ICEx UFMG - Mostrando itens por tag: Dissertação

A Coordenação do Programa de Pós-Graduação em Ciência da Computação tem a satisfação de convidá-lo para a Defesa de Dissertação:

 

Learning the Latent Structure of Networked Point Processes

Guilherme Resende Borges

 

A temporal point process is a sequence of timestamps representing the occurrences of certain events. Recently, there has been a lot of work on the use of Networked Point Processes to extract the latent graphs of large scale networks. The problem can be framed as follows: Given a set of timestamps (e.g. messages or posts) for K entities (e.g. users or web pages), can we extract a latent K by K graph that corresponds to an underlying complex network using only the timestamps? This task has gained attention of researchers and practitioners due to its wide applicability and several models have been proposed to extract such relationships in different datasets. However, we have found that such models are usually under-evaluated. That is, past endeavours focus on a small set of unjustified metrics for one or two datasets at most. To provide the community with a rigorous benchmark, we propose an evaluation framework of metrics and datasets for network inference via Point Processes.

 

Comissão Examinadora:

 

Prof. Pedro Olmo Stancioli Vaz de Melo - Orientador (DCC - UFMG)

Prof. Renato Martins Assunção - Coorientador (DCC - UFMG)

Prof. Flavio Vinicius Diniz de Figueiredo - Coorientador (DCC - UFMG)

Prof. Daniel Ratton Figueiredo (PESC - UFRJ)

Prof. Heitor Soares Ramos Filho (DCC- UFMG)

 

5 de Dezembro de 2019

14:00h

 

Sala 2077 do ICEX

A Coordenação do Programa de Pós-Graduação em Ciência da Computação tem a satisfação de convidá-lo para a Defesa de Dissertação:

 

Product Partition Model for Categorical Features

Tulio Lima Criscuolo

 

A common difficulty in data analysis is how to handle categorical predictors with a large number of levels or categories. There are few proposals developed in the literature to handle this important and frequent problem. We introduce a generative model that simultaneously carries out the model fitting and the aggregation of the categorical levels into larger groups. Our approach is based on imposing a graph where the nodes are categories and creating a probability distribution over meaningful partitions of this graph. Being a Bayesian model, it allows the posterior inference, including uncertainty measurement, on the estimated parameters and the categories partition. We compare our method with the state-of-art methods showing that it has equally good predictive performance and much better interpretation ability. Given the current concern on balancing accuracy versus interpretability, our proposal reaches an excellent result.

 

Comissão Examinadora:

 

Prof. Wagner Meira Júnior - Orientador (DCC - UFMG)

Prof. Renato Martins Assunção - Coorientador (DCC - UFMG)

Prof. Fabricio Murai Ferreira (DCC - UFMG)

Profa. Rosangela Helena Loschi (DEST - UFMG)

Prof. Denis Deratani Mauá (IME - USP)

 

25 de Outubro de 2019

13:00h

 

Sala 6321 do ICEX

Prezada comunidade acadêmica,

A Coordenação do Programa de Pós-Graduação em Ciência da Computação tem a satisfação de convidá-lo para a Defesa de Dissertação:

Um mecanismo de offloading para redes de sensores veiculares
Douglas Leite Leal Moura

As redes de sensores veiculares têm sido amplamente estudadas e provaram ser muito úteis para o monitoramento urbano. A aquisição de uma quantidade massiva de dados pode gerar uma carga significativa na rede celular, por isso estratégias são requisitadas como forma de favorecer a economia da largura de banda. Este trabalho apresenta uma abordagem para fazer o offloading de dados em uma rede de sensores veiculares. Dados que seriam originalmente transmitidos na rede celular serão migrados para uma rede complementar e de baixo custo para serem submetidos a alguma técnica de redução de dados antes do upload. O problema foi modelado como um d-hop dominating set e um algoritmo baseado em medida de centralidade foi proposto para determinar um subconjunto de veículos responsáveis pela agregação e upload dos dados. Os experimentos foram realizados a partir de traços de mobilidade de um cenário real e resultados mostraram uma redução de até 155.40 kB/s no custo de upload.

Comissão Examinadora:

Prof. Antonio Alfredo Ferreira Loureiro - Orientador (DCC - UFMG)
Prof. André Luiz Lins de Aquino (IC - UFAL)
Prof. Heitor Soares Ramos Filho (DCC - UFMG)
Prof. Ricardo Augusto Rabelo Oliveira (DECOM - UFOP)

9 de Agosto de 2019
14:30h
Sala 2077 do ICEX

Prezada comunidade acadêmica,

A Coordenação do Programa de Pós-Graduação em Ciência da Computação tem a satisfação de convidá-lo para a Defesa de Dissertação:

Named Entity Recognition on the Web
João Mateus de Freitas Veneroso

Métodos tradicionais de extração de informação na web são adequados para resolver tarefas de extração dentro de um mesmo website, mas eles são bem menos eficientes quando a tarefa compreende um conjunto heterogêneo de websites. Por outro lado, modelos de Reconhecimento de Entidades Nomeadas (NER) oferecem uma alternativa mais flexível. No entanto, na maior parte das vezes, páginas HTML tem uma organização substancialmente diferente do texto em prosa. Neste trabalho, nós introduzimos um dataset novo e testamos os modelos de NER na tarefa de extração de nomes de pesquisadores. Uma arquitetura de redes neurais que combina uma Bi-LSTM-CRF com representações de caracteres baseadas em LSTMs e o mecanismo rígido de atenção tem um desempenho superior aos demais métodos, alcançando um F1 de 90,2 na tarefa. Contudo, por meio da aplicação de estratégias como o auto-treinamento, conseguimos obter um modelo muito mais simples, o Hidden Markov Model de segunda ordem, que alcança um F1 de 87,9.

Comissão Examinadora:

Prof. Berthier Ribeiro de Araújo Neto - Orientador (DCC - UFMG)
Prof. Adriano Alonso Veloso (DCC - UFMG)
Prof. Renato Martins Assunção (DCC - UFMG)

9 de Agosto de 2019
09:00h
Sala 2077 do ICEX

A Coordenação do Programa de Pós-Graduação em Ciência da Computação tem a satisfação de convidá-lo para a Defesa de Dissertação:

Estratégias de investimento baseadas em microestrutura de mercado
Alef Willis Magno Miranda

O uso de agentes autônomos de investimento se torna cada vez mais comum. Com um grande volume de dados financeiros disponíveis, torna-se viável a construção de novos modelos de negociação. Neste trabalho busca-se modelar novos indicadores baseados em microestrutura de mercado para criar novas estratégias de investimento automatizadas. Para isso, constrói-se um simulador de bolsa de valores, um conjunto de indicadores baseados em microestrutura de mercado, uma técnica de rotulação de séries de preço e, por fim, um agente autônomo de negociação. Utiliza-se dados da B3 para validação experimental do agente autônomo construído. Os resultados financeiros obtidos pelo agente autônomo são avaliados em diferentes cenários, considerando-se custos de operação e latências de rede. Tais resultados financeiros revelam o potencial de se utilizar dados de microestrutura de mercado para construção de estratégias automatizadas de investimento.

Comissão Examinadora:

Prof. Adriano César Machado Pereira - Orientador (UFMG, DCC),
Prof. Anisio Mendes Lacerda (UFMG, DCC),
Prof. Allbens Atman Picardi Faria (CEFET-MG, DFM)

3 de Julho de 2019
09:00h
Sala 6321 do ICEX

A Coordenação do Programa de Pós-Graduação em Ciência da Computação tem a satisfação de convidá-lo para a Defesa de Dissertação:

Classification of Load Balancing in the Internet
Rafael Luis Caldas Almeida

Recent advances in programmable data planes, software-defined networking, and even the adoption of IPv6, support novel, more complex load balancing strategies. We introduce the Multipath Classification Algorithm (MCA), which extends existing formalism and techniques to consider that load balancers may use arbitrary combinations of bits in the packet header for load balancing. We propose optimizations to reduce probing cost that are applicable to MCA and existing load balancing measurement techniques. Through large-scale measurement campaigns, we characterize and study the evolution of load balancing on the IPv4 and IPv6 Internet, using multiple transport protocols. Our results show that load balancing is more prevalent and that load balancing strategies are more mature than previous characterizations have found.

Comissão Examinadora:

Prof. Ítalo Fernando Scotá Cunha - Orientador (DCC - UFMG)
Profa. Renata Cruz Teixeira (LINCS - INRIA)
Prof. Antonio Alfredo Ferreira Loureiro (DCC - UFMG)
Prof. Luiz Filipe Menezes Vieira (DCC - UFMG)

1 de Julho de 2019
09:30h
Sala 6321 do ICEx