DEFESA 174
Discente: GIULIANO PORCIÚNCULA GUEDES
Título: CONSENSUS EFFECTS OF SOCIAL MEDIA SYNTHETIC INFLUENCE GROUPS ON SCALE-FREE NETWORKS
Orientador: PROF. DR. ANDRÉ LUIS DA MOTA VILELA
Co-orientador: PROF. DR. MARCONE ISIDORIO DE SENA JUNIOR
Examinador Externo: PROF. DR. ADAUTO JOSE FERREIRA DE SOUZA
Examinador Interno: PROF. DR. LUÍS ARTURO GOMEZ MALAGÓN
Data: 28 DE MARÇO DE 2025
Horário: 14:00
Local: ONLINE
Resumo do projeto:
As plataformas online de interações sociais são uma parte essencial da sociedade moderna. Com o avanço da tecnologia e a ascensão de algoritmos e da inteligência artificial, o conteúdo é filtrado sistematicamente, facilitando a formação de bolhas de filtro. Este trabalho investiga os efeitos de visibilade limitada no consenso social utilizando o modelo do voto da maioria de dois estados em redes livre de escala de Barabási-Albert. Na evolução do consenso, cada indivíduo assimila a opinião da maioria de seus vizinhos com probabilidade 1→q e discorda com chance q, conhecido como o parâmetro de ruído social. Definimos o parâmetro de visibilidade V como a probabilidade de um indivíduo considerar a opinião de um vizinho em uma interação específica. O parâmetro V nos permite modelar o fenômeno de visibilidade limitada que produz vizinhanças sintéticas em interações online. Utilizamos simulações de Monte Carlo e análise de escala de tamanho finito para obter o parâmetro de ruído crítico como uma função da visibilidade V e do parâmetro de crescimento z. Identificamos os expoentes críticos ω/ε ̄, θ/ε ̄, e 1/ε ̄, validando sua relação unitária para redes complexas. Nossa análise mostra que a instalação e manipulação de grupos de influência sintética prejudica criticamente a robustez do consenso.
Palavras-chave: Complex systems, Consensus dynamics, Phase transition, Critical phenomena
DEFESA 173
Discente: GABRIEL DE ASSUNÇÃO FERREIRA
Título: UTILIZAÇÃO DE TÉCNICAS DE OTIMIZAÇÃO DE MODELOS DE APRENDIZADO PROFUNDO PARA ESTEGANÁLISE DE IMAGENS DIGITAIS
Orientador: PROFA. DRA. VERUSCA SEVERO DE LIMA
Co-orientador: PROF. DR. FRANCISCO MADEIRO BERNARDINO JUNIOR
Examinador Externo: PROF. DR. JOÃO FAUSTO LORENZATO DE OLIVEIRA
Examinador Interno: PROFA. DRA. MARIA DE LOURDES MELO GUEDES ALCOFORADO
Data: 27 DE MARÇO DE 2025
Horário: 15:00
Local: SALA DE ATOS (CSEC)
Resumo do projeto:
Esteganografia é uma subárea da ocultação da informação que consiste na aplicação de alterações nos elementos básicos de um objeto digital com o objetivo de esconder uma mensagem. A esteganálise é o contra mecanismo responsável por detectar se há presença ou não de esteganografia em um objeto digital. Diversos modelos de aprendizagem profunda aplicados à esteganálise de imagens digitais vêm sendo propostos na literatura. Esses modelos ocupam um grande espaço de memória e, por esse motivo, devem ser otimizados quando o cenário envolve dispositivos e sistemas com recursos limitados. Motivado pelo cenário exposto, este Trabalho tem como objetivo a implementação de diferentes estratégias de otimização, mais especificamente, poda, quantização e compartilhamento de pesos, aplicadas a modelos de aprendizagem profunda de esteganálise de imagens digitais. Os modelos otimizados são avaliados em termos de acurácia e de espaço de memória ocupado em comparação aos resultados obtidos pelo modelo original (sem o uso de estratégias de otimização). Os resultados apontam para os benefícios do uso das estratégias de otimização, em que foi possível reduzir os requisitos de memória em até 87% em relação ao modelo original e obter melhores resultados de acurácia.
Palavras-chave: Esteganálise; aprendizagem profunda; poda; quantização e compartilhamento de pesos.
DEFESA 172
Discente: VICTOR VILAÇA PADILHA PINTO
Título: TÉCNICAS DE COMPRESSÃO PARA OTIMIZAÇÃO DE MVCNNS NA CLASSIFICAÇÃO DE MODELOS MECÂNICOS EM CAD 3D
Orientador: PROF. DR. FRANCISCO MADEIRO BERNARDINO JUNIOR
Co-orientador: PROFA. DRA. VERUSCA SEVERO DE LIMA
Examinador Externo: PROF. DR. FELIPE ALBERTO BARBOSA SIMÃO FERREIRA
Examinador Interno: PROF. DR. RODRIGO DE PAULA MONTEIRO
Data: 26 DE MARÇO DE 2025
Horário: 14:30
Local: SALA DE ATOS (CSEC)
Resumo do projeto:
No domínio do design e desenvolvimento de produtos, a recuperação eficiente e o reuso de modelos CAD 3D (Computer-Aided Design 3D) são essenciais para otimizar fluxos de trabalho e minimizar esforços redundantes. A rotulagem manual de modelos CAD, embora tradicional, é trabalhosa e sujeita a erros, evidenciando a necessidade de sistemas de classificação automatizados. As Redes Neurais Convolucionais de Múltiplas Vistas (MVCNN, do inglês Multi-View Convolutional Neural Network) oferecem uma solução automatizada ao utilizar projeções 2D para representar objetos 3D, equilibrando alta precisão de classificação com eficiência computacional. Apesar de sua eficácia, as demandas computacionais das MVCNNs representam desafios em aplicações CAD em larga escala. Este estudo investiga o uso de estratégias de compressão, especificamente poda e quantização, no cenário de MVCNN aplicada à classificação de modelos mecânicos CAD 3D. Utilizando diferentes estratégias de poda e quantização, foram avaliados os trade-offs entre precisão de classificação, tempo de execução e uso de memória. Os resultados indicam que a quantização de 8 bits reduziu o uso de memória do modelo de 83,78 MB para 21,01 MB, com a precisão diminuindo apenas de 93,83% para 93,59%. Ao aplicar uma poda estruturada de 25%, o uso de memória do modelo foi reduzido de 83,78 MB para 47,16 MB, o tempo de execução caiu de 133 para 97 segundos e a precisão reduziu para 92,14%. Uma abordagem combinada de poda de 25% e quantização de 8 bits obteve uma eficiência de recursos ainda melhor, com o uso de memória reduzido para 11,86 MB, um tempo de execução de 99 segundos e precisão de 92,06%. Essa combinação de poda e quantização leva a uma otimização do modelo MVCNN, equilibrando uso de recursos e desempenho de classificação, sendo especialmente relevante em aplicações de grande escala.
Palavras-chave: CAD 3D; redes neurais convolucionais de múltiplas vistas; poda; quantização e técnicas de compressão.
O Programa
