Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 332
Aluno: José Aurélio Epaminondas de Carvalho
Título: "Detecção de Cyberbullying Multiclasse: Uma Abordagem Deep Learning"
Orientadora: Roberta Andrade de Araújo Fagundes
Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza (UFPE)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva
Data-hora: 15 de agosto de 2025 às 14h
Local: Formato presencial - Miniauditório - PPGEC
Resumo:
"O cyberbullying, uma evolução do bullying para o ambiente digital, consiste em comportamentos agressivos e repetitivos com o objetivo de infligir danos psicológicos, emocionais e, por vezes, físicos a indivíduos ou grupos, afetando predominantemente jovens e adolescentes com humilhações, ameaças e difamações, levando a traumas ao longo da vida. Diante do vasto volume de dados em redes sociais, ferramentas automáticas são essenciais para detectar e remover conteúdo nocivo, sendo o Aprendizado de Máquina eficaz nessa tarefa. Entretanto, algoritmos de ML ainda enfrentam desafios significativos com a variabilidade da linguagem humana (e.g., gírias, abreviações). Esta pesquisa explora abordagens para mitigar esse problema, incluindo: Teste de métodos de word embeddings (Word2Vec, FastText e SBERT); Utilização de algoritmos de aprendizado profundo (LSTM e GRU), identificados por um mapeamento sistemático da literatura, com modificações arquiteturais como camadas de atenção e bidirecionais; Criação de um modelo BERT com fine-tuning. A pesquisa emprega uma base de dados multiclasse (gênero, idade, outros tipos de cyberbullying, etnia, religião e não-cyberbullying). As abordagens foram avaliadas em dois experimentos: o primeiro verificou a eficiência dos modelos na análise da base de dados completa, e o segundo focou na detecção de diferentes tipos de cyberbullying, excluindo a classe "não-cyberbullying". Os melhores resultados foram consistentemente alcançados pelo modelo BERT com fine-tuning em ambos os experimentos. No primeiro, obteve 84% de acurácia e um F1-Score médio de 83,3%. No segundo, alcançou 94% de acurácia e um F1-Score médio de 93,8%"
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 331
Aluno: Heuryk Wylk Éboli da Silva
Título: "Sistemas inteligentes baseados em máquinas de aprendizado para apoio ao diagnóstico do câncer de mama usando imagens termográficas"
Orientador: Wellington Pinheiro dos Santos
Coorientadora: Maíra Araújo de Santana
Examinadora Externa: Juliana Carneiro Gomes Cassemiro (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 11 de agosto de 2025 às 14h
Local: Formato remoto - Google meet
Resumo:
"O câncer de mama representa a neoplasia maligna mais comum entre mulheres mundialmente, sendo a detecção precoce fundamental para aumentar as chances de cura e reduzir a mortalidade. A termografia mamária surge como uma técnica promissora de diagnóstico não invasivo, sem radiação ionizante, baseada na detecção de padrões térmicos anormais associados a processos patológicos. No entanto, a interpretação visual das imagens termográficas apresenta desafios relacionados à subjetividade e variabilidade inter-observador. Este trabalho propõe o desenvolvimento de um sistema inteligente denominado DWNNet-Therm (Deep Wavelet Neural Network for Thermography) para classificação automática de imagens termográficas mamárias em quatro categorias: cisto, lesão benigna, lesão maligna e sem lesão. A arquitetura proposta integra a transformada wavelet discreta para análise multiescala com redes neurais convolucionais profundas, permitindo a extração automática de características relevantes em diferentes escalas espaciais. O sistema foi desenvolvido e validado utilizando a base de dados DMR-IR, contendo 211 imagens termográficas com diagnóstico confirmado. O modelo DWNNet-Therm alcançou acurácia global de 74,41%, com precisão macro de 0,76, recall macro de 0,73 e F1-score macro de 0,74. A análise por classe revelou melhor desempenho para lesões malignas (precisão: 0,84) e desempenho equilibrado para as demais categorias. A comparação com métodos da literatura demonstrou superioridade da abordagem proposta em relação a CNNs convencionais, com melhoria de 4,41 pontos percentuais na acurácia. A análise de ablação confirmou a contribuição positiva da integração da transformada wavelet, proporcionando ganho de 4,57 pontos percentuais em relação à arquitetura sem wavelet. Os mapas de ativação de classe evidenciaram que o modelo aprende características clinicamente relevantes, focalizando em regiões de interesse específicas para cada categoria diagnóstica. Os resultados obtidos demonstram o potencial da abordagem proposta como ferramenta de apoio ao diagnóstico do câncer de mama, contribuindo para a democratização do acesso ao diagnóstico precoce através de uma técnica não invasiva e de baixo custo."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 330
Aluno: Igor Felipe Carboni Battaza
Título: "Predição de Regimes de Mercado em Ativos Financeiros: Uma Arquitetura Híbrida Integrando Ontologia, NMC, BERT, LSTM, VIX e GARCH"
Orientador: Cleyton Mário de Oliveira Rodrigues
Coorientador: João Fausto Lorenzato de Oliveira
Examinador Externo: Fabricio Cristófani De Sanz Pires (FITec)
Examinador Interno: Leandro Honorato de Souza Silva
Data-hora: 01 de Agosto de 2025 às 9h
Local: Formato remoto - Google meet
Resumo:
"Esta dissertação propõe uma abordagem híbrida para a predição dos regimes locais de oscilação de ativos financeiros individuais, combinando seleção ontológica de ativos, modelagem probabilística e técnicas de aprendizado profundo. O framework proposto integra: (i) uma ontologia financeira para classificação dinâmica de ativos com base em indicadores fundamentalistas, como liquidez, rentabilidade, endividamento e crescimento; (ii) uma Cadeia de Markov Não Estacionária (NMC), ajustada por cópulas t-Student, com variáveis exógenas como um índice de iliquidez e um índice de sentimento construído a partir de múltiplas variáveis de mercado; e (iii) uma rede neural LSTM que recebe como entrada as saídas do modelo NMC, os estados de mercado previstos por um classificador de sentimentos baseado em BERT especializado em notícias financeiras, além de variáveis adicionais como o índice de volatilidade (VIX) e a volatilidade estimada por GARCH(1,1). Esse framework híbrido busca capturar conjuntamente os fatores fundamentais, sentimentais e probabilísticos que influenciam a dinâmica individual dos ativos. A validação empírica, realizada com dados de março de 2018 a julho de 2020 — incluindo o período da crise da COVID-19 — demonstrou desempenho superior em relação a métodos tradicionais, com acurácia de 97{,}20% e F1-Score de 88{,}59%. Em simulações de backtesting, a estratégia baseada no framework obteve retorno acumulado de 13{,}67%, em comparação a 8{,}62% da estratégia passiva de buy and hold. As contribuições incluem um framework interpretável e modular para predição de regimes de oscilação em ativos individuais, com aplicações práticas em alocação dinâmica de ativos e gestão de riscos."
O Programa
