Notícias Notícias

Voltar

Pós-Graduação em Ciência da Computação realiza defesa de dissertações de mestrado

Dois trabalhos serão defendidos na quinta-feira (11), via Google Meet, e um, de forma presencial, no anfiteatro do CIn

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove, na quinta-feira (11), a defesa de três dissertações de mestrado. A primeira intitulada “A Machine Learning Approach to Escaped Defect Analysis” foi escrita pela discente Késsia Thais Cavalcanti Nepomuceno, orientada pelo professor Ricardo Bastos Cavalcante Prudencio e será defendida às 9h, via Google Meet. Interessados em assistir devem entrar em contato com a aluna via e-mail ktcn@cin.ufpe.br. A banca examinadora é formada pelos professores Alexandre Cabral Mota (UFPE/Centro de Informática), André Câmara Alves do Nascimento (UFRPE/Deinfo) e Ricardo Bastos Cavalcante Prudêncio (UFPE/Centro de Informática).

A segunda dissertação, de título “Human-Robot Interaction Engagement Strategies for Children’s Education”, produzida pelo discente Bruno de Souza Jeronimo e orientada pela professora Judith Kelner, será defendida às 14h via Google Meet. Interessados em assistir devem entrar em contato com o aluno via e-mail bsj@cin.ufpe.br. A banca examinadora é formada pelos professores Jaelson Freire Brelaz de Castro (UFPE/Centro de Informática), Carmelo José Albanez Bastos Filho (UPE/Escola Politécnica de PE) e Judith Kelner (UFPE/Centro de Informática).

A terceira dissertação, “Parametrized Constant-Depth Quantum Neuron”, produzida pelo discente Jonathan Henrique Andrade de Carvalho e orientado pelo professor Fernando Maciano de Paula Neto, será defendida às 15h, no anfiteatro do Centro de Informática. A banca examinadora é formada pelos professores Paulo Salgado Gomes de Mattos Neto (UFPE/Centro de Informática), Tiago Alessandro Espinola Ferreira (UFRPE/Departamento de Estatística e Informática) e Fernando Maciano de Paula Neto (UFPE/Centro de Informática).

Resumo 1

Encontrar defeitos em sistemas ou aplicações computacionais é uma das principais atividades na indústria de software. Isso impacta diretamente a qualidade e performance do produto final, gerando consequências para o usuário e o fornecedor. Uma das situações atreladas às atividades de detectar defeitos, é quando o defeito não é percebido na etapa que ele deveria ser detectado, e então é incorporado ao produto. Chamamos este acontecimento de defeito escapado, uma vez que o defeito foi escapado pelo testador daquela etapa. A fim de mitigar ou eliminar os defeitos escapados, é comum se ter um setor responsável pelas suas análises. Esse setor analisa e avalia os bugs perdidos com o intuito de entender o contexto em que eles estão inseridos e corrigir as falhas. Assim a falha não volta a acontecer e temos um ganho na qualidade do produto e performance dos testes. A análise de defeitos escapados também é uma forma de medir o desempenho da equipe de testes, bem como o lançamento de novos produtos e serviços. Entretanto, apesar de ser uma atividade importante, ela exige recursos como tempo, equipamentos, treinamentos e outros. Portanto, nem sempre é possível ser aplicada de forma constante e precisa. Neste trabalho, construímos um sistema de aprendizagem de máquina para automatizar o processo de análise de defeitos escapados. Utilizamos Bug Reports reais da indústria como dados históricos no nosso modelo. Esses documentos de Bug Report representam os defeitos rotulados como defeito escapado e defeito não escapado. Os dados dos campos do Bug Report foram coletados, tratados e utilizados como entrada pro nosso modelo, o qual utilizou o Random Forest como classificador principal. Como resultado, obtivemos o ranking dos Bug Reports com maior probabilidade de ser um defeito escapado. Com isso, é possível que os testadores da indústria de software concentrem e direcionem os esforços nos Bugs Reports com maior ou menor chance de ser um defeito escapado. Dessa forma, eles conseguem otimizar recursos de operação de trabalho. Para medir o desempenho do classificador, utilizamos a Curva ROC e uma nova métrica que propomos, a curva de custo-benefício. Em ambas as métricas, obtivemos resultados significativos e promissores.

Resumo 2

A Robótica Assistiva e Educacional é uma das áreas de amplo destaque no campo da Interação Humano-Robô. Em relação a esse aspecto, recente revisão de literatura indica que o uso de robôs sociais no domínio educacional tem despertado significativa atenção nos últimos anos. Recursos tecnológicos podem apoiar a educação musical no desenvolvimento de habilidades individuais, além de apoio ao ensino à distância e o fortalecimento da autoeficácia e do aprendizado de habilidades independentes. As tecnologias podem reforçar as estratégias de aprendizagem existentes e incentivar mais pessoas a aprender música. O engajamento, nesse sentido, é fundamental para evitar a desistência e induzir o interesse do indivíduo em desenvolver novos horizontes de aprendizagem. O presente trabalho concentra-se então na comparação de dois modelos de robôs sociais que executam a mesma aplicação de Interação Humano-Robô (IHR) visando o contexto da educação musical para crianças, e a descoberta dos designs robóticos preferidos pelo público-alvo nas tarefas avaliadas. A avaliação realizada usou um protocolo remoto experimental que apoia a coleta de feedback on-line com os usuários durante a pandemia do covid-19. Os resultados empíricos apoiaram a realização de avaliações quantitativas e qualitativas de nossa aplicação, além de destacar as diferenças percebidas nos recursos existentes nos corpos desses robôs.

Resumo 3

A computação quântica vem revolucionando o desenvolvimento de algoritmos. No entanto, apenas dispositivos quânticos de escala intermediária e ruidosos estão disponíveis atualmente, situação que impõe várias restrições à implementação de circuito de algoritmos quânticos. Neste trabalho, nós propomos uma estrutura que constrói neurônios quânticos baseados em máquinas de kernel, incluindo para dispositivos quânticos reais. Esquemas anteriores são casos particulares da nossa estrutura generalizada, na qual os neurônios quânticos diferem entre si pelos seus mapeamentos para espaços de características. Sob essa estrutura, nós apresentamos um neurônio que aplica um mapeamento de características baseado em produto tensorial para um espaço exponencialmente maior. O neurônio proposto é implementado por um circuito de profundidade constante com um número linear de portas elementares de um único bit quântico. O neurônio existente aplica um mapeamento de características baseado em fase com uma implementação de circuito exponencialmente custosa, mesmo usando portas de múltiplos bits quânticos. Adicionalmente, o neurônio proposto tem parâmetros que podem mudar a forma da sua função de ativação. Aqui, nós mostramos a forma da função de ativação de cada neurônio quântico. Acontece que essa parametrização permite ao neurônio proposto se ajustar a padrões subjacentes que o neurônio existente não consegue se ajustar. Como resultado, o neurônio proposto produz soluções ótimas para os seis problemas de classificação abordados aqui, enquanto que o neurônio existente resolve apenas dois deles. Por fim, nós demonstramos a viabilidade dessas soluções de neurônios quânticos em um simulador quântico.

Data da última modificação: 09/08/2022, 17:28