Categoria:Notícias

Orientadores: Jorge de Abreu Soares (orientador) e Eduardo Soares Ogasawara (CEFET/RJ) (coorientador).

Banca: Jorge de Abreu Soares (presidente), Eduardo Soares Ogasawara (CEFET/RJ), Rafaelli de Carvalho Coutinho (CEFET/RJ) e Antônio Tadeu Azevedo Gomes (LNCC).

Dia/hora: 26 de agosto de 2021, às 13h30.

Sala remota: https://meet.google.com/zow-fgxq-fte

Resumo: Delay is one of the most critical indicators for flight transportation systems. Flight delays impose a challenge that impacts any flight transportation system. In this context, the prediction of delayed flights may be an essential tool for effectively addressing this problem. This dissertation investigates the prediction performance of different drift handling strategies in aviation under different scales. It considers two different scales: system-based (SB) and airport-based (AB). In (SB), all airports in the flight system are considered together. Conversely, in AB, each airport is studied separately. Specifically, this work proposed and answered two research questions: (i) How do drift handling strategies influence the prediction performance of delays?; and (ii) Do different scales change the results of drift handling strategies? It was observed that drift handling strategies are relevant. Their impact varies according to the scales used. The experimental evaluation was done using a dataset that integrates weather and flight data from the Brazilian system. Moreover, the passive and active strategies revealed better recall scores. For f1 scores, the strategies had similar results, with the passive strategy showing slightly better results. It may be related to the high prevalence of drifts. In this case, strategies that always retrain machine learning models offer better results than those that train only once. However, extensive testing is recommended. Nonetheless, choosing machine learning models may have a higher impact on f1 than drift handling strategies.

Dissertação

Discente: Leonardo Ferreira dos Santos

Título: Identificação automática de atividade predatória sexual em conversas virtuais no Brasil

Orientador: Gustavo Paiva Guedes e Silva

Banca: Gustavo Paiva Guedes e Silva (presidente), Eduardo Bezerra da Silva (CEFET/RJ), Eduardo Soares Ogasawara (CEFET/RJ), Ronaldo Ribeiro Goldschmidt (IME)

Dia/Hora:  28 de abril de 2021, às 14h.

Sala remota: http://meet.google.com/vtf-bmvn-frp

Resumo:  O uso da internet por crianças e adolescentes possibilita o acesso a um conjunto de oportunidades para o seu autodesenvolvimento. O acesso à informação, material educacional, entretenimento e socialização são algumas das oportunidades que podem ser usufruídas. O uso de redes sociais é um dos principais canais para socialização na internet. Por meio da criação de um perfil público no momento de ingresso à rede social, crianças e adolescentes podem criar conexões com outros perfis e estabelecer comunicação por meio de conversas virtuais. Predadores sexuais, por sua vez, fazem uso de redes sociais com o propósito de ludibriar essas crianças e adolescentes, estabelecendo uma relação enganosa para posterior execução de diversas atividades criminosas, como a obtenção de conteúdo pornográfico, a extorsão e a prática do abuso sexual. Nesse cenário, diversos estudos vêm se concentrando na identificação de predadores sexuais na internet. Embora seja um domínio de pesquisa amplamente explorado, não foram encontrados trabalhos que considerem o estudo de conversas virtuais realizadas na língua portuguesa do Brasil. Diante do problema exposto, a presente pesquisa tem como o principal objetivo propor um método que apresente resultados significativos para a identificação de atividade predatória em conversas textuais realizadas na internet. Para atingir esse objetivo, foi considerado como base de estudos um conjunto de 82 conversas predatórias anonimizadas e oriundas de provas criminais presentes em processos judiciais. Após a análise das conversas predatórias, um total de dezenove características textuais e comportamentais foram identificadas e consideradas para a criação de um método para detecção de atividade predatória em conversas textuais denominado MDAP. Para a validação do método, foi criado um conjunto de dados com características similares as da competição PAN-2012, utilizando como base as 82 conversas predatórias. Os resultados obtidos, quando comparados aos métodos candidatos ao estado da arte para o domínio da pesquisa, comprovam a eficiência do método MDAP para a identificação de atividade predatória em conversas textuais, se apresentando como uma alternativa para promoção de um ambiente virtual mais seguro para crianças e adolescentes.

Dissertação

Discente: Rodolpho da Silva Nascimento

Título: Uma Análise Comparativa Entre Léxicos Afetivos em Português

Orientador: Gustavo Paiva Guedes e Silva

Banca: Gustavo Paiva Guedes e Silva (presidente), Kele Teixeira Belloze (CEFET/RJ), Raimundo Santos Moura (UFPI)

Dia/Hora:  28 de abril de 2021, às 10h.

Sala remota: http://meet.google.com/iir-fyjz-sum

Resumo:  A Computação Afetiva é uma área de pesquisa que estuda o uso de técnicas que objetivam habilitar um computador, tornando-o capaz de reconhecer emoções por meio da análise e interpretação de dados. Dentro dessa área destaca-se a Análise de Sentimentos (AS), que corresponde a um campo de pesquisa que emprega ferramentas automáticas capazes de extrair informações subjetivas em textos, como opiniões e sentimentos. Existem trabalhos em AS que utilizam Léxicos Afetivos (LA) atuando como apoio aos algoritmos de aprendizagem de máquina, ou como componente principal. Um LA é uma coleção de palavras que capturam o conhecimento que falantes e ouvintes têm sobre expressões lexicais básicas, formando um conjunto de palavras pertencentes ao contexto dos sentimentos humanos. Todavia, poucos trabalhos abordam a utilização de LA na língua portuguesa. Esta pesquisa tem como objetivo realizar uma investigação dos LA disponíveis em português e avaliar suas contribuições em AS. Nesta vertente, pretende-se fornecer recursos para que trabalhos futuros sejam capazes de elaborar novos LA em português ou aprimorar os já existentes. Também pretende-se com esta pesquisa, ser um referencial para melhor escolha de LA em português, auxiliando trabalhos relacionados e contribuindo para melhores resultados em tarefas de AS em português.

Dissertação

Discente: Antonio Jose de Castro Filho

Título: Mineração de Sequências Restritas no Espaço e no Tempo

Orientadores: Rafaelli Coutinho (orientador) e Eduardo Ogasawara (coorientador)

Banca: Rafaelli Coutinho (presidente), Eduardo Ogasawara (CEFET/RJ), Jorge Soares (CEFET/RJ), Esther Pacitti (INRIA)

Dia/Hora: 05 de março de 2021, às 10h.

Sala remota: meet.google.com/eck-qenz-vap

Resumo: Os padrões espaço-temporais trazem conhecimento sobre o tempo e a posição onde eles estão presentes. Encontrá-los é uma tarefa importante para diferentes domínios. No entanto, nem todos os padrões são frequentes por todo um conjunto de dados, eles podem ocorrer restritos no espaço e no tempo. A mineração desses padrões tem como objetivo descobrir a faixa de tempo e o conjunto de posições espaciais em que as sequências de eventos são frequentes. Este trabalho propõe o algoritmo Generalized Spatial-Time Sequence Miner (G-STSM) como uma solução para a descoberta de sequências frequentes que são restritas no espaço e no tempo, trazendo a formalização do problema, definições, provas e algoritmos. Até onde se sabe, após busca na literatura relacionada, o G-STSM é a primeira abordagem capaz de encontrar tais sequências trabalhando com uma dimensão de tempo e três dimensões de espaço. O G-STSM foi comparado com uma abordagem intuitiva que busca sequências de eventos frequentes com suporte muito baixo e agrupa suas ocorrências para encontrar padrões restritos no espaço e no tempo usando algoritmos conhecidos. Foi escolhido um conjunto de dados sísmicos espaço-temporal do mundo real para comparar ambas as abordagens usando métricas de classificação e registro de uso de recursos. Como resultado, o G-STSM apresentou melhor desempenho computacional com qualidade semelhante mostrando-se uma ferramenta de mineração de dados eficiente para encontrar sequências restritas no espaço e no tempo.

Dissertação

Discente: Leandro Maia Gonçalves

Título: Imputação Hot-Deck: uma revisão sistemática da literatura

Orientador: Jorge de Abreu Soares

Banca: Jorge de Abreu Soares (presidente), Eduardo Soares Ogasawara (CEFET/RJ) e José Maria da Silva Monteiro Filho (UFC)

Dia/hora: 29 de janeiro de 2021, às 10h.

Sala remota: https://meet.google.com/mkz-opya-skv

Resumo: As organizações têm percebido que investir na transformação de dados em informação com o objetivo de auxiliar o processo de tomada de decisões pode trazer vantagens competitivas. À vista disso, no cenário atual em que os dados crescem em volume, velocidade e variedade, nota-se que tal expansão é acompanhada do aumento de dados ausentes, que podem trazer problemas de interpretação para analistas e pesquisadores. A exclusão destes casos não pode necessariamente ser considerada uma solução, independente do volume dos dados, devido aos seus riscos de geração de vieses ou tendências. Logo, a imputação de dados revela-se uma tarefa fundamental no pré-processamento de dados, capaz de melhorar a sua análise. A imputação hot-deck é uma abordagem que se destaca neste contexto devido à sua capacidade de estimar com melhor precisão e preservar as diferenças individuais entre os sujeitos no processo de imputação. Neste estudo, é apresentada uma revisão sistemática sobre técnicas de imputação hot-deck realizada na base Scopus, com o objetivo de avaliar como ocorre a evolução dos estudos sobre este tema ao longo dos anos. Este trabalho também propõe uma taxonomia que busca classificar, ordenar e estabelecer hierarquias para as técnicas de imputação. Como resultado deste trabalho, verificou-se 63% dos artigos investigados não identificaram adequadamente os mecanismos de ausência em seus experimentos, 72% dos algoritmos de agrupamento utilizados na abordagem hot-deck estão contidos na categoria Partitioning Based, sendo 75% desta representada pelos algoritmos Random hot-deck, K-Nearest-Neighbor e K-means. Com relação à reprodutibilidade dos experimentos, 30% dos artigos apresentaram pseudocódigos dos algoritmos utilizados, 42% utilizaram conjuntos de dados públicos, 45% compararam os resultados da imputação com o conjunto de dados original. Destaca-se que apenas 1% dos artigos apresentou código fonte em repositório aberto, deixando uma importante lacuna no que tange à reprodutibilidade de experimentos nesta área.

Dissertação

Discente: Jefferson Colares de Paula

Título: Reidentificação de pessoas em longo prazo utilizando características multimodais

Orientadores: Diego Barreto Haddad (orientador), Douglas Oliveira Cardoso (coorientador)

Banca: Diego Barreto Haddad (presidente), Douglas Oliveira Cardoso (CEFET/RJ), Fernanda Duarte Vilela Reis de Oliveira (UFRJ), Eduardo Bezerra da Silva (CEFET/RJ), Gabriel Matos Araujo (CEFET/RJ)

Dia/hora:  30 de dezembro de 2020, às 14h.

Sala remota: https://teams.microsoft.com/l/meetup-join/19%3ameeting_NGJhNTJlZWUtNWY5OS00OWM2LWE3ZWEtNmFmNWI1MDNmZWYy%40thread.v2/0?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%229287392f-fc6f-454c-a314-46c0529f6841%22%7d

Resumo: A reidentificação de pessoas (ReID) consiste em comparar imagens contendo pessoas, obtidas por múltiplas câmeras com campos de visão não sobrepostos e inferir se as pessoas nessas imagens são as mesmas ou não. Trata-se de um problema mais complexo do que aparenta, pois as imagens comparadas costumam apresentar grandes diferenças na iluminação, no ângulo de captura, nas características óticas das lentes utilizadas, alem de oclusão parcial, auto-oclusão, planos de fundos confusos e outros complicadores. A reidentificação de pessoas em longo prazo, que é o tema desse trabalho, e caracterizada pela ocorrência de um intervalo entre as capturas das imagens. Este intervalo não tem duração específica, mas em geral costuma ser superior a um dia, no qual a pessoa observada pode ter trocado de roupas ou sofrido pequenas mudanças na aparência. As mudanças na aparência ocorridas entre as capturas de imagens representam um desafio adicional, pois as cores e texturas das roupas, que são as características mais comumente utilizadas para reidentificação, não podem ser utilizadas como elementos discriminantes. Este trabalho investiga uma solução para o problema da reidentificação de pessoas em longo prazo por meio da utilização de características da face e da forma de caminhar das pessoas como entradas para um modelo de aprendizado de máquina baseado em redes neurais. A hipótese avaliada é que a combinação destas características permitam que o modelo despreze ou minimize o efeito das trocas de roupas e ao mesmo tempo valorize as características motoras. Os resultados obtidos mostram que a combinação das características melhoram o desempenho da reidentificação em curto prazo e também podem ser utilizadas para o reconhecimento de pessoas em longo-prazo.

Dissertação

Discente: Fernando Pereira Gonçalves de Sá

Título: Detecção de Anomalias em Turbinas Eólicas utilizando Modelos baseados em Dados

Orientadores: Diego Nunes Brandão (orientador), Rodrigo Franco Toso (coorientador)

Banca: Diego Nunes Brandão (presidente), Rodrigo Franco Toso (Microsoft AI & Research), Anderson de Rezende Rocha (UNICAMP), Diego Barreto Haddad (CEFET/RJ)

Dia/hora:  04 de dezembro de 2020, às 14h.

Sala remota: https://us02web.zoom.us/j/82318000409?pwd=ajR2R0pMcytyR1VCa1BYdzVuLzFUUT09

Resumo: Nos últimos anos, a energia eólica tornou-se tendência na substituição da matriz energética baseada em recursos não-renováveis. A produção dessa energia limpa é realizada pela turbina eólica, cuja operação reúne diferentes componentes que atuam na conversão da energia cinética do vento em energia elétrica. Contudo, a turbina eólica é uma máquina complexa de custo elevado, constantemente submetida a diferentes pressões que podem lhe causar falhas em algum momento. Neste contexto, o monitoramento contínuo dos diferentes componentes de uma turbina eólica permite a aplicação de técnicas de prognóstico de falhas baseadas na detecção de anomalias no sistema. Detecção, diagnóstico e prognóstico de falhas compreendem um conjunto de técnicas que garantem a confiabilidade, a segurança e a viabilidade econômica de um sistema. A presença de anomalias é o indício de que a saúde do sistema que compõe a turbina eólica está se deteriorando em função do tempo de operação, cuja evolução pode resultar brevemente em uma falha, quando ocorre a paralisação da produção de energia elétrica e são registrados muitas vezes danos irreversíveis no sistema. Diferentes técnicas foram desenvolvidas com o propósito de identificar essas anomalias. Neste trabalho, discutimos duas abordagens com esse propósito. Abordamos a detecção, diagnóstico e prognóstico de falhas baseados na classificação semi-supervisionada em uma configuração na qual o algoritmo de otimização multiobjetivo Algoritmo Genético de Ordenação não-dominante II (NSGA II) realiza a seleção automática de características e parâmetros de processamento. Uma segunda abordagem processou a detecção e diagnósstico de falhas baseadas na classificação de componentes em processo de pré-falha realizada pelos modelos ocultos de Markov. Ambas as abordagens mostraram-se eficientes em seus objetivos, considerando o processamento de um conjunto de dados reais imperfeito e de elevada dimensionalidade, que demandou diferentes métodos de pré-processamento. O Fluxo de Trabalho 1 apresentou resultados 13% superiores em relação ao trabalho de referência. Já o Fluxo de Trabalho 2, obteve F-score de até 0,89 no processamento da classificação multiclasse.

Dissertação

Discente: Raphael Correia de Souza Fialho

Título: Estimando Redshifts Fotométricos com Regularização Sensível aos Erros

Orientadores: Eduardo Bezerra (orientador), Ricardo Ogando (coorientador)

Banca: Eduardo Bezerra (presidente), Ricardo Ogando (ON/MCTIC), Rafaelli Coutinho (CEFET/RJ), Ribamar R. de R. dos Reis (UFRJ), Ronaldo Ribeiro Goldschmidt (IME/RJ)

Dia/hora: 10 de dezembro de 2020, às 14h

Sala remota: https://meet.google.com/pjw-ffxq-xkk

Dissertação

Discente: Daniel Ferreira de Oliveira

Título: Riographx: um portal científico de apoio as pesquisas em teoria espectral de grafos

Orientadores: Leonardo Silva de Lima (orientador) e Eduardo Bezerra da Silva (coorientador)

Banca: Leonardo Silva de Lima (presidente), Eduardo Bezerra da Silva (CEFET/RJ), Rafaelli de Carvalho Coutinho (CEFET/RJ), Virgínia Maria Rodrigues (UFGRS), Claudia Marcela Justel (IME)

Dia/hora: 11 de dezembro de 2020, às 16h

Sala remota: https://teams.microsoft.com/l/team/19%3a3daf2ce8441f43b29ec83255c159ef85%40thread.tacv2/conversations?groupId=336cfc27-4004-429a-8da5-b135499e7cf9&tenantId=c37b37a3-e9e2-42f9-bc67-4b9b738e1df0

Dissertação

Discente: Luciana Escobar Gonçalves Vignoli

Título: Análise Comparativa de Métodos para Detecção de Eventos em Séries Temporais

Orientadores: Laura silva de Assis (orientadora) e Eduardo Soares Ogasawara (co-orientador)

Banca:  Laura Silva de Assis (presidente), Eduardo Soares Ogasawara (CEFET/RJ), Rafaelli de Carvalho Coutinho (CEFET/RJ), Fábio André Machado Porto (LNCC)

Dia/hora: 17 de dezembro de 2020, às 14h

Sala remota: https://meet.google.com/vtr-zogo-cny

Dissertação