Próximas defesas e eventos

Título: Efeito de Pares de Gênero na Escolha de Curso Superior: Uma abordagem de ciência de dados

Resumo: No Brasil, persistem disparidades de gênero significativas na escolha de cursos superiores, notadamente a sub-representação feminina em áreas de ciência, tecnologia, engenharia e matemática (STEM). O ambiente escolar vivenciado durante o ensino médio, incluindo a composição de gênero da coorte, é um fator contextual que pode influenciar essas decisões cruciais de trajetória educacional e profissional. Embora a literatura internacional investigue os efeitos de pares de gênero, a influência causal específica dessa composição de gênero no contexto brasileiro de acesso ao ensino superior (via ENEM/SISU), considerando sua escala e heterogeneidade, permanecia pouco compreendida. Faltavam evidências robustas em nível nacional para informar políticas de equidade. Essa pesquisa investigou como a composição de gênero da coorte de ensino médio impacta a escolha de graduação em âmbito nacional, utilizando uma abordagem de ciência de dados. Combinou-se, de forma inédita, múltiplas fontes públicas (ENEM, SISU e Censo Escolar), desenvolvendo etapas de pré-processamento e integração para criar uma base de dados unificada. Realizou-se uma análise exploratória detalhada para caracterizar o perfil dos estudantes, instituições e cursos, identificando padrões de desempenho e escolha por gênero e região. Para estimar o efeito causal dos pares, aplicou-se uma metodologia econométrica baseada em variações idiossincráticas na composição de gênero das coortes, controlando por efeitos fixos e características observáveis. A análise descritiva mostrou uma predominância feminina no ENEM, mas também disparidades socioeconômicas e de desempenho em áreas de exatas, além de uma segmentação por gênero nas escolhas de curso via SISU. Os resultados estimados pelo modelo econométrico indicam que há um grande gap de gênero inicial para STEM e Tecnologia da Informação (TI). Embora a composição de gênero da coorte não tenha mostrado efeito médio significativo na escolha geral por STEM, identificou-se um efeito diferenciado por gênero para TI: uma maior proporção de colegas mulheres foi associada a uma menor probabilidade de homens escolherem TI e a uma maior(embora pequena) probabilidade de mulheres escolherem esta área. Esse estudo contribui ao gerar um perfil detalhado das escolhas de curso e ao fornecer evidências causais em escala nacional sobre o efeito de pares de gênero, a partir da integração de bases de dados abrangentes. Os achados destacam a complexidade do fenômeno e a importância de análises específicas por área (como STEM e TI), podendo subsidiar políticas mais direcionadas para a promoção da equidade em ambientes educacionais.

Palavras-chave: Engenharia de dados, Ciência de dados, Econometria, Composição de gênero, Escolhas de graduação, Ensino médio, Educação, SISU, ENEM, Censo Escolar

Título: Integração de banco de dados com estrutura de dependência entre observações.

Resumo: A integração de bancos de dados em estudos multiômicos, em particular, aqueles que en- volvem a combinação de dados fenotípicos com genômicos, exige técnicas que considerem a estrutura de dependência entre observações, especialmente em contextos onde as amostras apresentam vínculos familiares ou correlações genéticas. Este trabalho explora métodos de integração de dados que incorporam essas estruturas de dependência, buscando melhorar a precisão das estimativas e a interpretação dos resultados. Utilizando formulações da Análise de Correlação Canônica Generalizada (GCCA), esta pesquisa permite a análise conjunta de diferentes conjuntos de dados ao maximizar a correlação entre blocos de variáveis, particio- nando informações que são compartilhadas entre indivíduos com dependências familiares e ou genéticas daquelas que são compartilhadas entre indivíduos independentes. Para esse fim, são empregados modelos mistos poligênicos no contexto da análise de correlação canônica. A aplicação desses métodos é considerada em dados simulados e reais, e visam aprimorar a identificação de biomarcadores associados a variáveis de interesse, oferecendo uma visão integrativa e robusta de sistemas biológicos complexos e possibilitando avanços na medicina personalizada e na genética populacional, ao mesmo tempo que explora novas abordagens na análise e integração de dados ômicos com estrutura de dependência entre observações.

Palavras-chave: Análise de Correlação Canônica Generalizada, Dependência entre obser- vações, Integração de Dados Multiômicos, Modelos Mistos Poligênicos

Título: Abordando ambiguidade: visualizando e controlando erros gerados por agrupamento de trajetórias

Resumo: Visualizar grandes grafos e conjuntos de trajetos é desafiador. Plotá-los diretamente em imagens gera muita poluição visual, obscurecendo informações relevantes dos dados. Técnicas de agrupamento de trajetos (path bundling) buscam melhorar a visualização desses conjuntos de dados ao agrupar trajetos com atributos semelhantes, como posição, direção ou conectividade na rede. Ao combinar trajetos em agrupamentos (bundles), essas técnicas reduzem a desordem visual e destacam a estrutura geral da rede. Por sua natureza, as técnicas de agrupamento deformam o desenho original para gerar a imagem final. Essa deformação introduz erros em relação aos dados originais, o que pode levar a interpretações equivocadas e conclusões falsas. Medir a qualidade de uma visualização agrupada também é desafiador, com diversas abordagens divergentes para quantificar diferentes características dos dados. Uma métrica de qualidade notável é a ambiguidade de trajetos (path ambiguity). A ambiguidade de trajetórias ocorre quando a visualização agrupada gera interpretações incorretas dos padrões de conectividade dos dados subjacentes. Embora problemas de ambiguidade afetem a maioria das técnicas de agrupamento atuais, poucas tentam abordá-los diretamente. Além disso, não há uma métrica disponível que possa indicar ao usuário o nível de ambiguidade presente em uma determinada região da visualização. Nesta dissertação de mestrado, propomos uma nova métrica de ambiguidade que mede com sucesso a ambiguidade local em desenhos agrupados. Nossa métrica é a primeira a representar a ambiguidade como um campo escalar para o desenho. Uma aplicação da métrica é exibir valores de ambiguidade aos usuários por meio de mapas de cores, indicando o quanto eles podem confiar em uma região específica do desenho. Adicionalmente, apresentamos uma aproximação computacional da métrica que reduz tanto o tempo de processamento quanto o consumo de memória, permitindo o cálculo de valores de ambiguidade para conjuntos de dados com milhões de trajetos. Por fim, também propomos o Image-Based Ambiguity-Avoidance Bundling (IBAVB), um novo método de agrupamento que integra a prevenção de ambiguidade em métodos iterativos de agrupamento. O IBAVB utiliza os resultados de nossa métrica de ambiguidade para desacelerar estrategicamente o agrupamento de trajetos quando a ambiguidade aumenta, criando um equilíbrio entre a força do agrupamento e o controle de ambiguidade. Por meio de experimentos, demonstramos que o IBAVB reduz efetivamente a ambiguidade de trajetos do método em que está sobreposto, tornando-o uma opção atraente para aprimorar técnicas existentes.

Palavras-chave: Visualização de dados, Agrupamento de trajetórias, Ambiguidade

Título: Transformada Imagem-Floresta Orientada Hierárquica sujeita a Restrições de Proximidade

Resumo: Nesta proposta, abordamos o problema de segmentação de imagens sujeita a restrições de alto nível esperadas para os objetos de interesse. Mais especificamente, definimos restrições de proximidade a serem usadas em conjunto com restrições geométricas de inclusão no algoritmo da Transformada Imagem-Floresta Orientada Hierárquica (HLOIFT - Hierarchical Layered Oriented Image Fores- ting Transform). A HLOIFT é capaz de segmentar objetos em diferentes níveis hierárquicos e tais objetos guardam relações entre si, podendo ser de inclusão ou exclusão. Na relação de inclusão, a área de um objeto presente em um nível hierárquico "filho"está totalmente contida na área de um objeto "pai". A nova restrição proposta tem por objetivo limitar a distância máxima (em um sentido geodésico) entre as bordas de pares de objetos aninhados pela relação de inclusão. Neste contexto, objetiva-se melhorar a acurácia do algoritmo de segmentação quando utilizado para seg- mentar objetos que tenham uma relação previsível de distância entre suas bordas, tais como placas de sinalização, quadros emoldurados ou estruturas em imagens médicas, nas quais órgãos respeitam relações de posição espacial e proporção. O método, ao utilizar conhecimento prévio dos objetos de interesse, pode dispensar bases de treinamento rotuladas, tal como utilizado em algoritmos de aprendizado supervisionado, podendo assim ser também usado em situações em que inexiste base de dados relevante ou quando seu tamanho é insuficiente. Neste trabalho, além de formular a nova restrição de proximidade, dois algoritmos diferentes são propostos para resolver o problema de oti- mização de uma energia de corte em grafos sujeita a nova restrição, assim como é apresentada uma variação da restrição para lidar com distâncias relativas ao tamanho do objeto.

Palavras-chave: Segmentação baseada em grafos, Restrições hierárquicas, Restrições de Proximi- dade, Transformada Imagem-Floresta.

Título: Recomendação de próxima cesta aplicada à previsão de portfólio de fundos de investimento

Resumo: A previsão de portfólios de fundos mútuos representa um problema desafiador, porém economicamente significativo, com implicações para os trilhões de dólares gerenciados por esses veículos de investimento globalmente. Esta tese aplica técnicas de sistemas de recomendação a este domínio, definindo a evolução de portfólios como uma manifestação do clássico dilema da exploração-aproveitamento. Fazemos uma contribuição metodológica fundamental ao decompor a tarefa de previsão em posições mantidas (aproveitamento) e novas aquisições (exploração), revelando características de previsibilidade drasticamente diferentes que permaneceriam ocultas em uma avaliação unificada. Utilizando registros públicos da SEC, criamos conjuntos de dados de referência abertos que possibilitam pesquisas reproduzíveis de aprendizado de máquina financeiro em um campo frequentemente limitado por dados proprietários. Ampliamos métricas padrão para incorporar percentuais de alocação e avaliamos sistematicamente diversas arquiteturas de recomendação. Nossos resultados revelam uma surpreendente relação inversa entre complexidade do modelo e desempenho: modelos mais simples como EASE (uma abordagem linear de filtragem colaborativa) consistentemente superam redes neurais sofisticadas e modelos sequenciais específicos para explorar novas aquisições, alcançando NDCG@20 de 0,1904 em comparação com 0,1362 para BTBR, o melhor modelo NBR específico. Para previsão de posições mantidas, uma simples heurística de Última Alocação alcança resultados notáveis (NDCG@20 de 0,9333), superando significativamente até as melhores abordagens de aprendizado de máquina. Análises adicionais identificam fatores críticos que afetam o desempenho: (1) a recência temporal impacta significativamente a previsão de exploração, com modelos treinados em dados recentes superando substancialmente aqueles que usam histórico estendido; (2) a incorporação de posições existentes prova-se essencial para a previsão eficaz de exploração, demonstrando que essas decisões são tomadas em relação à estrutura atual do portfólio; e (3) o estilo de gestão molda fundamentalmente os padrões de previsibilidade—fundos passivos exibem maior previsibilidade para novas aquisições devido às suas restrições de acompanhamento de índices, enquanto fundos ativos demonstram maior previsibilidade para posições mantidas, refletindo estratégias baseadas em convicção. Esses resultados sugerem uma abordagem prática de recomendação dual em aplicações financeiras: utilizando heurísticas simples para manutenção de posições enquanto aplica modelos de filtragem colaborativa para previsão de exploração. Além da previsão direta de portfólios, nossa abordagem permite identificação de tendências de mercado, detecção de mudanças de estratégia e análise aprimorada de similaridade entre fundos. Esta pesquisa estabelece uma base para trabalhos futuros na interseção entre sistemas de recomendação e análise financeira, fornecendo insights acionáveis para análise institucional e aplicações de investimento de varejo.

Palavras-chave: sistemas de recomendação, fundos de investimento, previsão de carteira

Título: Resolução do Problema da Ajuste Métrico: métodos e resultados

Resumo: O Problema da Aproximação Métrica consiste em encontrar a matriz de distâncias mais próxima, usando a norma $\ell_p$, para uma matriz de dissimilaridade dada de forma que as propriedades métricas, particularmente as desigualdades triangulares, sejam satisfeitas. Este problema pode ser aplicado em diversos contextos, incluindo localização de sensores, processamento de imagens e agrupamento de dados, onde os dados fornecidos possuem ruídos ou estão incompletos e precisam ser corrigidos. Este trabalho oferece estudos tanto teóricos quanto práticos do problema. A formulação do problema é apresentada sob as normas $\ell_{1}$, $\ell_{2}$ e $\ell_{\infty}.$ Dois métodos de otimização numérica são estudados e aplicados: o método de Lagrangiano Aumentado via Algencan e o método de projeção de Dykstra, que pode ser especificamente programado para este problema. Ambos são aplicados às três normas. Otimizações foram implementadas para lidar com o grande número de restrições, aproveitando de padrões no algoritmo. Diversos experimentos foram conduzidos em conjuntos de dados sintéticos e reais para avaliar o desempenho computacional e a precisão numérica. O problema com a norma $\ell_{2}$ foi especialmente adaptado ao Algencan devido à sua estrutura não linear, enquanto o método de Dykstra mostrou desempenho superior em conjuntos de grande escala devido à implementação específica que gera baixos requisitos de memória. Em casos lineares, com as normas $\ell_{1}$ e $\ell_{\infty}$, também foi realizada uma comparação com o método Simplex. Os resultados revelam que o método de Dykstra, quando aplicado corretamente, pode resolver problemas com até $10^{11}$ restrições.

Palavras-chave: Problema de Ajuste Métrico, Algencan, Dykstra.

Título: Estimação robusta no regressão normal multivariado com parametrização geral

Resumo: Este trabalho explora o uso da medida de $q$-entropia não extensiva para a estimação de parâmetros no modelo de regressão normal multivariado com parametrização geral. Esse modelo abrange uma ampla classe de modelos de regressão, incluindo modelos mistos, modelos com erros nas variáveis, modelos não lineares, entre outros. O estimador resultante, denominado estimador de máxima verossimilhança L$_q$, depende de um parâmetro de afinação $q$, escolhido para melhorar a precisão inferencial na presença de outliers. Derivamos as quantidades necessárias para obter o estimador dos parâmetros e a matriz de variância e covariância do estimador de máxima verossimilhança L$_q$ sob essa classe geral de modelos. Algumas dessas quantidades são detalhadas para três casos específicos: modelos mistos, modelos com erros nas variáveis e modelos não lineares. Embora o estimador de máxima verossimilhança L$_q$ possa ser inconsistente, neste trabalho encontramos um novo estimador que satisfaça a propriedade de consistência por meio de uma função de calibração. Também obtemos outro estimador consistente e robusto que minimiza uma versão empírica da divergência potência entre densidades, denominado estimador de mínima divergência potência entre densidades. Para avaliar o desempenho da nossa proposta, conduzimos simulações de Monte Carlo na ausência e na presença de outliers em amostras finitas. Finalmente, aplicamos nosso método a dados do mundo real.

Palavras-chave: Parametrização geral, Verossimilhança L$_q$, Modelos de regressão, Estimação robusta

Título: Gerenciando a Evolução Semântica em Bancos de Dados: Da Teoria à Implementação

Resumo: A heterogeneidade semântica é um desafio comum na análise de conjuntos de dados que se estendem por longos períodos. Com o tempo, as fontes de dados podem mudar a forma como as informações são agrupadas, como as categorias são nomeadas ou quais unidades de medida são utilizadas. Consequentemente, consultar esses dados geralmente exige que os usuários estejam plenamente cientes de todas as inconsistências históricas e adaptem manualmente tanto suas consultas quanto a interpretação dos resultados — um processo trabalhoso e sujeito a erros. Esta dissertação de mestrado apresenta fundamentos teóricos e ferramentas práticas para lidar com a evolução semântica de dados. Duas estratégias complementares são propostas: reescrita de consultas e pré-processamento dos dados. Para ambas, foram desenvolvidos modelos de armazenamento e algoritmos dedicados ao tratamento da evolução semântica, garantindo não apenas a recuperação correta dos registros, mas também sua compatibilidade semântica no momento da consulta. Um sistema protótipo, o MellowDB, foi desenvolvido para permitir que usuários consultem dados semanticamente heterogêneos sem a necessidade de lidar manualmente com a evolução semântica subjacente. Desde que um histórico completo das mudanças semânticas esteja disponível, é possível escrever consultas como se os dados fossem homogêneos — obtendo, ainda assim, resultados consistentes e significativos. O arcabouço parte do pressuposto de que toda heterogeneidade semântica é causada por operações de evolução discretas e datadas, que podem ser ordenadas cronologicamente. Três dessas operações são formalmente definidas e implementadas: tradução, agrupamento e desagrupamento. O modelo, no entanto, é extensível para acomodar outros tipos de mudanças semânticas. O sistema foi avaliado com um conjunto de dados reais: as causas de óbito no Brasil entre 1979 e 2021. Esse conjunto ilustra dois tipos importantes de evolução semântica: a alteração do padrão de classificação baseada no CID-9 para o CID-10 em 1996 e a reestruturação ou renomeação frequente de municípios brasileiros ao longo do tempo. Os testes de desempenho mostram que ambas as estratégias são viáveis para uso em ambientes de produção, e a escolha entre elas depende principalmente das características da carga de trabalho — especialmente da proporção entre leituras e gravações. Com a seleção correta da abordagem e boa indexação, o sistema consegue responder a consultas com um tempo adicional menor que um centésimo de segundo. A abordagem de pré-processamento de dados mostrou-se particularmente eficiente, superando de forma consistente a abordagem de reescrita de consultas na maioria dos cenários testados, embora a reescrita seja preferível em situações em que inserções representem mais de 95\% das operações (cenários com predominância de escrita). Este trabalho traz uma contribuição inédita e prática para o campo da evolução semântica ao propor um arcabouço robusto para lidar com a heterogeneidade semântica e viabilizar consultas precisas e contínuas mesmo diante da evolução semântica, sem exigir do usuário o tratamento manual dela.

Palavras-chave: bancos de dados,evolução semântica,heterogeneidade semântica,reescrita de consultas,pre-processamento de dados, tradução, agrupamento, desagrupamento

Título: Sequence Design e Deep Reinforcement Learning: Uma nova perspectiva no tratamento da Hemofilia B

Resumo: Neste trabalho, propomos o desenvolvimento de um pipeline computacional para o design de proteínas substitutas ao Fator IX de coagulação humana (FIX), com o objetivo de otimizar seu uso terapêutico no tratamento da hemofilia B. A metodologia combina aprendizado por reforço profundo com técnicas avançadas de modelagem estrutural e análise de interação molecular. O pipeline é dividido em três módulos principais: (i) Condições Iniciais, responsável por gerar a sequência inicial de aminoácidos e avaliar sua estrutura; (ii) Trereforço para realizar mutações na sequência inicial que minamento, no qual um agente GenSeq é treinado com aprendizado por aximizem a similaridade estrutural com o FIX; e (iii) Geração de Sequências, que utiliza o agente treinado para explorar o espaço de sequências. A avaliação das proteínas geradas inclui a análise de similaridade estrutural, o estudo das interações moleculares com outras macromoléculas, como o Fator VIII de coagulação humana (FVIII), e a avaliação do perfil imunológico. Os resultados demonstram que as proteínas propostas apresentam alta similaridade estrutural com o FIX nativo, interações moleculares eficientes com o FVIII e perfis imunogênicos comparáveis ou mais favoráveis que o FIX. O pipeline mostrou-se promissor como ferramenta para o design de proteínas terapêuticas personalizadas e de baixo risco imunológico para aplicação clínica no tratamento da hemofilia B.

Palavras-chave: Hemofilia B, Fator IX, Design de proteínas, Aprendizado por Reforço, PPO, Imunogenicidade, Docking Molecular.

Título: O ensino de polinômios e números complexos: uma proposta visando adaptar esse assunto à Base Nacional Comum Curricular com questões adequadas ao Enem

Resumo: A introdução de questões pertinentes ao assunto Polinômios e Números Complexos ao Ensino Médio, principalmente encaixando essas questões na formulação do Enem (Exame Nacional do Ensino Médio), contribui para que os indivíduos possam realizar uma interpretação correta e crítica de vários fenômenos presentes na natureza e na sociedade da qual fazem parte. Para descrever esse tipo de associação, um método bastante relevante é o uso de exercícios com motivos cotidianos associados a Matemática Financeira, fenômenos físicos, modelos etc., os quais possibilitam o desenvolvimento de habilidades vinculadas a um tipo de raciocínio específico. Nesta dissertação, apresentou-se uma sequência de exercícios práticos para estudantes do Ensino Médio – baseada na Metodologia de Ensino-Aprendizagem-Avaliação de Matemática através da Resolução de Problemas. As situações de Resolução de Problemas permitem, na maioria das vezes, que os estudantes façam associações entre o mundo ao seu redor e a matemática, propiciando a busca por caminhos e estratégias para soluções dos problemas propostos ativando conhecimentos prévios de matemática, bem como de outros saberes. A pesquisa, pautada por uma análise qualitativa e situada na modalidade da pesquisa-ensino apresentou como suporte os referenciais teóricos acerca da Resolução de Problemas, com o intuito de encaixar Polinômios e Números Complexos na Educação Básica em acordo com a Base Nacional Comum Curricular. A grande dificuldade de ensinar Matemática no Ensino Médio ocorre pela falta de interesse dos alunos com os conteúdos, que, muitas vezes, são ensinados de forma descontextualizada. Quase sempre os conceitos relacionados a polinômios são apresentados na forma de algoritmos, visando à fixação na forma de repetição sem desenvolver uma situação cotidiana para ilustrar o problema. Sendo assim, pretendemos estimular a curiosidade e incentivar o conhecimento sobre os conceitos básicos de polinômios e sobre as técnicas para resolver equações polinomiais. A proposta didática contempla um plano de aula que relaciona os conteúdos com Física, Economia e Administração.

Palavras-chave: Palavras-chave: Resolução de Problemas. Educação Matemática. Polinômios. Números Complexos.

Título: K-teoria de C*-algebras: comparando a sequência exata de Pimsner-Voiculescu com a abordagem clássica na investigação dos K-grupos de uma C*-álgebra

Resumo: Usando a sequência exata de Pimsner-Voiculescu, investigamos a K-teoria da C*-álgebra A(T^n) nos casos em que n = 1 e n = 2. Comparamos esta abordagem com a abordagem mais clássica, que usa a seqüência exata fundamental de K-teoria, e discutimos os resultados.

Palavras-chave: sequência exata de Pimsner-Voiculescu, produto-cruzado, K-teoria, C*-algebra

Título: Avaliação de aterosclerose a partir de análises longitudinais de imagens ultrassonográficas utilizando-se curvas de nível adaptativas por redes neurais convolucionais e mecanismo de atenção reversa

Resumo: A aterosclerose é um processo patológico que pode levar ao estreitamento das artérias devido à formação de placa de gordura. Em decorrência disso, doenças cardiovasculares e acidentes vasculares cerebrais ceifam vidas, sem que se saiba a causa exata. As imagens ultrassonográficas permitem a investigação das artérias carótidas e da avaliação da espessura da camada lúmen-íntima e média-adventícia (EIMC). Tal medida é um indicador importante da evolução da doença em conjunto com exames clínicos. Nesta tese, propõe-se um modelo baseado em curvas de nível adaptativas, cujos parâmetros iniciais são derivados de uma rede neural convolucional, com o objetivo de segmentação e mensuração do EIMC. Para avaliá-lo em conjunto com os dados clínicos longitudinais, a fim de predizer a gravidade de risco em novos casos, é utilizado um modelo de rede neural recorrente com mecanismo de atenção reversa. Os resultados obtidos para uma amostra de casos do ELSA-Brasil quanto à segmentação e à aferição do EIMC são estatisticamente compatíveis com os obtidos por especialistas, bem como permitiram relacionar fatores antecedentes e projetar a evolução esperada do quadro clínico.

Palavras-chave: aterosclerose, ultrassonografia, curvas de nível, redes neurais

Título: Extração e avaliação de ontologias para a Amazônia Azul: um experimento com modelos de linguagem de grande escala

Resumo: O território marítimo brasileiro, frequentemente chamado de Amazônia Azul, possui uma importância inestimável por seus recursos, biodiversidade, importância comercial etc. No entanto, as informações sobre ela são dispersas. Buscando métodos eficientes com resultados satisfatórios para a tarefa de organizar o conhecimento sobre essa região na forma de ontologia, uma abordagem envolvendo modelos de linguagem de grande escala (LLMs, do termo Large Language Models, em inglês) no papel de especialistas para a construção de hierarquias conceituais tem mostrado resultados promissores. Este trabalho apresenta a experimentação com a construção de ontologia usando conceitos relacionados à Amazônia Azul utilizando o GPT, seguida de avaliação humana e análise dos resultados. Este trabalho busca lançar luz sobre o potencial desses modelos no auxílio à construção de ontologias.

Palavras-chave: extração de ontologias, avaliação de ontologias, modelos de linguagem de grande escala, Amazônia Azul

Título: Estudo de um problema de Dirichlet não local com ações impulsivas: estimativa de crescimento para as soluções

Resumo: Neste trabalho, estuda-se um problema de Dirichlet com difusão não local, definida por um núcleo contínuo, de natureza semi-linear e com impulsos. O objetivo é apresentar um estudo auto-contido, iniciando com resultados preliminares referentes à versão linear do problema, para, em seguida, obter estimativas para as soluções do caso semi-linear com impulsos. Na introdução, apresenta-se uma motivação para o modelo proposto, à luz dos fenômenos de reação e difusão.

Palavras-chave: Problema de Dirichlet, difusão não local, equações de reação-difusão, ação im- pulsiva.

Título: Aprendizado por reforço para caminho de custo mínimo estocástico com becos sem saída

Resumo: Problemas em Aprendizado por Reforço são frequentemente modelados usando Processos de Decisão de Markov de Horizonte Infinito Descontado (do inglês, Infinite Horizon Discounted Markov Decision Processes - IHD-MDPs). No entanto, a comunidade de Planejamento Probabilístico argumenta que problemas de Caminho Mais Curto Estocástico (do inglês, Stochastic Shortest Path - SSP) oferecem uma estrutura mais natural para tarefas orientadas a meta. Em particular, ao lidar com SSPs envolvendo becos-sem-saída (ou seja, estados dos quais o agente não pode mais atingir a meta), MDPs descontados requerem o ajuste cuidadoso do fator de desconto. Alavancados pelos resultados da pesquisa de Planejamento Probabilístico, neste trabalho, propomos modificações em algoritmos clássicos de Aprendizado por Reforço, como Q-learning, para resolver três classes de SSPs: (i) SSPs sem becos-sem-saída, (ii) SSPs com becos-sem-saída evitáveis e (iii) SSPs com becos-sem-saída inevitáveis. Essas modificações são importantes, pois a equação de Bellman pode divergir em SSPs com becos-sem-saída, permitindo que algoritmos de Aprendizado por Reforço sejam aplicáveis em uma ampla gama de problemas orientados a meta.

Palavras-chave: Aprendizado por Reforço, Caminho Mais Curto Estocástico, Becos sem Saída, Meta, Planejamento Probabilístico, Aprendizado de Máquina

Título: Métodos baseados em saliência para corte automatizado de vídeo em filmagens de calçadas

Resumo: A condição da infraestrutura urbana é um aspecto fundamental para garantir a segurança e o bem-estar dos pedestres. Esse fator torna-se ainda mais relevante ao se considerar a acessibilidade para pessoas com mobilidade reduzida, como idosos e pessoas com deficiência visual, que são particularmente vulneráveis a calçadas mal conservadas. Regiões no entorno de hospitais merecem atenção especial — não apenas pelo alto fluxo de pedestres e veículos, mas também por atenderem indivíduos em condições de saúde fragilizadas, que demandam acesso seguro e confiável aos serviços médicos. Nesse contexto, diversas ferramentas computacionais já demonstraram seu potencial, como a classificação de materiais de superfície e a detecção de obstáculos; no entanto, a maioria das soluções existentes depende de dados rotulados, cuja obtenção é dispendiosa e demorada. Para suprir essa lacuna, propõem-se duas estratégias para predição de saliência em vídeos, com o objetivo de reduzir a dependência de rotulagem manual e contribuir para a análise de calçadas. Ambas as estratégias visam, em última instância, o treinamento de preditores de saliência adaptados a características específicas do ambiente urbano. A primeira estratégia explora a atenção visual humana, convertendo cliques de usuários em mapas de atenção por meio de pós-processamento. Essa abordagem demonstra particular eficácia na identificação de obstáculos genéricos em calçadas, como rachaduras e defeitos na superfície. A segunda estratégia emprega o modelo Segment Anything Model 2 (SAM2), aprimorado com etapas adicionais de processamento, para gerar de forma mais eficiente dados de vídeo rotulados voltados a características táteis especializadas. Isso possibilita o treinamento de preditores de saliência capazes de reconhecer elementos-chave do piso tátil, incluindo alterações de direção e placas táteis danificadas. Um diferencial dessa abordagem é sua escalabilidade – com potencial para ser estendida à detecção de uma gama mais ampla de características no ambiente urbano. Esses modelos de saliência constituem a base para um método proposto de recorte automático de vídeos, que visa eliminar regiões irrelevantes dos quadros e destacar as áreas mais significativas com base nos mapas de saliência gerados. Essa abordagem permite identificar regiões-chave em cada quadro e viabiliza aplicações como redirecionamento de vídeo com consciência de conteúdo, foco de atenção em objetos e análise das condições das calçadas, ao evidenciar defeitos e riscos potenciais. Esta pesquisa consolida estudos anteriores (Suayder M. Costa et al., 2024b; Suayder M Costa et al., 2024a; Suayder M Costa et al., 2025), apresentando as seguintes contribuições principais: (1) desenvolvimento de uma ferramenta de anotação de vídeos baseada em cliques, (2) um conjunto de dados anotados de vídeos egocêntricos de calçadas, voltado para predição de saliência, (3) implementação de duas estratégias de detecção de saliência para recorte de vídeos de calçadas, (4) treinamento e avaliação de modelos de saliência para análise estrutural de calçadas, e (5) integração desses modelos em um framework de recorte automático de vídeo. Os resultados experimentais demonstram que os modelos de saliência propostos destacam de forma eficaz informações relevantes em ambientes urbanos, alcançando AUC de 0,582 para atenção baseada em humanos e 0,914 para atenção baseada em elementos táteis, contribuindo assim para o aprimoramento de tecnologias assistivas voltadas a pessoas com deficiência visual.

Palavras-chave: predição de saliência, infraestrutura urbana, pavimento tátil, recorte de vídeos