Com os avanços da eletrificação veicular, diferentes tecnologias de
acumuladores de energia têm sido amplamente discutidas. As baterias de
lítio, devido à sua alta densidade energética e aos rigorosos requisitos de
segurança, tornaram-se destaque no setor, exigindo sistemas embarcados
sofisticados para monitoramento e aquisição de dados. Entretanto, as
baterias de chumbo-ácido do tipo SLI continuam sendo a solução mais
adequada para o sistema de partida dos veículos, graças à sua capacidade de
fornecer altas correntes por curtos intervalos, além de sua simplicidade e
confiabilidade. Apesar disso, essas baterias não dispõem de eletrônica
embarcada capaz de informar seu estado em tempo real, deixando o usuário
vulnerável a falhas inesperadas.
Neste contexto, este trabalho apresenta um algoritmo para detecção do
evento de partida automotiva baseado exclusivamente na leitura da tensão da
bateria. O método identifica padrões característicos da curva de tensão
durante a ignição, permitindo classificar partidas bem-sucedidas ou
malsucedidas sem a necessidade de sensores adicionais, reduzindo custos e
facilitando a integração em sistemas embarcados. A proposta foi
desenvolvida e validada a partir de dados em laboratório com diferentes
amostras de bateria, em estado de fim de vida, como também recém
fabricadas. A extração dos pontos característicos da curva de partida
possibilita a implementação de mecanismos de alerta antecipado sobre o
estado da bateria, contribuindo para maior confiabilidade, segurança e
prevenção de falhas inesperadas em veículos que utilizam baterias SLI.

O crescimento no volume de dados e na complexidade das representações tem
impulsionado a busca por métodos capazes de extrair estruturas relevantes
sem descaracterizar as informações originais. Nesse contexto, a Análise de
Dados Simbólicos (ADS) destaca-se por permitir a modelagem de unidades de
informação mais complexas, como intervalos, possibilitando representar
incerteza, variabilidade e heterogeneidade interna dos dados. Entre os
diferentes tipos simbólicos, os dados intervalares são amplamente
utilizados por preservarem a amplitude observada de cada variável ao longo
de múltiplas ocorrências agregadas. No contexto de ADS os métodos de
agrupamento são amplamente utilizados, porém a literatura apresenta poucas
extensões difusas do método Fuzzy C-Means voltadas para dados intervalares.
Métodos kernelizados vêm sendo propostos como alternativa para lidar com
distribuições não lineares (𝐾𝐹𝐶𝑀 -𝐼𝑉 ), enquanto o método multivariado se
propõe a lidar com diferenças nas variáveis (𝐼𝑀𝐹𝐶𝑀 ). Este trabalho tem
como objetivo desenvolver e implementar o método de agrupamento
multivariado para dados intervalares usando funções de kernel (𝐾𝑀𝐹𝐶𝑀 -𝐼𝑉 ),
visando oferecer maior flexibilidade e robustez à análise de agrupamentos
para intervalos. A validação será feita por meio de comparação do método
proposto com os algoritmos de agrupamento difuso para dados intervalares
existentes na literatura. Essa metodologia será aplicada em dados
sintéticos construídos para simular diferentes cenários que avaliam
diferentes características da abordagem. Além disso, a mesma comparação
será aplicada em bases reais usadas na literatura e, por fim, para
demonstrar a aplicabilidade do método, conduz-se um estudo de caso com
dados reais de periódicos científicos, nos quais indicadores bibliométricos
agregados são representados como variáveis intervalares. Nesse estudo,
avalia-se a capacidade dos métodos de identificar perfis de periódicos com
características editoriais semelhantes, fornecendo uma análise
interpretável e alinhada à estrutura simbólica dos dados.

As redes de Sexta Geração (6G) estão sendo desenvolvidas como um novo
paradigma para sistemas de comunicação móvel e têm como objetivo
caracterizar-se principalmente pela integração entre técnicas de
Inteligência Artificial (IA) e sustentabilidade, que nesse contexto se
relaciona diretamente com a alocação de recursos computacionais.
Entretanto, essa evolução também acaba por ampliar a superfície de ataques
cibernéticos, tornando os ambientes de comunicação mais suscetíveis a
ameaças sofisticadas, especialmente a ataques de Zero-Day, que exploram
vulnerabilidades que ainda são esconhecidas pelos sistemas de segurança da
rede, dentre eles modelos de IA. Nesse sentido, mecanismos de detecção de
anomalias baseados em IA e Aprendizado de Máquina (ML) tornam-se essenciais
para garantir a segurança e a confiabilidade das redes futuras. Contudo,
selecionar um modelo de IA/ML para compor uma solução de detecção de
ataques de Zero-Day é um desafio, pois é necessário alcançar alta precisão
na detecção, mas sem consumir recursos computacionais em excesso ou obter
um tempo impraticável para detectar os ataques. Nesse sentido, este
trabalho aborda o uso de modelos de aprendizado de máquina supervisionado
na detecção de ataques de Zero-Day em conjuntos de dados de redes móveis 5G
avançadas (5GA). Cinco modelos amplamente utilizados na literatura,
Multilayer Perceptron (MLP), Autoencoder, Random Forest, Decision Tree, and
CatBoost, foram avaliados utilizando simultaneamente métricas tradicionais
de desempenho como acurácia, precision, recall e F1-score e também de
métricas de alocação de recursos computacionais como o consumo de CPU e
memória, o tempo de execução e estimativas do consumo de energia, que são
fatores que são fatores críticos em redes 6G. Os resultados indicam que
modelos complexos como o CatBoost podem apresentar alta capacidade
preditiva, mas arquiteturas baseadas em Árvores de Decisão parecem ser as
mais promissoras para implementação em tempo real, pois oferecem uma taxa
de detecção convincente com consumo de energia e processamento
significativamente menor.

Sistemas híbridos que combinam modelos estatísticos e de Aprendizado de
Máquina (AM) fundamentam-se na decomposição da série temporal em
componentes lineares e não lineares, com o objetivo de mitigar as
limitações de viés indutivo associadas a preditores isolados. Esses
sistemas são compostos por três fases: modelagem da série utilizando um
modelo linear, modelagem das séries de resíduos utilizando um modelo de AM,
e a combinação das previsões da série e dos resíduos utilizando uma função
de combinação. No entanto, o desempenho preditivo desses sistemas permanece
frequentemente aquém do potencial teórico devido, sobretudo, a dois fatores
principais: (i) a dificuldade em capturar a dinâmica complexa e não
estacionária presente nos resíduos; e (ii) a adoção de uma única função de
combinação é incapaz de modelar de maneira adaptativa a interação entre as
previsões lineares e não lineares ao longo do tempo. Esta dissertação
propõe um novo sistema híbrido composto por três etapas principais: (a)
modelagem inicial da série temporal por meio de um modelo estatístico; (b)
modelagem dos resíduos via um ensemble de modelos, no qual se emprega uma
etapa de otimização visando selecionar o melhor pool de especialistas; e
(c) combinação das previsões por meio de aprendizado local, utilizando uma
função de agregação adaptativa que explora regiões de competência definidas
em espaços de vizinhança, com o intuito de ajustar dinamicamente a
contribuição relativa dos componentes lineares e não lineares. A avaliação
empírica, realizada sobre sete séries temporais reais de domínios distintos
e comparada com modelos individuais, arquiteturas híbridas clássicas e
métodos baseados em Aprendizado Profundo reportados na literatura,
evidenciou que o sistema proposto alcança ganhos consistentes de acurácia.
Esses resultados indicam que a combinação de modelagem de resíduos com
mecanismos de seleção de especialistas e integração local adaptativa
constitui uma estratégia eficaz para superar limitações de generalização
presentes em abordagens híbridas mais rígidas.

A inteligência artificial (IA) cresce aceleradamente nas mais diversas
tarefas da esfera humana, devido aos hardwares poderosos, algoritmos de
aprendizagem de máquina potentes e grande bases de dados. IA tem atingido
resultados incríveis por meio de tecnologias que simulam habilidades
cognitivas de seres humanos, como a linguagem natural, visão, memória e
processo de inferência. A complexidade dos modelos de IA e o uso massivo
por humanos, criam a necessidade de que tecnologias inteligentes tenham a
habilidade de explicar seu funcionamento, seja para fins de entendimento de
seu processo de decisões ou para fins de inspeção. XAI (eXplainable
Artificial Inteligence, IA explicável em português) é uma área que tem como
objetivo o desenvolvimento de ferramentas e abordagens que possam gerar
explicações para as tecnologias inteligentes. Apesar de seus recentes
avanços, as explicações para dados textuais ainda é uma parte nova da área,
possuindo desafios como a heterogeneidade nos dados e alta
dimensionalidade. O presente trabalho se propôs a gerar explicações para um
classificador de requisições de mudança de software (ou CRs - Change
Requests) treinado com dados textuais. Essa pesquisa exploratória
investigou a aplicação de técnicas de XAI para o CRs classifier, uma
ferramenta que objetiva a classificação automática de criticidade das CRs
associadas a dispositivos móveis de uma empresa real em Recife - PE. As
implementações incluíram experimentos e aplicações de uma estratégia XAI
conhecida como método de "Feature Importance" (Importância de
características) da biblioteca SHAP (Shapley Additive Explanations)
aplicada a representações trigramáticas de CRs. Além disso, métodos
estabelecidos de explicações para humanos foram incorporados às explicações
geradas, melhorando a interpretabilidade e o poder de abstração.
Adicionalmente, realizamos uma experimentos e avaliações com a técnica XAI
de modelos substitutos, para observar o quão confiável ela pode ser para
explicar e aproximar resultados de modelos complexos.

A crescente disponibilidade e utilização de dados pessoais em diferentes domínios têm intensificado a necessidade de mecanismos eficazes para a preservação da privacidade, especialmente diante dos riscos de reidentificação associados ao compartilhamento de bases de dados. Nesse contexto, técnicas de anonimização emergem como estratégias fundamentais para equilibrar a proteção da privacidade e a manutenção da utilidade dos dados, viabilizando sua utilização em análises e em tarefas que envolvem aprendizado de máquina. Entretanto, a escolha da técnica de anonimização mais adequada para um determinado conjunto de dados ainda é, em grande parte, realizada de forma manual, baseada em processos de tentativa e erro ou em conhecimento empírico adquirido ao longo do tempo, o que pode resultar em abordagens ineficientes, pouco sistemáticas e de baixa escalabilidade.

Sendo assim, este trabalho propõe uma metodologia baseada em meta-aprendizagem para automatizar a seleção da técnica de anonimização mais adequada a partir das características dos conjuntos de dados. Inicialmente, diferentes técnicas de anonimização (k-anonymity, l-diversity, t-closeness e differential privacy) são aplicadas a múltiplos conjuntos de dados tabulares, e seu impacto na utilidade dos dados é avaliado por meio do desempenho de modelos de aprendizado de máquina. Em seguida, são extraídas meta-features que caracterizam os conjuntos de dados, as quais são utilizadas na construção de um meta-dataset rotulado com a técnica que apresenta a melhor preservação da utilidade em cada cenário. Com base nesse conjunto, meta-modelos são treinados para aprender a relação entre as características dos dados e o desempenho das técnicas de anonimização.

Os resultados experimentais mostram que, embora a aplicação de técnicas de anonimização introduza alterações na utilidade dos dados, é possível manter desempenho preditivo satisfatório em tarefas de aprendizado de máquina, caracterizando o trade-off entre privacidade e desempenho. No nível base, observou-se que a técnica k-anonymity apresenta o melhor desempenho médio global entre as abordagens avaliadas, enquanto o modelo de classificação Decision Tree mostrou-se menos sensível ao processo de anonimização. Como consequência, a combinação entre k-anonymity e Decision Tree configurou-se como a abordagem com melhor desempenho global. No nível meta, a abordagem baseada em meta-learning superou de forma consistente os baselines Random e Majority, demonstrando capacidade de generalização para novos conjuntos de dados, com destaque para o meta-modelo Random Forest, que obteve os melhores valores de acurácia e valores de F1-score competitivos. Esses achados evidenciam que a seleção automatizada de técnicas de anonimização, orientada por meta-aprendizagem, constitui uma estratégia eficaz para mitigar perdas de utilidade e equilibrar privacidade e desempenho preditivo. Palavras-chaves: Anonimização de dados. Preservação da privacidade. Aprendizado de máquina. Meta-aprendizagem. Seleção automática de técnicas.

A pandemia de COVID-19 trouxe desafios na realização de previsões com
assertividade e agilidade. Apesar da ausência de informações no começo da
propagação do vírus, foram observados comportamentos de crescimento
exponencial, platô e queda. Nesse contexto, sistemas multipreditor usando
seleção dinâmica se mostraram adequados para enfrentar essa problemática.
Buscando reduzir custos da previsão, um sistema proposto com seleção
dinâmica de ensembles baseada em classificação de tendência (DESTC)
encontrou resultados robustos sem precisar de um processo tão longo como a
comum formação de regiões de competência. Como o DESTC faz uso de uma
grande quantidade de modelos, alguns de alta complexidade, convém
considerar a possibilidade de alcançar resultados similares utilizando
poucos modelos mais simples. Assim, a presente dissertação propõe um
sistema de seleção dinâmica de preditor único baseado em tendência
(SingleDSTC). Na fase de treinamento, o sistema define um único modelo de
baixa complexidade com configurações otimizadas para cada classe de
tendência. Na fase de teste, o padrão a prever tem sua classe de tendência
avaliada para em seguida ser selecionado o modelo correspondente definido
pelo treinamento. A partir desse sistema são derivados os sistemas
TryadDSTC, que combina sistemas SingleDSTC com média ou mediana,
ScopedDSTC, que seleciona um modelo entre múltiplos SingleDSTC mediante
região de competência, e RecentDSTC, que seleciona um modelo entre
múltiplos SingleDSTC mediante região de interesse. Os desempenhos do
sistema proposto e seus sistemas derivados, mediante pertinência, são
avaliados através de dois experimentos. No primeiro experimento, os métodos
têm suas previsões da incidência de COVID-19 de oito países comparadas às
de modelos únicos e do DESTC. No segundo experimento, os métodos têm suas
previsões de irradiação solar em quatro capitais brasileiras comparadas às
de modelos únicos e de um sistema orientado a essa aplicação, chamado
HetDS. Múltiplos métodos propostos possuem resultados competitivos nas
séries de COVID-19, embora se encontre grande variação do sistema mais
eficaz entre nas séries de irradiação. Os métodos propostos encontram
dificuldades para superar o estado da arte, mas suas perdas não são
expressivas a despeito da vasta diferença nas complexidades das abordagens.
O SingleDSTC se mostra promissor, podendo se beneficiar de maior
diversidade, e alcançando robustez em comparação tanto a modelos simples
como de estado da arte.

A Computação em Nuvens Veiculares (VCCs) tem se consolidado como um paradigma promis-
sor para a exploração de recursos computacionais subutilizados embarcados em veículos. En-
tretanto, aplicações de nuvem veicular estão sujeitas à volatilidade decorrente de variações na
disponibilidade e na mobilidade dos veículos, como a saída de veículos do estacionamento e
mudanças em trajetórias que impactam a formação cooperativa da nuvem. Essas caracterís-
ticas impõem desafios significativos ao provisionamento de serviços, especialmente no que se
refere à execução bem-sucedida de tarefas em ambientes com recursos dinâmicos. Este tra-
balho aborda o problema da execução de tarefas nos ambientes de recursos voláteis das Nuvens
Veiculares (VCs) por meio da proposição de um framework de modelagem estocástica para
Nuvens Veiculares Estáticas (SVCs), considerando um cenário de locação de veículos. Nesse
contexto, os veículos permanecem estacionados por períodos prolongados, embora ainda este-
jam sujeitos a variações de disponibilidade devido a aluguéis. Um modelo baseado em Redes de
Petri Estocásticas (SPNs) é desenvolvido para representar as principais dinâmicas do sistema,
incluindo a chegada e o enfileiramento de tarefas, a alocação de recursos computacionais, as
variações na disponibilidade dos veículos e o estado operacional de um broker centralizado.
O modelo proposto permite a avaliação conjunta de desempenho e disponibilidade por meio
de três métricas principais: Probabilidade de Descarte da Fila (QDP), Utilização dos Recursos
Disponíveis (UAR) e a Disponibilidade. Inicialmente, é conduzida uma análise de sensibilidade
com o objetivo de identificar os parâmetros que exercem maior influência sobre essas métricas,
fornecendo suporte para a compreensão dos fatores que afetam o comportamento do sistema
em função da carga de trabalho e dos recursos disponíveis. Posteriormente, o comportamento
do modelo em termos de filas é comparado ao modelo clássico de filas M/M/𝑚/𝑘, com o
propósito de embasar o funcionamento do modelo, sendo observada forte correspondência en-
tre os resultados obtidos. Por fim, a análise evidencia trade-offs relevantes entre descarte de
tarefas, utilização de recursos e disponibilidade do sistema, oferecendo suporte à tomada de
decisão no planejamento e dimensionamento de infraestruturas de SVCs.

A Amazônia desempenha papel fundamental na regulação do clima e regime de
chuvas, bem como na manutenção dos recursos hídricos, conservação da
biodiversidade e proteção dos povos tradicionais. Apesar de toda essa
importância, o bioma está severamente ameaçado pelo processo de ocupação e
exploração predatória dos seus recursos naturais. Os sistemas de
monitoramento do desmatamento são fundamentais para subsidiar políticas
públicas para controle e fiscalização, além orientar e apoiar a comunidade
científica na compreensão dos impactos da perda de vegetação sobre o bioma.
As técnicas de mapeamento a partir de imagens de sensoriamento remoto
evoluíram com o aumento da capacidade de armazenamento e processamento de
dados. Mais recentemente, métodos de aprendizado de máquina aplicados a
séries temporais de imagens orbitais têm se destacado por explorar
explicitamente o contexto temporal, superando limitações de abordagens
baseadas em imagens individuais. Apesar desses avanços, ainda não está
claro em que medida o comprimento da série temporal influencia o
treinamento e desempenho dos modelos e como esse efeito varia entre
algoritmos e classes temáticas. O objetivo deste trabalho é avaliar em que
medida a extensão das séries temporais de imagens de satélite influencia o
desempenho de modelos de aprendizado de máquina no mapeamento de
desmatamento na Amazônia. Foi conduzido um experimento de avaliação
quantitativa com cinco modelos (Random Forest, XGBoost, Residual Neural
Network, Temporal Convolutional Neural Network e Light Temporal Attention
Encoder). O dataset utilizado para treinamento é composto por 6007 séries
temporais rotuladas a partir de abordagem baseada em eventos, e
distribuídas em nove classes relacionadas a desmatamento e cobertura
natural do solo. Tais séries foram extraídas de cubos de dados Sentinel-2
produzidos pelo Brazil Data Cube (BDC) para o estado de Rondônia. As séries
foram organizadas em quatro configurações, formadas por 23, 46, 69 e 92
composições temporais, e os modelos foram avaliados a partir de validação
cruzada k-fold utilizando o pacote Satellite Image Time Series Analysis on
Earth Observation Data Cubes (SITS). As métricas de desempenho avaliadas
foram Acurácia Global, Kappa, Precision, Recall e F1-Score. Os resultados
indicam uma tendência consistente de aumento de desempenho à medida que o
comprimento das séries temporais é ampliado. Os modelos apresentaram
acurácia entre 0,89 e 0,92 na configuração de referência (23-TS) e passaram
a variar entre 0,93 e 0,96 quando treinados nas configurações temporais
mais extensas. Os padrões de F1-Score mostram que todas as classes se
beneficiam do aumento temporal, com destaque para as classes de
desmatamento que apresentaram ganhos médios de F1 entre 5,28% e 8,58%. Na
comparação entre modelos, o TempCNN atingiu os maiores valores absolutos de
Acurácia (0,9602) e F1 macro (0,9537), enquanto a ResNet foi o modelo que
mais se beneficiou do aumento da séries, com ganho de F1 macro em torno de
11% nas configurações mais longas. Esses resultados evidenciam que a
extensão temporal das séries de imagens de satélite exerce influência
significativa no desempenho dos modelos avaliados, especialmente na
discriminação de padrões associados ao desmatamento

A adoção de veículos elétricos (EVs), especialmente em serviços de logística e entrega, é limitada pela "ansiedade de autonomia" e pelos longos tempos de recarga convencional. O sistema de troca de baterias (Battery Swapping Station - BSS) surge como uma solução para reduzir o tempo de indisponibilidade de horas para minutos. Esta dissertação propõe uma metodologia baseada em Redes de Petri Estocásticas (SPN) para modelar e avaliar o desempenho de redes BSS em contextos urbanos. A abordagem utiliza o algoritmo k-means e dados populacionais do IBGE para determinar centros de demanda e localização estratégica das estações. Através da simulação de eventos discretos (DES), o trabalho avalia métricas críticas, como a Probabilidade Média de Não Encontrar uma Bateria (APNFB) e a Razão entre Viagens Centroide-Estação e Estação-Estação (RBTCSSS). Os resultados experimentais identificaram regimes operacionais distintos, revelando que o sistema atinge estabilidade a partir de uma configuração específica de baterias por estação, além de demonstrar o impacto de variáveis como o tempo de carga e o tamanho da frota no consumo de potência das estações. A metodologia consolidou-se em uma ferramenta de alto nível de apoio à decisão para projetistas dimensionarem infraestruturas de mobilidade elétrica.

Circuitos Quânticos Variacionais (VQCs) são promissores para aprendizado de
máquina
no regime NISQ, porém a otimização de seus parâmetros ainda é um gargalo
prático. Esta
dissertação investiga Algoritmos Genéticos (AGs) como estratégia de
otimização livre de gradiente para treinar classificadores quânticos
variacionais, mantendo o AG como eixo central e avaliando, de forma
controlada, o impacto de escolhas arquiteturais do circuito. Os
experimentos consideram tarefas de classificação binária (Sonar, Breast
Cancer Diagnostic e Banknote Authentication), com validação cruzada em 10
dobras, e comparam o AG a otimizadores por gradiente (Adam e Momentum de
Nesterov). No estudo base, utiliza-se Amplitude Encoding para codificação
dos dados; como extensão, incorpora-se uma análise comparativa com o ZZ
Feature Map, visando quantificar sua influência na treinabilidade quando o
esquema de otimização por AG é mantido fixo. Os resultados do estudo base
indicam desempenho competitivo do AG e redução do número de iterações até a
convergência em relação aos métodos por gradiente.

Esta dissertação investiga o impacto de uma ferramenta gamificada,
desenvolvida com base no Octalysis Framework, sobre o engajamento
comportamental de usuários do Programa Academia Recife, política pública de
promoção de atividade física em academias ao ar livre no município do
Recife (PE). Trata-se de um estudo transversal analítico que compara dois
períodos de 12 meses, o primeiro sem gamificação (01/04/2023–01/04/2024) e
o segundo após a implantação da intervenção (02/04/2024–02/04/2025). A
pesquisa assume relevância tanto para o campo da saúde pública, ao
enfrentar o desafio global do sedentarismo associado às Doenças Crônicas
Não Transmissíveis, quanto para a área da Computação, ao demonstrar como
tecnologias de engajamento digital podem ser aplicadas em cenários reais e
de larga escala. O estudo exemplifica o papel da Computação — especialmente
nas áreas de interação humano-computador, sistemas gamificados e ciência de
dados — na criação de soluções capazes de influenciar padrões
comportamentais e apoiar políticas públicas baseadas em evidências. Foram
utilizados dados não identificáveis fornecidos pela Secretaria de Esportes
do Recife referentes a 27 dos 29 polos do programa, abrangendo
aproximadamente 125.000 usuários cadastrados. As variáveis analisadas
incluíram número de participantes ativos, total de presenças, taxa de
abstenção e frequência média por pessoa, além de análises estratificadas
por sexo e faixa etária. A intervenção gamificada incorporou elementos como
moeda digital (Capiba), loja virtual, níveis, selos e desafios que
recompensavam confirmações de presença, compartilhamentos e respostas a
questionários educativos. As comparações estatísticas foram conduzidas com
métodos robustos, incluindo Bootstrap BCa, adotando nível de significância
p ≤ 0,05. Os resultados demonstraram redução estatisticamente significativa
da abstenção (21,2% vs. 24,8%; p = 0,017) e aumento significativo da
frequência média por pessoa (22,3 vs. 19,5; p = 0,020). Embora o total de
presenças tenha apresentado aumento médio não significativo (p = 0,216),
observou-se incremento relativo mais expressivo entre adolescentes e
idosos. Conclui-se que a gamificação implementada no Programa Academia
Recife esteve associada à melhoria de indicadores comportamentais de
engajamento, indicando potencial de adoção de soluções gamificadas em
políticas públicas de promoção da atividade física, desde que acompanhada
de avaliação contínua e de atenção aos fatores contextuais que influenciam
o comportamento dos usuários.

A Internet das Coisas (IoT) e as redes de sensores sem fio são
caracterizadas por severas restrições de recursos, baixos ciclos de
trabalho e sensibilidade a atrasos e perdas de pacotes induzidos por
congestionamento. Em tais ambientes, estratégias tradicionais de
gerenciamento de filas, como FIFO, muitas vezes levam a bufferbloat e
desempenho degradado sob cargas de tráfego moderadas. Os mecanismos de
gerenciamento ativo de filas (AQM), particularmente a detecção aleatória
precoce (RED), têm sido amplamente estudados em redes convencionais; no
entanto, seu comportamento e adequação em cenários de IoT restritos ainda
não foram suficientemente explorados.
Este trabalho investiga a aplicação do RED em redes de sensores
implementadas com Contiki-OS e avaliadas no simulador Cooja. Um mecanismo
AQM baseado em RED foi integrado a uma arquitetura de rede centrada em
gateway, e seu desempenho foi analisado sob diferentes cargas de tráfego e
configurações de ciclo de trabalho de rádio. As configurações clássicas dos
parâmetros RED foram comparadas com configurações adaptadas, projetadas
para considerar tamanhos limitados de buffer, capacidades de processamento
reduzidas e operação com baixo ciclo de trabalho, típicas dos dispositivos
IoT.

Os resultados da simulação demonstram que o ajuste adequado dos parâmetros
do RED melhora significativamente o desempenho da rede em ambientes
restritos. Em comparação com as configurações clássicas, a configuração RED
adaptada reduz a perda de pacotes, estabiliza a ocupação da fila e reduz o
atraso de ponta a ponta, mantendo ou melhorando a taxa de transferência,
particularmente em condições de ciclo de trabalho baixo e moderado. A
análise também destaca as compensações entre atraso, perda de pacotes e
taxa de transferência à medida que o ciclo de trabalho varia.

Os resultados indicam que o RED, quando cuidadosamente parametrizado, é uma
solução AQM viável e leve para redes de sensores IoT. Este estudo contribui
com uma avaliação experimental do comportamento do RED em ambientes
baseados em Contiki e fornece ponderações práticas para o projeto de
mecanismos de controle de congestionamento adaptados a redes de baixa
potência e com recursos limitados.

O crescimento do uso de containers em ambientes de desenvolvimento e produção consolidou o Docker como tecnologia de referência, inclusive em máquinas com macOS. Em 2025, a Apple lançou o "container" da Apple, alternativa de código aberto que executa cada container Linux em uma máquina virtual Linux dedicada, aproveitando nativamente o Virtualization.framework no Apple Silicon. A ausência de avaliações empíricas comparando as duas ferramentas motivou este estudo, cujo objetivo é mensurar e comparar o desempenho de Docker Desktop (v. 29.1.3) e do container (v. 0.10.0) da Apple no macOS com processador Apple Silicon, sob condições experimentais controladas. O experimento abrangeu sete categorias de benchmark: CPU (sysbench), memória (sysbench e STREAM), HTTP (nginx+wrk), Disk I/O (fio), tempo de inicialização e computação matemática (bc), com 30 iterações válidas por cenário, cinco iterações de aquecimento descartadas, randomização Fisher-Yates e análise estatística completa (Shapiro-Wilk, Mann-Whitney U, d de Cohen e correções de Bonferroni e Benjamini-Hochberg). Foram detectadas diferenças estatisticamente significativas em 19 dos 20 cenários sob o critério primário de Benjamini-Hochberg (FDR) e em 18 dos 20 sob a correção complementar de Bonferroni aplicada por família de benchmark. O container da Apple apresentou vantagem em requisições HTTP (+24,97%) e desempenho ligeiramente superior em cargas CPU-bound e de memória sysbench (até +2,22\%). O Docker Desktop superou o container da Apple no tempo de inicialização (cerca de 5,4 vezes mais rápido), na vazão de Disk I/O em todos os padrões avaliados (sequencial e aleatório, leitura e escrita) e na largura de banda de memória STREAM em seis dos oito cenários. Os resultados evidenciam que a escolha entre os runtimes deve considerar o perfil de workload da aplicação, e que o container da Apple, em sua versão 0.10.0, já apresenta desempenho competitivo em cenários de rede e CPU-bound, com oportunidades de evolução em I/O e largura de banda de memória.

Este trabalho investiga a robustez de modelos de deep learning frente a ataques adversariais, um dos principais desafios atuais na aplicação segura de redes neurais profundas em cenários críticos. Embora esses modelos apresentem elevado desempenho em tarefas de classificação de imagens, estudos recentes evidenciam sua vulnerabilidade a pequenas perturbações cuidadosamente projetadas, capazes de induzir predições incorretas. Diante desse problema, esta dissertação realiza uma comparação experimental sistemática de técnicas matemáticas provenientes da teoria de sistemas dinâmicos e da análise de estabilidade, tais como discretização temporal, funções de Lyapunov e controle por constantes de Lipschitz, visando analisar sua efetividade na redução da sensibilidade dos modelos a perturbações adversariais. A aplicação desses métodos permite suavizar a dinâmica do modelo e impor restrições estruturais ao espaço de decisão, promovendo maior estabilidade sem comprometer significativamente o desempenho em dados limpos. Além disso, é realizada uma comparação sistemática com quatro abordagens relevantes da literatura recente, envolvendo redes neurais baseadas em Ordinary Differential Equations (ODE), modelos com estabilidade de Lyapunov e arquiteturas com garantias explícitas de Lipschitz. Os resultados obtidos indicam que a incorporação de princípios matemáticos de estabilidade e controle pode contribuir de forma efetiva para o aumento da robustez adversarial, mantendo competitividade em termos de acurácia, reforçando o potencial dessas técnicas para o desenvolvimento de sistemas de aprendizado profundo mais seguros e confiáveis.

Modelos de linguagem de grande porte têm demonstrado recentemente um forte
potencial para a estimativa de relevância em recuperação da informação. No
entanto, soluções de estado da arte frequentemente dependem de modelos
proprietários, o que limita a reprodutibilidade, aumenta os custos de
implantação e reduz a acessibilidade. Neste trabalho, propomos um pipeline
autônomo de adaptação ponta a ponta, projetado para aprimorar pequenos
modelos de linguagem de código aberto para ranqueamento por relevância. O
fluxo de trabalho integra três componentes técnicos principais: otimização
automática de prompts via GEPA, destilação de raciocínio a partir de um
modelo professor mais robusto e fine-tuning supervisionado. Esses exemplos
destilados são construídos a partir de pares consulta-documento do TREC-DL
rotulados por humanos, filtrados de acordo com as anotações originais e
utilizados para ajustar modelos de código aberto. Os experimentos foram
conduzidos com modelos de código aberto na faixa de 8 bilhões de parâmetros
e avaliados em cinco conjuntos de dados, incluindo TREC-DL e benchmarks
selecionados do BEIR, utilizando nDCG@10 como métrica principal. Os modelos
propostos também foram comparados com trabalhos anteriores e com fortes
baselines proprietários. Os resultados mostram que a combinação de
fine-tuning com otimização de prompts produz o melhor desempenho geral
entre as configurações de código aberto avaliadas, com alguns modelos
adaptados se aproximando do desempenho de modelos proprietários e superando
baselines anteriores de código aberto em múltiplos cenários.

A imprensa histórica oitocentista brasileira armazena dados fundamentais
sobre nossa memória social e política. Contudo, a disponibilização desses
documentos em formato digital passível de indexação e recuperação
automáticas enfrenta sérios obstáculos decorrentes de fatores variados:
falhas no Reconhecimento Óptico de Caracteres, bem como a ineficácia para
lidar com o português arcaico e suas variações ortográficas históricas.
Nesse contexto, este trabalho teve como objetivo desenvolver um processo
escalável e replicável para a criação de repositórios digitais de jornais
históricos, automatizando a extração, correção e disponibilização de textos
centenários com alta precisão. Foi implementado um sistema protótipo
baseado no DSpace 9, utilizando o Apache Solr, que integra
pré-processamento de imagens, pós-correção automática via Modelos de
Linguagem de Grande Escala (LLMs) e a estruturação do corpus de documentos
históricos em duas versões complementares (grafia original e atualizada).
Para a disponibilização qualificada, desenvolveu-se um consumer baseado em
regras para realizar a varredura e o preenchimento automático de metadados
de assuntos e tipos de matéria, integrando uma etapa de auditoria humana. O
estudo utilizou um corpus de 30 jornais digitalizados do Diario de
Pernambuco (1825–1839). A avaliação do processo foi conduzida a partir de
testes empíricos baseados em transcrições manuais de referência, utilizando
as métricas de Taxa de Erro de Caractere (CER) e Taxa de Erro de Palavra
(WER) para o reconhecimento textual. Os testes aplicados após as alterações
estruturais no indexador, utilizando de 10 termos de busca, demonstraram
uma melhora substancial nos índices de precisão e revocação do sistema como
um todo, alcançando valores médios de 87,4% de precisão e 96,5% de
revocação relativa, mitigando o impacto do OCR ruidoso na busca. Os
resultados obtidos sugerem que a conciliação entre arquiteturas abertas
adaptadas e o tratamento linguístico complementar minimiza os ruídos da
digitalização de documentos centenários, estabelecendo parâmetros práticos
para viabilizar o acesso em larga escala a acervos que, anteriormente, não
eram recuperáveis por buscas textuais convencionais.

A administração tributária enfrenta o desafio de selecionar, em um universo de centenas de milhares de transações, os contribuintes com maior probabilidade de não conformidade fiscal. No setor de combustíveis, a elevada materialidade econômica e a complexidade da cadeia produtiva tornam essa tarefa particularmente crítica. Esta dissertação propõe um pipeline integrado de detecção não supervisionada de anomalias fiscais, concebido como instrumento de apoio à seleção de contribuintes para auditoria no âmbito do ICMS sobre combustíveis. O pipeline articula duas técnicas com pressupostos complementares: Isolation Forest, para triagem estatística, e Autoencoder, para refinamento estrutural baseado em erro de reconstrução. A incorporação de informação relacional extraída do grafo transacional via Node2Vec foi inicialmente prevista e avaliada experimentalmente, sendo conservadoramente remetida a trabalho futuro em razão da assimetria diagnóstica do protocolo de avaliação adotado em relação a detectores relacionais. Um mecanismo de consenso conservador por interseção prioriza apenas os registros sinalizados simultaneamente pelo Isolation Forest e pelo Autoencoder, reduzindo o universo de análise de 530.113 registros para 2.880 alertas consensuais, o que corresponde a uma redução de 99,5% no volume a ser investigado. A aplicação empírica, conduzida sobre dados reais de Notas Fiscais Eletrônicas do setor de combustíveis do Estado do Maranhão, demonstra que os alertas de consenso apresentam coerência econômica, com valores sistematicamente mais extremos em variáveis fiscais-chave. A concentração de risco revela que 99,93% dos alertas se concentram em apenas 10 dos 76 emissores analisados, indicando focalização operacionalmente relevante. Como elemento adicional de validação externa, a Operação Carbono Oculto, deflagrada pela Receita Federal em agosto de 2025 e posterior à janela de dados desta pesquisa, identificou em dez estados, dentre os quais o Maranhão, padrões fiscais no setor de combustíveis cuja natureza estrutural converge com os indicadores empregados pelo pipeline aqui proposto. Experimentos de ablação avaliam a contribuição de cada componente do pipeline, e a análise de sensibilidade demonstra robustez dos resultados qualitativos à variação do parâmetro de seleção. O trabalho contribui ainda ao evidenciar as limitações de métricas supervisionadas tradicionais na avaliação de modelos não supervisionados em contextos sem rótulos confiáveis de fraude, propondo critérios operacionais alternativos de validação.

A adoção crescente de arquiteturas de microsserviços em plataformas Kubernetes evidenciou uma limitação dos mecanismos tradicionais de autoescalonamento: o Horizontal Pod Autoscaler (HPA) nativo opera sobre métricas locais de CPU e memória e não distingue o serviço que origina uma degradação de latência dos serviços que propagam seus sintomas em cascata. O resultado são escalonamentos direcionados a serviços sintomáticos, desperdiçando recursos sem eliminar a causa raiz, em contradição com as práticas de FinOps. Para endereçar essa lacuna, esta dissertação propõe e avalia o framework XAI-FinOps, sistema autônomo que integra o ciclo de controle MAPE-K com Inteligência Artificial Explicável sob o princípio de causalidade antes de reatividade. A identificação da causa raiz é realizada por Correlação de Pearson com restrição topológica ao subgrafo upstream do serviço anômalo, derivado do grafo de dependências extraído via Istio, evitando falsos positivos por propagação. Um modelo ARIMA(2,1,0) confirma tendências persistentes de violação de SLA antes de autorizar qualquer escalonamento. Cada ciclo de decisão gera evidências auditáveis estruturadas, tornando o raciocínio do sistema verificável por operadores SRE.
O artefato foi avaliado empiricamente pela metodologia Design Science Research em três cenários de injeção de falha sobre a aplicação Google Online Boutique, com cinco execuções independentes por cenário (n = 5). No Cenário A (falha direta em serviço folha), o framework obteve Precisão de 83,3%, Revocação Funcional de 100%, tempo até a primeira ação de aproximadamente 90s, MTTR de 61s e redução de 67% no custo FinOps por incidente. No Cenário B, com propagação indireta da falha, a restrição topológica identificou corretamente a causa raiz em todos os escalonamentos executados, com taxa de supressão reprodutível entre execuções (IC 95%: [61,3%; 78,2%]). O CenárioC delimitou a fronteira de validade do método: a identificação causal falha quando o serviço-alvo apresenta variância nula no baseline, motivando um mecanismo de fallback como trabalho futuro. O grupo de controle com KEDA obteve Precisão de apenas 17,1% (IC 95%: [9,1%; 33,7%]) e tempo de resposta 9,4 vezes superior, confirmando que a ausência de restrição topológica é o fator estrutural do superprovisionamento em cenários de propagação em cascata.

A percepção robusta do ambiente é um requisito fundamental para a direção autônoma, cenário onde a fusão de radar e câmera se destaca por unir a riqueza semântica das imagens à resiliência do radar sob condições adversas. No entanto, métodos como a Radar Region Proposal Network (RRPN) esbarram na dependência da qualidade dos dados de treinamento. O uso do conjunto nuScenes para detecção 2D costuma projetar caixas delimitadoras 3D diretamente no plano da imagem, introduzindo ruídos e desalinhamentos que prejudicam a capacidade do modelo de aprender representações espaciais confiáveis. Para superar essa limitação, este trabalho adota uma abordagem centrada em dados (data-centric), priorizando a qualidade da supervisão em vez de alterações estruturais na arquitetura. A principal contribuição é a substituição das projeções geométricas ruidosas por anotações 2D de alta fidelidade geradas automaticamente pelo detector RF-DETR. A arquitetura original de duas etapas do RRPN foi mantida, mas modernizada com a migração de Caffe2 para PyTorch/Detectron2. Adicionalmente, foram integrados backbones convolucionais modernos, como ResNeXt, WideResNet e EfficientNet, para aprimorar a extração de características a partir do novo conjunto de supervisão. Os experimentos no dataset nuScenes revelaram ganhos expressivos em todas as configurações avaliadas. O melhor modelo, combinando o backbone ResNeXt-152 às anotações do RF-DETR-Large, alcançou 58,28 de Average Precision (AP), um aumento relativo de 64,2% sobre o resultado original da RRPN. Melhorias notáveis também foram observadas nas métricas AP50 e AP75 em diferentes classes de objetos, evidenciando maior precisão de localização. Os resultados validam que o refinamento dos dados de treinamento é uma estratégia altamente eficaz e promissora para o avanço da percepção multimodal veicular.

Scans Ativos e Tunelamento via Domain Name System (DNS) são ataques que exploram funcionalidades comuns de protocolos como Internet Control Message Protocol (ICMP), Transmission Control Protocol (TCP) e DNS para mapear ativos da rede, exfiltrar dados e executar comandos remotamente. Embora simples, tais ações maliciosas são difíceis de impedir, pois bloquear esses protocolos também bloquearia tráfego legítimo de inúmeras aplicações. Além disso, esses ataques geram comportamentos muito parecidos com os benignos, tal que Sistemas de Detecção de Intrusão (IDSs) baseados em assinaturas, ou seja, em regras estáticas, não seriam capazes de distingui-los. Mesmo para IDSs baseados em detecção de anomalias, capazes de utilizar modelos de aprendizagem de máquina para detectar comportamentos complexos, há desafios. IDSs baseados em anomalias que utilizam aprendizado supervisionado são inviáveis devido à falta de dados rotulados e ao custo de rotulação. IDSs baseados em aprendizado não supervisionado, apesar de não precisarem de dados rotulados, apresentam dificuldades para lidar com grandes volumes de dados e altas taxas de alarmes falsos, impactando a operação de Security Operation Centers (SOCs). Por fim, a maior parte dos IDSs do estado da arte utilizam dados pouco encontrados em ambientes reais devido ao seu grande custo de coleta e armazenamento. Portanto, torna-se necessário propor IDSs baseados em aprendizado não supervisionado, que utilizem logs amplamente disponíveis em ambientes corporativos e consigam lidar com grandes volumes de dados mantendo altas taxas de detecção e baixas taxas de falsos positivos. Nesta dissertação, apresentamos dois novos IDSs não supervisionados para detectar Scans Ativos e Tunelamento DNS. As soluções utilizam, respectivamente, logs de firewall e logs DNS, amplamente encontrados em ambientes corporativos, e mecanismos de agregação de dados para reduzir a volumetria e custos, sem impactar significativamente a detecção. A solução para a detecção de Scans Ativos utiliza LSTM Autoencoders e alcança uma acurácia de 98,44%, com uma taxa de falsos positivos inferior a 0,70%. Já a solução voltada para Tunelamento DNS utiliza Autoencoders e Mapas Auto-Organizáveis (SOM) e supera as soluções do estado da arte com 99,98% de acurácia e 0,0004% de taxa de falsos positivos. Por fim, disponibilizamos publicamente dois novos conjuntos de dados coletados de um ambiente corporativo real a fim de servirem como benchmarks para a área.

Na verificação de afirmações biomédicas, Pequenos Modelos de Linguagem (SLMs) na faixa de 7B a 14B parâmetros constituem uma alternativa prática a LLMs de fronteira como o Gemini, com menor custo de hospedagem e de inferência por chamada, embora sua acurácia seja sensível ao design do prompt e à forma como cadeias de raciocínio são agregadas em tempo de inferência. Estendemos o SciCheck, uma receita recente de SLMs ajustados (fine-tuned) baseada em Llama-3.1-8B e Qwen-2.5-14B, sem treinamento adicional. Essas extensões são a evolução reflexiva de prompts com GEPA e um módulo de inferência de Raciocínio Multi-Cadeia (MCR) cujos prompts de geração e comparação são otimizados conjuntamente. O MCR same-model executa o gerador e o comparador no mesmo SLM, enquanto o MCR cross-model executa cada um em SLMs distintos. Avaliamos os pipelines resultantes em HealthFC, SciFact e CoVERT com evidências da web, contra quatro baselines cobrindo Gemini 2.5 Flash em zero-shot, Step-by-Step Verification e SciCheck aplicado tanto a Llama-3.1-8B quanto a Qwen-2.5-14B. Nas seis células (dataset, métrica) considerando F1 macro e Binary-F1, nossos pipelines obtêm os seis máximos por coluna. Esses resultados mostram que nossa abordagem iguala ou supera baselines baseados em LLMs de fronteira para verificação de afirmações biomédicas, sem treinamento adicional e a uma fração do custo de inferência por afirmação.

Este trabalho propõe e avalia um framework não paramétrico para captioning
médico em imagens radiológicas baseado em recuperação visual-semântica e síntese
multimodelo. A proposta combina indexação de embeddings visuais em uma base vetorial
FAISS, recuperação de captions semanticamente semelhantes, geração por modelos fundacionais e uma etapa de síntese das descrições produzidas por múltiplos modelos, sem necessidade de fine-tuning.
Além da avaliação da estratégia de recuperação, também foi investigado um módulo de fusão semântica de captions candidatas, funcionando como um ensemble em nível de saída, parasintetizar uma legenda final. Os experimentos foram conduzidos utilizando o conjunto dedados ROCOv2 e envolveram os modelos Gemini 2.5 Pro, GPT-4o, Claude 4.5 Sonnet e modelos da família LLaMA 4. O desempenho foi avaliado por meio de métricas automáticas lexicais e semânticas, incluindo BLEU, ROUGE, METEOR e BERTScore, complementadas por análises qualitativas e de custo computacional. Os resultados mostraram que a estratégia de recuperação visual-semântica produziu melhorias consistentes nessas métricas em comparação com a geração sem recuperação. Entre os modelos avaliados, o LLaMA 4 Maverick associado ao RAG apresentou o melhor equilíbrio entre desempenho nas métricas automáticas e custo de inferência. A estratégia de fusão de legendas proporcionou ganhos adicionais em parte das métricas avaliadas, embora com aumento significativo do custo computacional. Também foram investigadas modificações na etapa de recuperação, incluindo o uso de embeddings biomédicos (MedSigLIP), ampliação da base vetorial e refinamento do prompt. Os resultados indicaram que uma estratégia de recuperação mais especializada manteve desempenho semelhante ao da configuração original, enquanto o refinamento do prompt aumentou a variabilidade das legendas sem produzir ganhos consistentes nas métricas automáticas. De forma geral, os resultados indicam que estratégias não paramétricas baseadas em recuperação visual-semântica constituem uma alternativa promissora para adaptar modelos fundacionais multimodais ao domínio radiológico sem treinamento adicional.

Analistas de cibersegurança são responsáveis por processar grandes quantidades de dados não estruturados de inteligência de ameaças para identificar indicadores e ameaças críticos. A busca tradicional baseada em expressões regulares é ineficaz, pois não considera o contexto da busca, gerando muitos falsos alarmes. Por outro lado, embora Modelos de Linguagem de Grande Escala (LLMs) associados à Geração Aumentada por Recuperação (RAG) resolvam o problema de contexto, frequentemente falham em capturar os complexos relacionamentos entre documentos inerentes aos dados de cibersegurança, como aqueles que ligam atores de ameaças, Táticas, Técnicas e Procedimentos (TTPs) e Indicadores de Comprometimento (IoCs). Para superar essas limitações, esta dissertação propõe o Recursive RAG (RRAG), uma arquitetura inovadora que supera as limitações do Vanilla RAG por meio de um mecanismo de recuperação iterativo e guiado por entidades. Ao identificar recursivamente entidades dentro dos contextos recuperados e rastrear seus relacionamentos ao longo do corpus, o sistema constrói um panorama abrangente de ameaças. A arquitetura integra busca semântica com grafos de conhecimento dinâmicos e específicos de cada query, e aplica validação em nível de sentença para garantir a proveniência das respostas. A avaliação experimental em três datasets de cibersegurança demonstra que o RRAG supera significativamente as soluções do atual estado da arte, contribuindo significativamente para a tomada de decisões na operação de cibersegurança. Adicionalmente, este trabalho contribui com a criação e disponibilização pública de dois datasets para a comunidade de pesquisa: um derivado da base de conhecimento MITRE ATT&CK, contendo TTPs de adversários, e outro composto por mensagens de Inteligência de Fontes Abertas (OSINT) coletadas por um time de inteligência de ameaças em operações reais de cibersegurança.

O surgimento das redes móveis de quinta geração (5G), caracterizadas por
taxas elevadas de transmissão de dados, latência ultrabaixa e conectividade
massiva de dispositivos, possibilitou uma ampla gama de aplicações
transformadoras. Essas características impulsionaram o desenvolvimento de
casos de uso avançados, incluindo veículos autônomos, serviços de saúde
remotos, cidades inteligentes e automação industrial, promovendo uma
profunda transformação das infraestruturas digitais e da sociedade moderna.
Além do 5G, espera-se que as redes móveis de sexta geração (6G) ampliem
ainda mais essas capacidades, viabilizando novas aplicações, como
comunicações imersivas e holográficas, Sensoriamento e Comunicação
Integrados (ISAC) e robótica colaborativa. Prevê-se que tais avanços
desempenhem um papel central na evolução de ecossistemas de comunicação
inteligentes, altamente interconectados e orientados por dados. Nesse
contexto, o Massive Multiple-Input Multiple-Output (MIMO) destaca-se como
uma das tecnologias mais relevantes da camada física, atuando como um
elemento fundamental para a viabilização dessas aplicações em todas as
categorias de serviços. A implementação de sistemas Massive MIMO em
Duplexação por Divisão de Frequência (FDD) depende da obtenção precisa da
Informação do Estado do Canal (CSI), reportada periodicamente pelo
Equipamento do Usuário (UE). Entretanto, à medida que o número de antenas
da estação rádio base aumenta, a sobrecarga de sinalização no enlace de
subida associada ao reporte de CSI cresce significativamente, resultando em
uma utilização ineficiente dos recursos do sistema e em limitações de
escalabilidade. Motivado por esses desafios, este trabalho propõe uma
abordagem baseada em autoencoder para compressão do CSI, integrada a um
framework de adaptação de enlace MIMO em redes 5G. A solução proposta é
avaliada não apenas em termos de desempenho de compressão e reconstrução do
CSI, mas também quanto ao seu impacto na transmissão do usuário e à sua
robustez frente a ataques adversariais. A abordagem é comparada ao método
convencional definido pelo 3rd Generation Partnership Project (3GPP) em
termos de precisão na reconstrução da matriz de CSI, throughput, eficiência
espectral, Magnitude do Vetor de Erro (EVM) e robustez a ataques
adversariais, considerando duas configurações MIMO: uma com 8 antenas
transmissoras e 4 antenas receptoras e outra com 32 antenas transmissoras e
8 antenas receptoras. Os resultados demonstram que a solução proposta
reconstrói os dados de CSI com alta precisão, alcançando uma correlação de
0.99, e supera consistentemente o esquema convencional de feedback de CSI
em termos de robustez a ataques adversariais, throughput e desempenho de
EVM.

O câncer de mama é uma das neoplasias mais incidentes entre mulheres e
apresenta acentuada heterogeneidade molecular, o que o torna um domínio
relevante para a aplicação de métodos de aprendizado de máquina em dados
genômicos de alta dimensionalidade. Esta dissertação investiga, sob a ótica
da Inteligência Artificial Explicável (Explainable Artificial Intelligence
— XAI), quais sinais são efetivamente aprendidos por modelos treinados
sobre variantes pontuais extraídas de arquivos Variant Call Format (VCF)
tumorais da coorte TCGA-BRCA. Para isso, foi construída uma matriz binária
paciente × variante a partir de 753 pacientes e 3.418.381 variantes,
posteriormente reduzida por filtros de recorrência e seleção de atributos
baseada em regressão logística com penalização L1 (Least Absolute Shrinkage
and Selection Operator — LASSO).

Foram comparados dois cenários de classificação: subtipos moleculares de
câncer de mama e raça/cor autodeclarada. Quatro classificadores foram
utilizados, sendo eles o Support Vector Machine (SVM) linear, Árvore de
Decisão, Random Forest e XGBoost, e em seguida foram avaliados por métricas
que incluem o F1-score macro, balanced accuracy e ROC-AUC. As decisões dos
modelos foram analisadas com SHapley Additive exPlanations (SHAP), análise
de componentes principais (Principal Component Analysis — PCA) e anotação
funcional pelo Variant Effect Predictor (VEP).

Os resultados indicaram que os modelos não discriminaram os subtipos
moleculares de forma robusta, com F1-score macro inferior a 0,35, sugerindo
que variantes pontuais isoladas não capturam adequadamente a complexidade
molecular desses subtipos. Em contraste, a classificação de raça/cor
autodeclarada apresentou alto desempenho a partir de um conjunto reduzido
de 15 variantes, com melhor resultado obtido pelo SVM linear no conjunto de
teste (F1 = 0,90; ROC-AUC = 0,96). A análise explicável mostrou que esse
sinal converge para um núcleo estável de variantes, com destaque para
chrX_49323806_C>A, variante com alta frequência em populações africanas no
gnomAD. Além disso, a anotação funcional indicou predominância de variantes
de baixo impacto funcional, sugerindo que o padrão aprendido pelos modelos
pode refletir estrutura populacional, origem germinativa residual ou
artefatos técnicos, mais do que mecanismos tumorais diretamente associados
aos subtipos moleculares. Os resultados demonstram que a explicabilidade é
indispensável em pipelines de aprendizado de máquina aplicados à genômica
do câncer, pois permite distinguir sinais potencialmente relacionados à
biologia tumoral de sinais associados a estrutura populacional ou técnico.
Ao evidenciar que modelos de alta performance podem aprender padrões não
causais presentes nos dados, o trabalho reforça a necessidade de
interpretação crítica, validação biológica e cautela contra leituras
essencialistas em estudos genômicos baseados em inteligência artificial.

Esta dissertação investiga como a dinâmica de treinamento em monitoramento multimodal de motoristas no interior do veículo é afetada pela ambiguidade. O estudo utiliza a MMTL-UniAD como arquitetura de diagnóstico no dataset AIDE, considerando quatro tarefas de reconhecimento: reconhecimento de emoção do motorista, reconhecimento de comportamento do motorista, reconhecimento do contexto de tráfego e reconhecimento da condição do veículo. Nesse cenário, a cartografia de datasets é aplicada como uma abordagem diagnóstica para analisar a confiança, a variabilidade e a corretude das amostras ao longo das épocas de treinamento, mapeando os casos em regiões fáceis de aprender, difíceis de aprender e ambíguas. Os resultados mostraram que o reconhecimento do contexto de tráfego apresentou o comportamento de aprendizado mais estável ao longo dos experimentos propostos. Por outro lado, as tarefas centradas no motorista foram mais afetadas pela observabilidade visual limitada, por sobreposições semânticas, pela dependência temporal e pelo desbalanceamento de classes. A análise que propôs um limiar extremo de 10% não resultou em nenhuma amostra de reconhecimento de emoção ou de comportamento do motorista classificada como fácil de aprender, enquanto o reconhecimento do contexto de tráfego produziu o grupo mais claro de amostras estáveis. A análise de sobreposição entre tarefas também mostrou que nenhuma amostra foi fácil de aprender em todas as quatro tarefas simultaneamente e que 86,84% das amostras não foram classificadas como fáceis de aprender em nenhuma das tarefas abaixo do limiar de 25%. Os resultados deste trabalho indicam que a dificuldade das amostras deve ser tratada mais como parte da evidência multimodal, da tarefa de reconhecimento e do rótulo-alvo do que como uma propriedade global da entrada. Portanto, a cartografia de datasets complementa as métricas tradicionais ao expor regiões de estabilidade, ambiguidade e falhas sistemáticas que permanecem parcialmente ocultas nas medidas de desempenho agregadas..

A sepse é uma das principais causas de mortalidade em unidades de terapia
intensiva, e a identificação precoce dos pacientes sob maior risco de óbito
é decisiva para orientar a intervenção clínica. Este trabalho avalia
modelos de aprendizado de máquina para a predição de mortalidade em até 30
dias em pacientes com sepse nas bases de dados MIMIC-III e MIMIC-IV. A
partir de variáveis disponíveis na admissão, foram comparadas três famílias
de modelos, classificadores monolíticos, ensembles estáticos e seleção
dinâmica de ensembles (DES) —, com seleção de variáveis em duas etapas
(filtro estatístico e Boruta), quatro estratégias de balanceamento de
classes, partição estratificada e reamostragem contida no pipeline de
treino. Sete classificadores monolíticos, oito métodos de DES e duas
referências teóricas de teto e piso de desempenho (Oracle e Strict
Consensus) foram avaliados utilizando as métricas de acurácia, Area Under
the Curve (AUC), precisão, recall, especificidade e F1, com intervalos de
confiança de 95%. Os melhores modelos implementados alcançaram AUC de
aproximadamente 91,9% na MIMIC-IV e 88,5% na MIMIC-III; a seleção dinâmica
de ensembles empatou, dentro dos intervalos de confiança, com o melhor
classificador isolado, baseado em boosting. A análise do teto teórico
(Oracle) revelou margem inferior a um ponto percentual sobre o melhor
modelo implantável, e a ablação da seleção de variáveis mostrou efeito
desprezível sobre a discriminação. Conclui-se que um modelo de boosting bem
ajustado alcançou desempenho robusto nas duas bases de dados, sem exigir a
complexidade adicional da seleção dinâmica de ensembles.

Estimação de estado é uma capacidade fundamental para robôs móveis
autônomos, permitindo o rastreamento preciso de posição, orientação e
velocidade a partir de dados de sensores embarcados. Na RoboCup Small Size
League (SSL), robôs omnidirecionais tradicionalmente dependem de um sistema
externo de câmeras para localização, mas desafios técnicos recentes
motivaram o desenvolvimento de estimação totalmente embarcada utilizando
encoders de roda e unidades de medição inercial (IMUs). Abordagens
clássicas como o Filtro de Kalman Extendido (EKF) são limitadas por sua
dependência de parâmetros de ruído ajustados manualmente e erros de
linearização, motivando a exploração de alternativas baseadas em dados.
Esta dissertação apresenta o projeto, implementação e avaliação de
estimadores de estado híbridos que combinam modelos cinemáticos baseados em
física com componentes de redes neurais aprendidos. Três arquiteturas são
propostas e avaliadas: um Encoder-Decoder, uma arquitetura KalmanNet
(inspirada na estrutura do Filtro de Kalman), e uma nova Correção por
Inovação que aprende uma correção residual sobre a predição física. Duas
formulações de modelo físico são exploradas, e uma otimização sistemática
de hiperparâmetros é realizada utilizando Optuna ao longo de mais de 1.000
tentativas. A metodologia de treinamento combina aprendizado sequencial com
comprimentos de sequência progressivamente crescentes, funções de perda
informadas por física, e parada antecipada com critério duplo para permitir
convergência em horizontes temporais longos.
A arquitetura de Correção por Inovação com encoders de roda como medição e
IMU como entrada de controle alcança o melhor desempenho, com uma melhoria
de 6.6x sobre o EKF e de 18.6x sobre uma GRU puramente orientada a dados em
horizontes curtos. Em relação a horizontes de tempo mais longos, o
desempenho da estimação de estado após 59,5 segundos, muito além do
horizonte de treinamento de 1,5 segundos, o melhor modelo mantém um RMSE
total de 0,216, comparado a 0,874 do EKF. Análises adicionais incluindo
estudos de ablação, testes de brancura da inovação e PCA do estado oculto
da GRU confirmam comportamento de filtragem quase ótimo no espaço de
medições.

Esta tese propõe uma abordagem inovadora para a previsão de geração eólica
de curto prazo, aseada na combinação de agrupamento de parques eólicos por
similaridade de comportamento temporal e modelos de aprendizado profundo do
tipo Transformer. Inicialmente, desenvolveu-se uma metodologia de
clustering utilizando métricas de autocorrelação das séries temporais de
potência dos parques, identificando grupos de usinas que compartilham
padrões como ciclos diurnos pronunciados e níveis de persistência temporal
semelhantes. Em seguida, foi construído um modelo preditivo multivariado,
com arquitetura Transformer encoder-only, capaz de receber simultaneamente
a série temporal alvo (parque eólico a ser previsto) e séries exógenas
provenientes dos demais parques do mesmo cluster. Esse modelo explora as
relações não lineares espaço-temporais entre as séries para aprimorar a
acurácia da previsão em múltiplos horizontes (horas à frente). A abordagem
proposta foi avaliada com dados reais de geração eólica, englobando dezenas
de usinas das regiões Nordeste e Sul do Brasil e da Austrália (com
diferentes características geográficas e regimes de vento). Os resultados
demonstraram que o modelo Transformer multivariado com entradas
provenientes de parques correlacionados supera os métodos de referência
considerados. A avaliação foi abrangente, utilizando modelos de referência
já consolidados na literatura e de diferentes classes e metodologias:
Autorregressivo Linear (AR), Multilayer Perceptron (MLP), Long Short-Term
Memory (LSTM), Convolutional Neural Networks (CNN), Support Vector
Regression (SVR). Ainda como modelo de referência, na classe de modelos
Transformer, foi avaliado o Frozen Pretrained Transformer (FPT), apontado
como preditor universal e pré-treinado com dados oriundos de Natural
Language Processing (NLP). Além disso, este trabalho propõe avaliar os
modelos treinados com diferentes horizontes de previsão (1,5h; 12h e 24h) e
com diferentes números de lags regressores (24, 48 e 96). Observou-se uma
redução significativa do erro médio de previsão e um aumento na correlação
entre previsões e valores observados em comparação às abordagens que tratam
cada usina isoladamente. Ademais, o modelo proposto mostrou desempenho
consistente em diferentes cenários de vento, destacando sua capacidade de
se adaptar a diferentes regimes. Em síntese, o trabalho comprova que a
incorporação de interdependências temporais e espaciais entre parques
eólicos, por meio do agrupamento prévio e do uso de um Transformer
multivariado, eleva consideravelmente a qualidade das previsões de curto
prazo. Os resultados obtidos representam um avanço no estado da arte da
previsão de energia eólica, evidenciando o potencial de técnicas baseadas
em atenção e aprendizado profundo para captar a dinâmica complexa dos
ventos e apoiar a integração eficiente de fontes renováveis no setor
elétrico.

O Aprendizado Profundo alcançou resultados expressivos em visão
computacional, impulsionado principalmente pelo aumento do poder de
processamento das GPUs. No entanto, a execução desses modelos modernos em
dispositivos móveis impõe desafios de latência, consumo energético e,
principalmente, memória RAM. Embora técnicas clássicas de compressão, como
a quantização e o pruning, reduzam a complexidade, elas podem degradar a
fidelidade visual necessária para aplicações de imagem de alta qualidade.
Diante desse cenário, esta tese propõe estratégias de otimização na
arquitetura de redes neurais e de fluxo de processamento que viabilizam a
execução eficiente no dispositivo sem prejudicar a qualidade visual. O
trabalho apresenta três contribuições aplicadas ao contexto móvel, mais
especificamente, smartphones. Primeiro, no processamento de sinal de
imagens (ISP), propomos uma arquitetura de rede compacta baseada em UNet
capaz de substituir o pipeline tradicional, processando dados RAW
diretamente para RGB com alta fidelidade e baixo custo de memória. Segundo,
para a transferência de estilo, desenvolvemos uma abordagem híbrida que
combina uma rede neural leve com um algoritmo baseado em pedaços
(patch-based), permitindo a geração de imagens em alta resolução em
dispositivos com RAM restrita (4GB), superando limitações de métodos
puramente neurais. Por fim, no preenchimento de imagem (inpainting),
apresentamos a arquitetura CRConv, que utiliza convoluções com gate guiadas
pela Transformada de Distância Euclidiana. Este método atinge um equilíbrio
ótimo entre qualidade visual e eficiência, reduzindo o tempo de inferência
em 17% comparado ao estado da arte (LaMa).

Neste trabalho, apresentamos uma estratégia para a decomposição aproximada
de ope-
radores quânticos multi-controlados aplicados a um qubit, com contribuições
que avançam o estado da arte em termos de profundidade do circuito e
contagem de portas CNOT. A
tese é fundamentada em dois artigos principais. No primeiro, propomos uma
decomposição aproximada sem qubits auxiliares que atinge profundidade
linear (proporcional a ∼ 64n) e um número de portas CNOT proporcional a ∼
32n, superando decomposições exatas e aproximadas anteriores. No segundo
artigo, introduzimos novas decomposições de portas Toffoli com profundidade
logarítmica: uma versão sem âncilas (utilizando fase relativa), uma com um
qubit auxiliar limpo e uma com dois qubits auxiliares. Aplicamos essas
portas Toffoli otimizadas para construir uma decomposição de operadores
SU(2) multi-controlados e multi-alvo (MCMT) sem qubits auxiliares, com
profundidade logarítmica e custo de CNOTs proporcional a ∼ 12n.
Por fim, integramos essa MCMT eficiente em nossa estrutura principal para
produzir uma decomposição aproximada do operador U(2) multi-controlado com
profundidade logarítmica e custo de CNOTs proporcional a ∼ 24n.
Experimentos computacionais validam
nossa abordagem, demonstrando uma redução significativa no uso de CNOTs em
comparação com os métodos existentes. Nossos resultados oferecem soluções
escaláveis e eficientes para a implementação de componentes essenciais de
algoritmos quânticos em dispositivos NISQ e futuras arquiteturas tolerantes
a falhas.

A Internet das Coisas (IoT) permite que elementos distintos de um ambiente
sejam monitorados remotamente usando infraestruturas de rede existentes,
criando uma integração proeminente de sistemas computacionais diversos.
Essa integração geralmente resulta em uma coleta e processamento de dados
eficientes. De fato, a adoção da IoT pode melhorar a comunicação na coleta
e transmissão de dados, especialmente em locais que enfrentam desafios de
conectividade. Por exemplo, hospitais têm adotado IoT para coletar e
transmitir dados de pacientes para profissionais de saúde, pois pacientes
críticos devem ser monitorados de forma ininterrupta. Como consequência, os
sistemas de saúde geralmente exigem alta disponibilidade, na qual a
conectividade é um requisito crítico para decisões médicas. Nesses
cenários, avaliar o desempenho é necessário para assegurar latências
reduzidas, vazão compatível com a carga e ausência de perdas, evitando
atrasos em alarmes e nas decisões clínicas. Alguns trabalhos desenvolveram
técnicas para avaliar a disponibilidade de sistemas de Internet das Coisas
Médicas (IoMT), mas a avaliação conjunta de desempenho e disponibilidade
geralmente é negligenciada. Este trabalho apresenta uma abordagem de
modelagem baseada em redes de Petri estocásticas (SPN), diagramas de blocos
de confiabilidade (RBD) e cadeias de markov de tempo contínuo (CTMC) para
avaliar sistemas IoMT. A técnica proposta avalia a disponibilidade, o tempo
de resposta e a vazão em uma arquitetura IoMT. Os resultados experimentais
mostram a viabilidade prática da abordagem proposta. Inicialmente, foi
realizada a validação do sistema para disponibilidade e desempenho,
assegurando a aderência entre modelos e medições. Em seguida, foram
executados experimentos de disponibilidade e de performabilidade, bem como
um estudo em CTMC para estimar a disponibilidade e o desempenho sob
diferentes configurações. Depois, foram apresentados os Estudos de Caso I a
IV, que abrangem a comparação de métricas em modelos estendidos, variações
de capacidade de processamento na nuvem privada, análise de um hospital com
cinco andares, com ampliação proporcional de sensores, switches e VMs em
cada piso para verificar se a arquitetura absorve o aumento de carga
mantendo alta disponibilidade, e análise fatorial dos principais
componentes do sistema. Na etapa posterior, foi aplicado o Estudo de Caso
V, que utiliza a métrica de Importância de Disponibilidade para priorizar
componentes e propor arquiteturas redundantes. Por fim, foi conduzido o
Estudo de Caso VI, no qual se avaliaram os custos das arquiteturas nas
camadas IoT e nuvem privada, quantificando custos de aquisição, operação e
manutenção para subsidiar decisões técnico-financeiras.

Redes Time-Sensitive Networking (TSN) permitem comunicação determinística em aplicações industriais ao combinar mecanismos de escalonamento e traffic shaping com garantias de latência fim a fim. Entre esses mecanismos, o Credit-Based Shaper (CBS) é amplamente utilizado para limitar a interferência entre classes de tráfego, porém sua configuração adequada é não trivial, pois envolve compromissos entre redução de latência e aumento de perdas, além de depender de topologia, cargas e prioridades. Esta tese investiga como modelos preditivos podem apoiar a recomendação de configurações de CBS, reduzindo o custo de exploração do espaço de parâmetros em comparação a abordagens puramente baseadas em simulação. Primeiro, é conduzido um estudo comparativo do comportamento de TSN em ambientes simulados, bare-metal e virtualizados, estabelecendo a confiabilidade da simulação para a geração de dados e destacando condições em que efeitos de plataforma influenciam as métricas observadas. Em seguida, é proposto um pipeline de surrogate modeling e otimização multiobjetivo para estimar latência e perdas por fluxo e buscar configurações quase ótimas em um cenário topológico fixo, evidenciando a necessidade de tratar perdas explicitamente para evitar soluções degeneradas. Por fim, é apresentado um lightweight digital twin baseado em Graph Neural Networks (GNN) capaz de prever, a partir de topologias e descritores de tráfego, métricas por fluxo, sendo utilizado como ambiente para treinar uma política de reinforcement learning que ajusta valores de idleSlope e produz recomendações de configuração com baixa latência e perdas controladas, em topologias não vistas durante o treinamento. Os resultados indicam que o lightweight digital twin viabiliza avaliações rápidas e análises para suporte à engenharia de TSN, mantendo a decisão final sob supervisão do operador e explicitando limitações de transferência para testbeds físicos.

Esta tese investiga a modelagem analítica de sistemas por meio de
distribuições do tipo Phase-Type (PH), com foco na avaliação de
confiabilidade e desempenho a partir de dados empíricos. Embora as
distribuições PH ofereçam elevada flexibilidade e propriedades analíticas
desejáveis, sua aplicação prática é frequentemente limitada pela
complexidade do processo de estimação de parâmetros e pela escolha adequada
da estrutura do modelo. Nesse contexto, propõe-se uma abordagem de
estimação automatizada baseada no algoritmo de Expectation Maximization
(EM), capaz de ajustar distribuições PH de forma sistemática e reprodutível.

A contribuição central do trabalho consiste no desenvolvimento e na análise
de um algoritmo de ajuste automatizado de distribuições Hyper-Erlang via
EM, originalmente apresentado em publicação científica, e posteriormente
estendido nesta tese. São investigadas diferentes estratégias de seleção e
parada do processo de ajuste, incluindo critérios baseados em
verossimilhança penalizada, como o Critério de Informação Bayesiano (BIC),
e critérios baseados na aderência funcional entre a distribuição ajustada e
os dados empíricos, em particular a minimização do erro quadrático médio
entre as funções de distribuição acumulada. Além disso, o algoritmo é
generalizado para permitir números de fases distintos por ramo da mistura,
ampliando significativamente a flexibilidade estrutural do modelo.

A metodologia proposta integra a estimação paramétrica via EM com
procedimentos de busca automatizada no espaço estrutural do modelo,
reduzindo a dependência de escolhas heurísticas e da inicialização dos
parâmetros. Os modelos ajustados são avaliados por meio de métricas
baseadas na função de distribuição acumulada e de testes estatísticos de
aderência, como o teste de Kolmogorov–Smirnov. Experimentos com dados
sintéticos, gerados a partir de misturas de distribuições Weibull, são
utilizados para comparar as diferentes abordagens de ajuste e analisar seus
compromissos entre parcimônia, aderência empírica e estabilidade
algorítmica.

Por fim, a tese discute a aplicação dos modelos PH ajustados à análise de
confiabilidade, incluindo a formalização do mapeamento para Redes de Petri,
explorando funcionalidades recentes do ambiente Mercury. Os resultados
demonstram que a combinação de critérios de seleção baseados na aderência
da CDF com estruturas Hyper-Erlang heterogêneas produz ajustes mais fiéis
ao comportamento empírico dos dados, mantendo a interpretabilidade e as
propriedades analíticas características das distribuições Phase-Type.