Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº296
Aluno: Tiago Ramos Abreu
Título: “Desenvolvimento de Modelos de Aprendizagem de Máquina para Previsão Quebra de Bobinas Durante o Processo de Laminação à Frio do Alumínio"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Examinadora Externa: Claudemiro de Lima Júnior - (UPE)
Examinador Interno: Eraylson Galdino da Silva - (PPGEC)
Data-hora: 27 de março de 2024, às 14:00h.
Local: Formato Remoto - Google Meet.
Resumo:
A indústria de transformação de metais como a do alumínio, aço e cobre tem na laminação à frio um processo imprescindível na produção de materiais indispensáveis ao cotidiano. Durante este processo, um problema típico ocorre com frequência. Strip Breakage, também conhecida como Snap, é um dos principais degradadores do processo de laminação à frio do alumínio. Portanto, este trabalho desenvolve modelos de Aprendizagem de Máquina para prever a quebra de tira, através da investigação da relação entre as variáveis e o evento de quebra, usando técnicas de seleção de atributos para redução de dimensionalidade do problema, comparando métodos de classificação baseados em árvores, como Árvores de Decisão (DT), Random Forest (RF) e Extra Trees (ET). Durante o protocolo utilizado nesta pesquisa, os modelos foram avaliados para o conjunto completo de dados com parâmetros iniciais convencionais, em seguida foi realizada uma nova avaliação dos modelos já com os parâmetros otimizados ainda com alta dimensão dos dados e por fim, foi realizada uma avaliação dos modelos com os melhores atributos selecionados. Sendo que o modelo que performou melhor foi o DT com 21 atributos, com um recall ou TPR (True Positive Rate) de 0.863 e um AUC de 0.926.
DEFESA DE TESE DE DOUTORADO Nº 17
Aluno: Rodrigo Felipe Albuquerque Paiva de Oliveira
Título: “OrGANiCells: Um Framework para Orquestração de Estratégias de Regularização de Instabilidades de Redes Adversariais Generativas para Pipelines de Síntese de Imagens de Células do Sangue”
Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)
Examinador Externo: Fernando José Ribeiro Sales - (UFPE)
Examinador Externo: Felipe Silva Ferraz - (UFPE)
Examinador Externo: Rodrigo de Paula Monteiro - (UPE)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)
Data-hora: 28 de março de 2024, às 13:00h.
Local:Formato Remoto - Google Meet.
Resumo:
Uma das principais tarefas na análise de exames clínicos é detectar padrões para diagnosticar doenças com mais precisão. No entanto, técnicas de aprendizado profundo exigem uma grande quantidade de dados para generalizar suas previsões. As abordagens clássicas de geração de imagens sintéticas não possuem a diversidade necessária nos novos exemplos gerados. Essa restrição implica na assertividade dos modelos, pois eles carecem de recursos que representem o domínio completo das imagens originais, como observado na literatura. Uma abordagem alternativa para gerar imagens representando novas entidades a partir de um conjunto de imagens é aplicar GAN (Redes Adversárias Generativas) para criar novos conjuntos de dados a partir de amostras reais. O presente trabalho propõe um framework para gerar imagens sintéticas de células brancas do sangue com estratégias de orquestração para regularizar as instabilidades conhecidas do GAN, o OrGANiCells. Durante nossos experimentos, desenvolvemos um detector de instabilidade capaz de orquestrar estratégias de regularização dinamicamente na pipeline de geração de imagens sintéticas. Além disso, incluímos uma etapa de avaliação da qualidade supervisionada por especialistas humanos. Para avaliar o conjunto de dados sintéticos, misturamos aleatoriamente imagens geradas pela pipeline OrGANiCells com exemplos do conjunto de dados de imagens do mundo real e apresentamos aos profissionais biomédicos uma avaliação em relação à categorização dos tipos celulares. A avaliação cega dos profissionais biomédicos em relação à percepção da qualidade das amostras geradas pelo GAN apresentou resultados satisfatórios ao comparar a acurácia do conjunto de dados real (88,61%) com a acurácia do conjunto de dados gerado (71,66%) em todo o experimento. Apesar desse resultado, do ponto de vista da avaliação da diversidade e originalidade das amostras geradas pelo OrGANiCells, é necessário investigar métricas que atestem quantitativamente a eficácia dessa implementação.
DEFESA DE TESE DE DOUTORADO Nº16
Aluno: Luiz Felipe Vieira Verçosa
Título: “Handling Complexity in Event Logs with Network Science and Clustering”
Orientador: Byron Leite Dantas Bezerra - (PPGEC)
Coorientador: Carmelo José Albanez Bastos Filho - (PPGEC)
Examinador Externo: Marcelo Fantinato - (USP)
Examinador Externo: Hugo Valadares Siqueira - (UTFPR)
Examinador Interno: Fernando Buarque de Lima Neto - (PPGEC)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)
Data-hora: 26 de Março de 2024, às 14:00h.
Local:Formato Remoto - Google Meet.
Resumo:
Real event logs from businesses are usually complex, with many variants and activities. This can lead to so-called "spaghetti" process models that are hard to comprehend and from which it is challenging to extract insights. In the literature, there are measurements that identify complexity in event logs by considering aspects such as size, distances, variance, and entropies. In addition, clustering techniques may be applied to disentangle complex processes into multiple simpler models. However, there is still room for improvement given the increasing data volume and complexity of businesses. In this work, we propose techniques to identify complexity in event logs, predict values of conformance checking metrics, and cluster complex processes. The identification of complexity is performed through Markovian abstraction derived from the event log. Next, characteristics of the Markovian graphs are extracted with network science metrics that capture centrality, clustering, and density of the nodes. We identified correlations between such metrics and the quality dimensions of fitness, precision, simplicity, and generalization of the respective discovered model. In some cases, the Markovian models outperform metrics from the literature. Similarly, we propose sequential clustering to discover more comprehensible models from the event log. It relies on the identification of a large number of well-behaved clusters in the first stage, followed by an agglomerative step able to identify families of process variants. We show the advantages of our approach in identifying processes in a real-case legal domain, instead of only splitting variants based on the traces' attributes.
O Programa
