador: Roberta Andrade de Araujo Fagundes (PPGEC)

Examinador Externo : Johnny Cardoso Marques - Doutor - (Instituto Tecnológico de Aeronáutica - ITA)

Examinador Interno : Maria Lencastre Pinheiro de Menezes Cruz (PPGEC)

Data-hora: 31/Agosto/2021 (15:00h) - PM
Local: Formato Remoto (https://meet.google.com/zoo-vmvb-bxj)


Resumo:

A Engenharia de Requisitos (ER) possui grande relevância no ciclo de vida de projetos de software. Dentre seus objetivos, compreende a utilização de técnicas de especificação de requisitos que atendam às necessidades dos stakeholders. No entanto, é uma área complexa, que muitas vezes não recebe a devida atenção das partes interessadas. Com isso, quando tarefas da ER são realizadas inadequadamente, ocasionam problemas que afetam o desenvolvimento do software, os quais podem ser exemplos de Dívida Técnica (DT). O gerenciamento eficaz da DT é fundamental para a qualidade do software, já a falta de gerenciamento, resulta em problemas a longo prazo, como o aumento no custo do projeto. Identificação e mensuração são as primeiras etapas no processo de gerenciamento. São essenciais para saber qual tipo de DT existe, onde está localizada e como estimar seu impacto no software. No entanto, na ER, essas etapas são pouco exploradas em pesquisas acadêmicas, sendo a mensuração uma das fases mais desafiadoras. Frente a essa situação, este trabalho possui como objetivo desenvolver um guia de apoio que possa auxiliar as empresas de desenvolvimento de software na identificação e mensuração da dívida técnica de requisitos existente em seus projetos. Apresentando informações que auxilie a identificá-la de forma assertiva, conhecendo estratégias e métricas que facilite a mensurar os dados necessários para a sua resolução. Inicialmente, conduziu-se uma revisão sistemática da literatura, a qual possibilitou compreender os aspectos associados ao gerenciamento da DT de requisitos. Na sequência, com o objetivo de analisar na prática como a identificação e mensuração são realizadas em contextos reais, um survey foi conduzido com profissionais do desenvolvimento de software alocados em diferentes organizações. Adicionalmente, o guia foi desenvolvido e avaliado através de uma sessão de grupo focal por um painel de especialistas nas áreas de estudo. Dentre os resultados, tornou-se possível apresentar no guia de apoio: (i) 26 causas atribuídas ao surgimento da dívida técnica de requisitos, com destaque ao baixo nível de detalhes na documentação dos requisitos; (ii) 10 estratégias já existentes que auxiliam na sua identificação e mensuração; e (iii) diferentes ferramentas e métricas que atualmente são utilizadas para automatizar o processo de gerenciamento da DT de requisitos, especificamente mensurar o esforço ou o tempo que serão necessários para reembolsá-la. Assim, após a análise dos resultados, pode-se concluir que o guia de apoio é um recurso que auxilia, especialmente os profissionais da indústria de software com pouca experiência e baixo nível de conhecimento na área, a obter maiores informações sobre DT, proporcionando que a mesma possa ser identificada e mensurada assertivamente.

Divulgação - Defesa Nº 240

Aluna: David Josue Barrientos Rojas

Título: "IQAENet: Inpainting Quality Assessment Estimator Neural Network"

Orientador: Bruno José Torres Fernandes (PPGEC)

Corientador: Sérgio Murilo Maciel Fernandes (PPGEC)

Examinador Externo : Guilherme Holsbach Costa - Doutor - (Universidade de Caxias do Sul - UCS)

Examinador Interno : Carmelo José A. B. Filho (PPGEC)

Data-hora: 17/Agosto/2021 (14:00h) - PM
Local: Formato Remoto (meet.google.com/vgz-dzxv-ewf)


Resumo:

Inpainting techniques are widely known for their ability to reconstruct damaged regions in images, resulting in visually plausible versions of them. A single image can be reconstructed in countless ways, with the results varying depending on the method used and the parameters set, making the quality evaluation a challenging task. Different assessment metrics can be applied to verify the quality of the results; however, a reference image is required, which is rarely available. The absence of a reference image is why most researchers opt to evaluate results with subjective opinions, removing its reliability. This study presents IQAENet: a Deep Learning approach capable of providing objective quality assessment over inpainted images without a reference image. This network was trained using an auto-generated dataset consisting of pairs of reconstructed and damaged images alongside their original Peak signal-to-noise ratio (PSNR) and and Structural Similarity (SSIM) measurements. Results show a determination coefficient of 0.85 for PSNR and 0.88 for SSIM, which suggests the proposed model can predict the quality of the reconstructed image with high fidelity.

Pagina 1 de 29

Go to top Menu