Seminários do Programa de Pós-Graduação em Informática da UnB

Data:  02 de junho de 2023

Horário: 14h

Palestrante: Nilson Donizete Guerin Junior (doutorado) 

Orientador: Prof Bruno Macchiavello

Título: Codificação Neural de Imagens

Resumo:  O controle de taxa é uma característica desejável e, em algumas circunstâncias, necessária para a codificação de imagens. Na codificação de imagens, usualmente, o objetivo neste caso é alcançar uma taxa desejada para cada entrada do codificador, de forma que haja mínimo impacto na performance de taxa-distorção. Esta tarefa, portanto, pode ser bastante desafiadora. No contexto de codificação de imagens, um novo paradigma, baseado na utilização de redes neurais, tem sido adotado como ferramenta para alavancar os resultados na área de compressão de imagens. Todavia, as principais abordagens na literatura requerem o treinamento de diversos modelos neurais para diferentes requisitos de qualidade e taxa. Mesmo quando esta característica é obtida com o uso de um único modelo, não há controle sobre os pontos de operação de taxa obtidos. Desta forma, uma ferramenta de codificação que traga a habilidade de obter taxas específicas em redes neurais pode ser um fator determinante para viabilizar a adoção desse paradigma em padrões de codificação. Tendo em vista isso, o objetivo deste trabalho é propor abordagens que façam modelos neurais obter pontos de operação de taxa específicos buscando minimizar as perdas de qualidade. Resultados e análises apresentadas mostram a viabilidade deste objetivo.

Horário: 14h20

Palestrante: Flávia Maria Alves Lopes (doutorado) 

Orientadora: Profa Alba Melo

Title: Uma análise dos métodos de construção de árvores filogenéticas

Resumo: Nesta palestra, apresentaremos o estado-da-arte em construção de arvores filogenéticas discutindo trabalhos que utilizam dois métodos e terminaremos com uma análise comparativa das principais soluções da área.  A inferência de árvores filogenéticas pode ser feita utilizando-se o método baseado em distância ou o método baseado em caráter. O método baseado em distância precisa realizar o cálculo entre os pares de sequências genéticas e a distância resultante de sua comparação é utilizada para construir a árvore filogenética. O método baseado em caráter, que utiliza métodos de inferência, inclui o uso de inferência Bayesiana, máxima parcimônia (maximum parsimony) e máxima probabilidade (maximum likelihood).

Horário: 14h40

Palestrante: Rubens Marques Chaves (mestrado) 

Orientador: Prof Luis Paulo Faina

Title: Financial Distress Prediction in an Unbalanced Data Stream Environment

Abstract: Corporate bankruptcy predictions are important to companies, investors and authorities. However, most bankruptcy prediction studies have been based on stationary models, therefore they tend to ignore important characteristics of financial distress data like non-stationarity, concept drift and data imbalance. To overcome them, this study proposes to identify the most appropriate techniques for dealing with these data characteristics in financial statements provided quarterly by companies to the Securities and Exchange Commission of Brazil (CVM). Experiments were carried out on a sample of data collected from the CVM open data portal, over a period of 10 years (2011 to 2020), with 905 different corporations, 23,834 records with 84 indicators each. In these experiments, a sliding window and a forgetting mechanism were employed to avoid the degradation of the predictive model. The majority of samples have no financial difficulties and 651 companies have financial difficulties. Due to characteristics of the problem, especially the data unbalance, the performance of the models were measured through AUC, G-mean and F1-Score and archieved 0.95, 0.68 and 0.58, respectively.

Horário: 15h

Palestrante: Lindeberg Pessoa Leite (doutorado) 

Orientador: Prof Teófilo de Campos

Title: Improving linear B-cell epitope prediction by transferring learning from higher to lower taxonomic levels

Abstract: Identification of linear B-cell epitopes (LBCEs) plays a key role in the development of diagnostic tests and vaccines against infectious diseases. However, experimental methods used to determine LBCEs are costly and time-consuming. This has motivated the development of computational methods for the rapid identification of LBCEs based on protein sequence data. To date, multiple machine learning approaches have been developed to address this task.  These methods rely on having access to a sufficient amount of epitope data for training the models to predict LBCEs for a specific target organism. However, this data may be limited, especially for less studied organisms. Additionally, these methods face difficulties when dealing with novel pathogens due to the lack of samples in current data bases. In this work, we show how transferring learning from higher to lower taxonomic level can yield substantial performance gains across several quality metrics. By transferring the learned features from organisms that share common ancestors, the method can achieve better performance in predicting linear B-cell epitopes. This leads to increased performance in comparison to state-of-the-art methods for LBCE prediction in terms of F1 and AUC scores. The results suggest that transfer learning across taxonomic levels can significantly enhance the classification of linear B-cell epitopes, which can be particularly useful in predicting epitopes in new and less studied pathogens with limited training data availability.

Horário: 15h20

Palestrante: Igor da Silva Bonomo (doutorado)

Orientador: Prof Eduardo Alchieri

Título: Utilização de Grafos de Nilcatenation na Identificação de Transações para Pruning em Blockchains

Resumo: A tecnologia blockchainse consolidou com sua utilização em diversas áreas do conhecimento, tendo seu uso maior nas criptomoedas. Porém, ainda existem limitações para a sua ampla utilização em diversas aplicações. Uma limitação relevante é o tamanho crescente das blockchains, o que causa tanto problemas de armazenamento quanto leva a uma necessidade crescente de tempo para sincronização de nós. Neste contexto, este artigo estuda uma solução para pruning em blockchains. Essa técnica consiste em remover transações da rede sem prejudicar a consistência da blockchain. A solução proposta é baseada em grafos de nilcatenation, cujo objetivo é identificar um subgrafo que pode ser removido sem comprometer a consistência da rede. Resultados experimentais mostram que a solução proposta consegue identificar de forma mais precisa as transações que podem ser removidas (chegando a uma redução de até 20% das transações), quanto comparado com técnicas atuais (conseguiram fornecer até 5% de redução) que buscam encontrar ciclos de transações nestes grafos que podem ser removidas.

Local: Teams- Equipe PPGI0095 Seminário, Canal 1-2023

Equipe PPGI0095

Profa Célia Ghedini Ralha (Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.)

Coordenadora Seminários de Pós-Graduação em Informática 1-2023