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

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.