Autor: Rafaelli Coutinho

Discente: Michel Siqueira Reis

Título: Correspondência de Detecções a Eventos em Séries Temporais com Eficiência Computacional e Garantia de Otimalidade

Orientadores: Rafaelli de Carvalho Coutinho (orientadora) e Eduardo Soares Ogasawara (coorientador)

Banca: Rafaelli de Carvalho Coutinho (Cefet/RJ), Eduardo Soares Ogasawara (Cefet/RJ), Laura Silva de Assis (Cefet/RJ) e  Rebecca Pontes Salles (INRIA)

Dia/Hora: 18/12/2025 às 13h

Sala: https://teams.microsoft.com/l/meetup-join/19%3ae20c8697654543fc9dd1e9924de5c2c0%40thread.tacv2/1763159776096?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%2254af42a0-5f30-4905-ac8d-10b96c6db26b%22%7d

Resumo: Este trabalho apresenta o SmartSoftED, uma métrica otimizada para avaliação da detecção de eventos pontuais em séries temporais. A métrica original, SoftED, introduz uma avaliação “suave” baseada em tolerância temporal, atribuindo pontuações graduais a detecções próximas de eventos reais. No entanto, sua formulação atual depende de uma abordagem gulosa que não garante otimalidade em todos os casos e exige um custo computacional quadrático, o que limita sua aplicação em ambientes de larga escala ou de processamento em tempo real. O SmartSoftED supera essas limitações ao introduzir uma estratégia que decompõe o problema em subproblemas disjuntos tratáveis: alguns podem ser resolvidos de forma eficiente e sem perda de otimalidade, enquanto outros são modelados como problemas de emparelhamento máximo ponderado em grafos bipartidos desbalanceados. Essa abordagem preserva a otimalidade das correspondências entre detecções e eventos e reduz significativamente o custo computacional. Na prática, o método alcança uma aceleração média de duas ordens de grandeza, tornando-se adequado para determinadas aplicações de grande escala e para sistemas sujeitos a restrições temporais rigorosas.

Discente: Fernando Henrique de Jesus Fraga da Silva

Título: Aprendizado por Reforço Profundo Aplicado à Negociação Intradiária de Múltiplas Ações

Orientadores: Eduardo Bezerra da Silva (orientador) e Pedro Henrique González Silva (coorientador)

Banca: Eduardo Bezerra da Silva (Cefet/RJ), Pedro Henrique González Silva (UFRJ), Aline Marins Paes Carvalho (UFF) e Glauco Fiorott Amorim (Cefet/RJ)

Dia/Hora: 08/12/2025 às 15h

Sala: https://teams.microsoft.com/v2/?meetingjoin=true#/l/meetup-join/19:PKOJTuK7mfHSDE6QkCWQCYp71f0xOMNoRgSUj4wjMKc1@thread.tacv2/1763760050816?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22c03d6068-4733-48a6-bbb4-aa78f351d9cf%22%7d&anon=true&deeplinkId=91733be2-9804-4f09-ac6a-f1a362e67de8

Resumo: O mercado de ações é um ambiente dinâmico e volátil, no qual empresas de capital aberto negociam frações de seu valor, sujeitas a variações contínuas de preço influenciadas por fatores econômicos, políticos e sociais. Antecipar essas variações é uma tarefa complexa, especialmente no contexto da negociação intradiária, em que as decisões de compra e venda precisam ser tomadas em intervalos de tempo muito curtos, com base em dados que mudam rapidamente. Nesse cenário, o Aprendizado por Reforço (AR) surge como um paradigma promissor, capaz de desenvolver estratégias adaptativas por meio da interação contínua entre agente e ambiente. Esta dissertação investiga o uso de técnicas de Aprendizado por Reforço Profundo (ARP) na negociação financeira, com foco em cenários de negociação intradiária envolvendo múltiplas ações. É proposta uma abordagem baseada em ARP para estimar ações de compra e venda simultaneamente em diversos ativos, utilizando dados de mercado de alta granularidade, de modo a aproximar-se das condições reais de negociação. As análises experimentais foram conduzidas com o algoritmo Proximal Policy Optimization (PPO). Os resultados obtidos indicam que o agente proposto apresentou desempenho superior em relação a estratégias tradicionais de referência, alcançando ganhos superiores a 10 pontos percentuais em determinados casos.

Discente: Gabriel Portugal Guadelupe dos Santos

Título: COSMOS: Conjunto de Subsistemas de Monitoramento da Saúde

Orientador: Gustavo Paiva Guedes e Silva

Banca: Gustavo Paiva Guedes e Silva (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ) e Alessandro Copetti (UFF)

Dia/Hora: 16 de outubro de 2025 (quinta-feira), às 14h

Sala: https://teams.microsoft.com/meet/221702080420?p=qjNSZ2ir0Dq3hkxSH7

Resumo: O estudo propõe o desenvolvimento do COSMOS, um conjunto integrado de sistemas que inclui uma Interface Gráfica, Servidor e um Dispositivo de Monitoramento de Sinais Fisiológicos (DMSF) dinâmico e acessível, visando aprimorar o monitoramento domiciliar de pacientes. Ao integrar a Internet das Coisas Médicas (IoMT), o COSMOS permite o monitoramento remoto de sinais fisiológicos, promovendo cuidados personalizados e prevenção de complicações. Os experimentos foram realizados e indicaram que o COSMOS é eficaz na aferição de sinais fisiológicos, proporcionando dados confiáveis. Importante destacar que o projeto foi aprovado pelo comitê de ética sob o CAAE: 65831022.6.0000.5289. Além disso, o sistema recebeu avaliações positivas dos usuários, que destacaram sua eficácia e facilidade de uso em suas rotinas diárias. Esses resultados sugerem que o COSMOS tem potencial para contribuir significativamente para a melhoria da qualidade de vida e do cuidado médico domiciliar personalizado. A capacidade de monitoramento remoto oferecida pelo COSMOS pode facilitar a detecção precoce de alterações no estado de saúde dos pacientes, permitindo intervenções médicas oportunas e adequadas, em consonância com os ODS 3, 9 e 11.

Discente: Arthur Silveira de Siqueira Cavalcanti

Título: Avaliação de Técnicas de Balanceamento de Dados na Detecção de Fraude em Transações Online de Cartão de Crédito

Orientadores: Rafaelli de Carvalho Coutinho (orientadora) e Eduardo Bezerra da Silva (co-orientador)

Banca: Rafaelli de Carvalho Coutinho (PPCIC – Cefet/RJ), Eduardo Bezerra da Silva (PPCIC – Cefet/RJ), Eduardo Ogasawara (PPCIC – Cefet/RJ), Ronaldo Ribeiro Goldschmidt (IME)

Dia/Hora: 15/09/25, às 09h

Sala: https://teams.microsoft.com/l/meetup-join/19%3abf7330f2c27648b7ba998e79d8db5021%40thread.tacv2/1755212796749?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%2254af42a0-5f30-4905-ac8d-10b96c6db26b%22%7d

Resumo: Devido ao aumento do comércio eletrônico e do uso de cartões de crédito, as fraudes com cartões de crédito tornaram-se um grande desafio para as entidades envolvidas. Apesar dos prejuízos, essas fraudes ainda representam uma pequena parte das transações, caracterizando um problema de desbalanceamento de dados nas áreas de detecção de fraudes do sistema financeiro. Este trabalho avalia várias combinações de técnicas de seleção de atributos, balanceamento de classes e algoritmos de classificação. Para balancear as classes, foram usadas técnicas de subamostragem, superamostragem e ajustes de limiares nos classificadores. O objetivo é criar um pipeline que permita a reprodutibilidade e ampliação das avaliações dessas técnicas. As combinações foram testadas em dois conjuntos de dados desbalanceados, avaliados pela métrica escore F1. Os resultados mostram um ganho de desempenho quando são implementadas técnicas de balanceamento de dados e otimização de limiares de classificação.

Discente: Vinicius dos Santos Vancellote Almeida

Título: Construindo uma base de dados para estudos de mobilidade urbana da Cidade do Rio de Janeiro

Orientadores: Rafaelli Coutinho (orientadora) e Diego Moreira de Araujo Carvalho (coorientador)

Banca: Rafaelli Coutinho (PPCIC – Cefet/RJ), Diego Moreira de Araujo Carvalho (PPCIC – Cefet/RJ),  Eduardo Soares Ogasawara (PPCIC – Cefet/RJ), Rafael Garcia Barbastefano (PPPRO – Cefet/RJ),  Fabio Andre Machado Porto (LNCC)

Dia/Hora: 04 de junho de 2025, às 10h

Local: https://teams.microsoft.com/l/meetup-join/19%3ameeting_OGVmOTYwNjMtM2JjYi00N2YxLWE5NTMtY2E5MWI3NjM5MDQ0%40thread.v2/0?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%225089e95b-11e4-4bb0-a4b3-f4eea2039146%22%7d

Resumo: A mobilidade urbana está diretamente relacionada à qualidade de vida nas cidades, especialmente diante do crescimento populacional e dos desafios ambientais. O transporte público desempenha um papel fundamental nesse contexto, mas é frequentemente impactado por eventos climáticos adversos, como chuvas intensas, que podem comprometer sua eficiência. Este trabalho apresenta a construção de uma base de dados integrada e enriquecida para estudos de mobilidade urbana na cidade do Rio de Janeiro. A metodologia desenvolvida realiza o tratamento e enriquecimento dos dados de GPS da frota de ônibus da cidade, integrando informações posicionais, pluviométricas, administrativas e de emissões de gases, a partir de um pipeline automatizado. O resultado do processamento é uma base de dados estruturada em cinco tabelas-resumo (DSTs), cada uma voltada para uma dimensão específica da análise urbana. Como exemplo de usabilidade, foi proposta uma metodologia para identificação de pontos de alagamento durante eventos de chuva, utilizando a técnica de clusterização DBSCAN aplicada sobre observações de ônibus parados em regiões com precipitação moderada a forte. A metodologia apresentada como exemplo foi validada por meio da comparação com registros jornalísticos e mostrou resulta dos promissores para auxiliar o poder público na identificação de gargalos de mobilidade. Todos os dados e scripts foram disponibilizados abertamente, promovendo a ciência aberta e o reuso da informação.

Discente: Arthur Ronald Ferreira Diogenes Garcia

Dia/hora: 19 de fevereiro de 2025, às 9h.

Local: https://teams.microsoft.com/l/meetup-join/19%3aKcszJdyzz4_vwVbrPDe0h62eXY262TcHQZS6U1eaeio1%40thread.tacv2/1738630105311?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%220534c83a-4cef-4129-9f9f-e8b8c3d50019%22%7d

Resumo: Modelos de séries temporais vêm sendo propostos há décadas, sendo que a maioria desses modelos requer como pré-requisito a condição estacionária, i.e., que a série possua média, variância e covariância constantes. Diante disso, é necessário pré-processá-las a fim de obter uma série estacionária. Não obstante, é desejável para fins de análise que o modelo bem como as propriedades estatísticas da série possam ser interpretáveis, a fim de auxiliar na  análise do usuário, facilitando sua aplicação. Esta dissertação propõe um modelo que combina uma fase de pré-processamento, visando obter a estacionariedade preservando as propriedades estatísticas da série original, e uma fase de modelagem por meio do Autorregressivo Média Móvel.

Discente: Lucas Daflon Scoralick

Título: Aprimoramento da Detecção de Conluios com Aprendizado de Máquina: Explicabilidade e Análise dos Resultados

Orientadora: Kele Teixeira Belloze

Banca: Kele Teixeira Belloze (CEFET/RJ), Diego Nunes Brandão (CEFET/RJ), Eduardo Bezerra da Silva (CEFET/RJ), Flavia Cristina Bernardini (UFF)

Dia/hora: 30 de dezembro de 2024, às 10h.

Local: https://teams.microsoft.com/l/meetup-join/19%3afeb680f8d4e047d69e7cdb88a09be338%40thread.tacv2/1734221163372?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22d0ca0ae9-1955-4759-a7ad-0b2fa49dbe55%22%7d

Resumo: Conluios são acordos ou combinações secretas entre duas ou mais partes, geralmente para ganhar vantagem em algo ou prejudicar terceiros. A prática de conluios em licitações públicas perturba o equilíbrio de preços do mercado, impactando negativamente tanto os custos quanto a qualidade dos serviços públicos. Neste estudo, propõe-se uma metodologia para aprimorar os modelos de classificação de conluio, utilizando variáveis estatísticas combinadas com a análise de modelos explicáveis para explicação dos resultados. Os resultados mostraram uma melhora no desempenho de 0,04 à 0,25, utilizando a estratégia de balanceamento Smote, método de validação holdout 80% e 20% (treinamento e teste) e MCC como métrica de desempenho. A utilização dos modelos explicáveis SHAP, importância de atributos e LIME foram úteis para confirmar a contribuição das variáveis estatísticas para os modelos de aprendizagem de máquina. Além disso, a explicação de amostras com LIME demonstra potencial para explicação dos limites de decisão de classificação para atributos numéricos.

Dissertação

Discente: Luiz Augusto de Souza Perciliano

Título: Detecção de Eventos Adversos em Mídia Social: uma revisão de literatura e experimentos utilizando o MetaMap para o Português do Brasil

Orientadora: Kele Teixeira Belloze

Banca: Kele Teixeira Belloze (CEFET/RJ), Rafaelli de Carvalho Coutinho (CEFET/RJ), Jairo Francisco de Souza (UFJF)

Dia/hora: 27 de dezembro de 2024, às 10h.

Local: https://teams.microsoft.com/l/meetup-join/19%3a524f2c9ca84d45e79a0cab9dd1e61674%40thread.tacv2/1734221450946?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22d0ca0ae9-1955-4759-a7ad-0b2fa49dbe55%22%7d

Resumo: Nos últimos anos, a área da saúde tem experimentado transformações tecnológicas substanciais, refletidas na expansão de bases de dados biomédicas em virtude de fatores como o aumento populacional, o surgimento de novas doenças, medicamentos e terapias. Além disso, a adesão de países a organizações biomédicas internacionais tem favorecido a implementação de protocolos mais rigorosos e eficientes. No entanto, no contexto da farmacovigilância, ainda há desafios significativos, como a complexidade e a limitação de acesso às bases de dados oficiais mantidas pela Organização Mundial da Saúde (OMS), que recebem contribuições de mais de 140 países. Com o aumento da circulação global de pessoas e a crescente demanda por medicamentos e vacinas, também cresce o número de Reações Adversas a Medicamentos (RAM). Apesar dos avanços, as autoridades responsáveis pela segurança dos medicamentos enfrentam dificuldades para registrar todos os Eventos Adversos (EA) e Reações Adversas a Medicamentos (RAM) reportados, bem como para realizar buscas ativas que reduzam riscos para a população. A dificuldade em acessar e processar essas informações, somada à subnotificação de (EA)s e RAM, impulsiona a busca por novas fontes de dados. Devido às barreiras no acesso às bases de dados oficiais, as mídias sociais têm se mostrado uma alternativa relevante para pesquisas em saúde. Essas plataformas oferecem informações valiosas para auxiliar na tomada de decisões, que podem incluir notificações a fabricantes para ajustar bulas, recolhimento de lotes ou até mesmo suspensão de medicamentos. Diante deste cenário, este trabalho tem como objetivos: i) apresentar uma revisão bibliográfica sobre o tema; ii) explorar o uso de mídias sociais, especificamente o Twitter (atual X), para a detecção de eventos adversos no contexto brasileiro; e iii) executar um experimento utilizando a ferramenta biomédica Metamap, em conjunto com a base de dados Unified Medical Language System (UMLS) adaptada para o português do Brasil. A pesquisa visa mapear termos e conceitos médicos presentes em tuítes, buscando identificar Sinais de Farmacovigilância (SF) e contribuir para a área de segurança de medicamentos no país. O trabalho obteve sucesso na criação de um modelo (UMLS) em português do Brasil, um passo fundamental para a análise de dados em português na área de saúde. Foram coletados e analisados milhares de tuítes sobre medicamentos para enxaqueca e sintomas de dengue. Por meio da ferramenta Metamap, foi possível mapear os termos médicos presentes nos tuítes para conceitos da (UMLS), evidenciado a viabilidade do uso da ferramenta para a detecção de sinais de farmacovigilância em português. Os resultados obtidos fornecem insights sobre o uso de medicamentos e a percepção da população sobre eles. O modelo (UMLS) em português e a metodologia desenvolvida neste trabalho abrem caminho para futuras pesquisas e aplicações de farmacovigilância com base em mídias sociais no Brasil.

Dissertação

Discente: Roberto da Silva Gervasio Pontes

Título: Otimização Multiobjetivo para Problemas de Planejamento de Rotação de Culturas Agrícolas

Orientadores: Laura Assis (orientadora) e Diego Brandão (co-orientador)

Banca: Laura Assis (Cefet/RJ), Diego Brandão (Cefet/RJ), Felipe Henriques (Cefet/RJ), Fábio Usberti (UNICAMP)

Dia/hora: 19 de dezembro de 2024, às 9:30h.

Local: https://teams.microsoft.com/l/meetup-join/19%3aWfXqePNzHUyNHsKx_j1mGEKCA8uCBTA5fBbU9lGpm781%40thread.tacv2/1733775489034?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%2291e505cb-28d8-40f6-a547-adfd127dabca%22%7d

Resumo: A agricultura é considerada um pilar essencial da economia mundial e está no centro da sociedade contemporânea.  Nas últimas décadas, para enfrentar a crise de abastecimento de alimentos e garantir a segurança alimentar, o setor se consolidou e mudou radicalmente a relação homem-ambiente. No entanto, ainda existe uma grande preocupação com a segurança alimentar, dado o crescimento populacional esperado em mais de 9,5 bilhões para 2050. Neste contexto, a introdução da informatização nas cadeias de suprimento agroalimentar tem sido cada vez mais significativa. A agricultura moderna torna-se cada vez mais interdisciplinar buscando um potencial aumento da produtividade deste setor e a promoção de práticas mais sustentáveis. A agricultura de precisão é uma destas práticas que tem como uma das suas ferramentas o Planejamento de Culturas e o Planejamento de Rotação de Culturas que têm grande impacto no meio ambiente e na produtividade. A otimização destes problemas pode permitir ao setor responder às mudanças climáticas, oferecer alimentos saudáveis e seguros e produzir alimentos eficientes em termos de custo. Nesta esteira o presente trabalho apresenta modelos utilizando PL para o PPCM e PPRCM com objetivos de maximizar a renda líquida, maximizar a diversidade de culturas, e maximizar a área utilizada. Os alcançados foram comparados aos modelos com o mesmo conjunto de dados presentes da literatura cujo único objetivo era maximizar a renda líquida. Verificou-se que os modelos propostos apresentam aumento de, em média, 60% na diversidade de culturas plantadas com perdas de retorno líquido inferiores a 5%. A avaliação dos cenários utilizando as metodologias de Soma Ponderada e ε-restrito foi eficaz na exploração da fronteira de soluções ótimas. Embora o Método do ε-restrito apresente maior custo computacional, ele se destaca por sua maior capacidade de discriminar os trade-offs entre os objetivos.

Dissertação

Discente: Tarsila Gomes Bello Tavares

Título: Imputação em cascata no contexto de Inteligência Artificial Centrada em Dados (DCAI).

Orientador: Jorge de Abreu Soares

Banca: Jorge de Abreu Soares (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ), Carlos Eduardo Ribeiro de Mello (Unirio)

Dia/hora: 19 de dezembro de 2024, às 14h.

Local: Bloco E, 5º andar, sala E-518

Resumo: À medida que o volume global de dados aumenta, é comum encontrar bases de dados com valores ausentes, o que requer a aplicação de técnicas de imputação. Tradicionalmente, estas técnicas abordam cenários univariados, tratando a ausência de valores em uma única coluna. Este estudo propõe uma abordagem de imputação em cascata, que é capaz de tratar valores ausentes em múltiplas colunas, reintegrando valores imputados na base de dados antes da imputação do atributo subsequente, permitindo sua reutilização. Adicionalmente, investigou-se a eventual melhoria da eficiência da imputação pela binarização dos dados, segundo padrões de similaridade de ausência antes da imputação, e quais algoritmos de agrupamento apresentam resultados mais interessantes para diferentes características de bases de dados. Portanto, almeja-se avaliar e comparar o desempenho de uma imputação multivariada que utiliza a abordagem em cascata com uma pré-fase de agrupamento, aplicando diferentes classes de algoritmos dessa natureza, tais como K-modes, Agglomerative Clustering, DBSCAN e a rede neural SOM.

Dissertação

Discente: Fabio da Silva Gregório

Título: LexRank guiado para recuperação avançada em análise jurídica

Orientador: Eduardo Bezerra da Silva

Banca: Eduardo Bezerra da Silva (Cefet/RJ – PPCIC), Altigran Soares da Silva (IComp / UFAM), Kele Teixeira Belloze (PPCIC / CEFET-RJ), Gustavo Paiva Guedes e Silva (PPCIC / CEFET-RJ).

Data: 11 de dezembro de 2024, às 16h

Link da sala do MS Teams: https://teams.microsoft.com/v2/?meetingjoin=true#/l/meetup-join/19:OnS4EZKGpsKeGa50vaGxvZZ604acCFsazTfC-LTdwYE1@thread.tacv2/1730395539949?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22c03d6068-4733-48a6-bbb4-aa78f351d9cf%22%7d&anon=true&deeplinkId=830cfb45-96fe-4604-9c5d-13b1ffa801ee

Resumo: A Constituição Brasileira prevê mecanismos para que cidadãos peticionem ao Judiciário, incluindo o chamado recurso especial. Esse tipo específico de recurso visa uniformizar a interpretação jurídica da legislação brasileira. O tratamento de recursos especiais é uma das tarefas diárias no Judiciário, regularmente apresentando demandas significativas em seus tribunais. Propomos um método, baseado em aprendizado de máquina não supervisionado, para auxiliar o analista jurídico a classificar um recurso especial em um tema de uma lista disponibilizada pelo Superior Tribunal de Justiça (STJ). Como parte desse método, propomos uma modificação do algoritmo LexRank baseado em grafos, que chamamos de Guided LexRank. Esse algoritmo gera o resumo de um recurso especial. O grau de similaridade entre o resumo gerado e diferentes temas é avaliado usando o algoritmo BM25. Como resultado, o método apresenta um ranking de temas mais adequados ao recurso especial analisado. O método proposto não requer rotulagem prévia do texto a ser avaliado e elimina a necessidade de grandes volumes de dados para treinar um modelo, como normalmente ocorre em modelos supervisionados. Avaliamos a eficácia do método aplicando-o a um corpus de recurso especial previamente classificado por especialistas humanos.

Dissertação