Agenda de defesas Agenda de defesas

Voltar

Ciência da Computação promove defesas de dissertações amanhã (11)

As apresentações ocorrerão de forma virtual

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove, amanhã (11), defesas de dissertações de mestrado dos alunos Hélio Gonçalves de Souza Júnior, Davi Hirafuji Neiva, Valdi Ferreira do Nascimento Júnior e Hygor Jardim da Silva. Os mestrandos foram orientados, respectivamente, pelos professores Germano Crispim Vasconcelos, Cleber Zanchettin, Fernando José Castor de Lima Filho e Kelvin Lopes Dias. As apresentações ocorrerão de forma virtual. Para receber o link de acesso de cada defesa, os interessados em assistir devem entrar em contato com os mestrandos por meio dos respectivos endereços de e-mail.

O trabalho do aluno Hélio Gonçalves de Souza Júnior tem o título “Comparação de métodos de inferência dos rejeitados em modelos de Credit Scoring” e será apresentado às 8h. A defesa conta com a banca examinadora formada pelos docentes Renata Maria Cardoso Rodrigues de Souza (UFPE/Centro de Informática), Rosalvo Ferreira de Oliveira Neto (Univasf/Departamento de Engenharia da Computação) e Germano Crispim Vasconcelos (UFPE/Centro de Informática). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail hgsj@cin.ufpe.br.

Já a dissertação de Davi Hirafuji Neiva tem o título “Tradução entre línguas de sinais utilizando Deep Learning” e será apresentado às 13h. A defesa conta com a banca examinadora formada pelos docentes Adriano Lorena Inácio de Oliveira (UFPE/Centro de Informática), Leandro Maciel Almeida (UFPE/Centro de Informática), João Fausto Lorenzato de Oliveira (UPE/Escola Politécnica de PE), André Câmara Alves do Nascimento (UFRPE/Departamento de Computação) e Francisco Carlos Monteiro Souza (UTFPR/Coordenação de Engenharia de Software). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail dhn@cin.ufpe.br.

O mestrando Valdi Ferreira do Nascimento Júnior, por sua vez, apresentará um trabalho cujo título é “Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android”, às 9h. A defesa conta com a banca examinadora formada pelos docentes Vinicius Cardoso Garcia (UFPE/Centro de Informática), Ivan do Carmo Machado (UFBA/Departamento de Ciência da Computação) e Fernando José Castor de Lima Filho (UFPE/Centro de Informática). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail vfnj@cin.ufpe.br.

Por fim, a tese do aluno Hygor Jardim da Silva é intitulada como “Plataforma Integrada 4G, IMS e 5G baseada em software e hardware abertos e de baixo custo” e será apresentada às 14h. A defesa conta com a banca examinadora formada pelos docentes Renato Mariz de Moraes (UFPE/Centro de Informática), Tássio Costa de Carvalho (UFPA/Faculdade de Computação) e Kelvin Lopes Dias (UFPE/Centro de Informática). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail hjs@cin.ufpe.br.

Resumo 1

Os modelos de Credit Scoring oferecem benefícios para os credores e tomadores por muitos anos. No entanto, na prática, esses modelos são normalmente construídos em uma amostra da população de clientes aprovados e não consideram os que foram rejeitados. Isso tende a causar um viés amostral. Inferência dos rejeitados é um método para estimar como os requerentes rejeitados teriam se comportado se tivessem sido concedidos e incorporando essas informações na reconstrução do modelo de Credit Scoring. Nesta dissertação, vão ser comparados 4 (cinco) métodos de inferência dos negados: Reclassificação, Augmentation, Cluster e Parcelamento. E também a inclusão de um algoritmo de deep learning, o Deep Embedded Clustering (DEC). Os métodos serão avaliados por diversas métricas de performance, tais como: AUC, KS, F1, acurácia, DTI, teste não paramétrico de Kruskal-Wallis e um teste post-hoc de Nemenyi. Os métodos são analisados em 3 (três) conjuntos de dados reais com diversos perfis de taxa de reprovação, para verificar se o efeito do comportamento da aprovação impacta na performance dos métodos. Os experimentos realizados evidenciaram que existe diferença significativa entre os métodos estudados e também que o método de DEC teve desempenho superior que os demais métodos para a maioria das métricas avaliadas.

Resumo 2

A linguagem de sinais é a forma de expressão usada por pessoas surdas para se comunicar. É com o movimento do corpo, especialmente as mãos, que uma pessoa surda consegue se expressar. Contudo, as línguas de sinais não são universais, isso quer dizer que uma pessoa surda alemã não poderá se comunicar adequadamente com uma pessoa surda brasileira, por exemplo. Soluções baseadas em software utilizam aprendizagem de máquina para reconhecer gestos e traduzir de língua falada e escrita para outra, mas trabalhos que combinem esses algoritmos visando uma tradução entre língua de sinais não são frequentes. Nesta pesquisa, propomos o sAIgns, uma plataforma colaborativa web e móvel para tradução entre línguas de sinais. Utilizando a câmera do celular para capturar vídeos de uma pessoa fazendo um gesto em uma língua de sinais, o usuário poderá visualizar o gesto correspondente na sua língua de sinais materna. Nós utilizamos uma combinação de algoritmos de Deep Learning, tais como Mask R-CNN, CNN e Transformers para realizar remoção de plano de fundo, extração de características, reconhecimento de sinais e tradução. Nós propomos ainda uma abordagem de reconhecimento de sentenças em língua de sinais utilizando um conjunto de dados de palavras. Além disso, propomos uma webpage para hospedar diferentes línguas de sinais, visualizar sinais individualmente ou em sentenças e criar máscaras customizadas para as mãos. Utilizando duas bases públicas de sinais (base alemã PHOENIX-14T e base Libras V-Librasil) nossa abordagem apresentou uma melhora de WER de 4% na base PHOENIX-14T e enquanto na V-Librasil, conseguimos um WER de 21.7% e 5% para palavras e sentenças, respectivamente.

Resumo 3

Um dos fatores essenciais para o sucesso de uma aplicação ou modelo é o consumo de energia, que impacta diretamente na autonomia e na satisfação da usabilidade de dispositivos móveis e seus aplicativos. Em geral, os estudos relacionados à área são realizados em laboratório, por meio de simulações, com um número limitado de dispositivos e aplicações. Portanto, este estudo investiga o uso de dados coletados através de crowndsourcing desses dispositivos para prever seu comportamento e entender os fatores que mais impactam o seu consumo de energia. Para isso foram desenvolvidos modelos de regressão utilizando dados de uso real de dispositivos móveis em larga escala, capazes de correlacionar diversos fatores como configurações, aplicações e processos do sistema do contexto móvel com o tempo de consumo de energia de 1% do nível da bateria usando. Foram estudados os 100 modelos mais populares e suas configurações, juntamente com os aplicativos e processos, presentes no banco de dados GreebHub, uma iniciativa colaborativa e voluntária para coletar dados para estudos de dispositivos móveis Android. No estudo foram utilizados algoritmos de regressão baseados em árvore (Decision Tree, Random Forest e XGboot), avaliados com auxílio das métricas de regressão do Scikit-Learn, e com a importância das features (feature importance) sendo medida utilizando a abordagem SHAP (SHapley Additive exPlanations). Os resultados indicam um grau de dificuldade elevado ao estudar as relações contidas nos dados, pois a precisão das predições varia bastante de acordo com o modelo de dispositivo a ser estudado, refletindo a heterogeneidade do contexto. Além disso, foi detectada uma variação muito grande no impacto dos aplicativos e processos de um modelo de dispositivo pra outro, e que as configurações foram consideradas mais relevantes que ambos no consumo de energia.

Resumo 4

A difusão dos paradigmas de softwarização e virtualização de redes, bem como de tecnologias de rádio definido por software (SDR – Software-Defined Radio), estão fomentando o desenvolvimento protótipos para sistemas móveis de quinta geração (5G), tanto pela academia quanto pela indústria. Este novo cenário influenciou a transição dos clássicos sistemas monolíticos baseado em hardware proprietário, das gerações anteriores (2G/3G/4G), para uma nova filosofia com inúmeros projetos de código aberto relacionados às redes de acesso por rádio (RAN) e de núcleo constituintes de sistemas 4G e 5G. Entretanto, a interoperabilidade entre soluções RAN e de núcleo distintas, e avaliações de desempenho fim-a-fim, bem como o suporte a sistemas tradicionais, como o amplamente difundido IMS (IP Multimedia Subsystem) para chamadas VoLTE (Voice over LTE) 4G, são aspectos pouco entendidos, implementados parcialmente, ou mesmo ainda não avaliados. Esta dissertação tem como objetivo analisar a compatibilidade das implementações de código aberto para sistemas celulares com os padrões preconizados pelo 3GPP (Third Generation Partnership Project); realizar a implementação de protótipos utilizando software e hardware abertos; conceber uma abordagem de virtualização e implantação utilizando contêineres para os serviços do núcleo da rede, da RAN e integração com sistema IMS. O estudo considerou plataformas de computação de propósito geral, juntamente com placas SDR para implantar a rede. Smartphones e cartões SIM com suporte 4G, VoLTE e 5G foram utilizados para realizar os experimentos e a coleta dos resultados. Como parte dos resultados da avaliação, a infraestrutura composta pelo núcleo Open5Gs, RAN srsLTE e IMS OpenIMSCore em conjunto com Kamailio (P-CSCF, I-CSCF, S-CSCF) se mostrou capaz de estabelecer chamadas VoLTE com duração até 1h. Os resultados do estudo também mostraram que a plataforma OAI (OpenAirInterface) alcançou um desempenho 15% superior ao da plataforma srsRAN. Com isto, este trabalho concebeu e descreveu uma infraestrutura de baixo custo capaz de executar todo um ambiente de redes móveis 4G/5G e prover funcionalidades do sistema IMS, como ligações VoLTE.

Data da última modificação: 10/03/2022, 15:45