Defesa de Dissertação de Mestrado do aluno Moises Henrique Pereira
Título da dissertação:
OceanUI: interface para geração de explicações contrafactuais
Resumo:
Atualmente algoritmos de aprendizado de máquina (ML) estão incrivelmente presentes no nosso cotidiano, desde sistemas de recomendação de filmes e músicas até áreas de alto risco como saúde, justiça criminal, finanças e assim por diante, auxiliando na tomada de decisões. Mas a complexidade de criação desses algoritmos de ML também está aumentando, enquanto sua interpretabilidade está diminuindo. Assim, os algoritmos e suas decisões não podem ser facilmente explicados por desenvolvedores ou usuários, e os algoritmos também não são auto explicáveis. Com isso, erros e vieses podem acabar ficando ”escondidos” , o que pode impactar profundamente a vida das pessoas. Devido a isso o tema da transparência, explicabilidade e interpretabilidade está se tornando mais relevante, como podemos ver no novo regulamento sobre proteção e tratamento de dados pessoais (GDPR, do inglês
General Data Protection Regulation), aprovado em 2016 para a União Europeia, e também na Lei Geral de Proteção de Dados (LGPD) aprovada em 2020 no Brasil. Além de leis e regulamentos tratando sobre o tema, temos diversos autores que consideram necessário o uso de algoritmos inerentemente interpretáveis, outros mostram alternativas para se explicar algoritmos caixa-preta usando explicações locais, tomando a vizinhança de um determinado ponto e então analisando a fronteira de decisão dessa região, enquanto outros estudam o uso de explicações contrafactuais. Seguindo essa linha dos contrafactuais, nos propomos a desenvolver uma interface para o sistema “Optimal Counterfactual Explanations in Tree Ensembles” (OCEAN – usuário gera explicações contrafactuais plausíveis usando Programação Inteira Mista e Isolation Forest) e a denominamos OceanUI. O propósito desta interface é que ela facilite a geração de contrafactuais e que permita o usuário obter um contrafactual personalizado e mais aplicável individualmente, por meio da utilização de restrições e gráficos interativos.
Orientador(a):
Prof(a). Doutora Simone Diniz Junqueira Barbosa
Banca:
Prof. Doutor Thibaut Victor Gaston Vidal
Prof. Doutor Bruno Feijó
Prof. Doutor Helio Côrtes Vieira Lopes
Prof Doutor Marx Leles Viana
Link: http://www.inf.puc-rio.br/blog/noticia/noticia/defesa-de-dissertacao-de-mestrado-oceanui-interface-para-geracao-de-explicacoes-contrafactuais
#dissertação #mestrado #aprendizadodemaquina #pesquisa #desenvolvimento #alunos #dipucrio
Autor: Fernando Alberto Correia dos Santos Junior
Orientador: Hélio Côrtes Vieira Lopes
Data e Hora: 08/04/2022 às 08:00
#paperoftheday
Title:
Computational Narrative Blending Based on Planning
Venue:
International Conference on Entertainment Computing (ICEC), 2021
Authors:
Edirlei Soares de Lima, Bruno Feijó, Antonio L. Furtado
Abstract:
Inspired by conceptual blending models and considering plot generation as a plan- generation problem, this paper proposes a robust method that reuses existing stories to generate new narrative variants. This method generates variants that combine episodes extracted and adapted from different stories that share the same narrative structure. By combining a plan validation algorithm with a basic narrative structure, our method guarantees the logical coherence and general plot structure of the generated narratives. We also propose a new tool to assist amateur/professional writers to visualize all narrative variants created from a set of existing stories. Our experiments created novel, coherent and structured narratives by blending and adapting episodes from old chivalry romance pieces of work and some modern adventure videogames.
More in:
https://doi.org/10.1007/978-3-030-89394-1_22
Na última semana, o Departamento de Informática da PUC-Rio organizou um evento onde a Fundação Behring recebeu os 8 bolsistas da Ciência da Computação que foram contemplados com uma bolsa de 4 anos para custear integralmente os estudos da Graduação na PUC-Rio. As bolsas, chamadas de Behring Foundation Scholarships, premiaram os 8 alunos que obtiveram a melhor colocação no vestibular e são mais um resultado da parceria entre o DI da PUC-Rio e a Fundação Behring, iniciada em 2020.
Durante o evento, onde estiveram presentes o CEO da Fundação Behring, Lucas Giannini, o Diretor do DI da PUC-Rio, Prof. Markus Endler, o Decano do CTC, Sidnei Paciornik, e outros convidados, ocorreu também a premiação ao aluno Yuri Strack, que se formou em Ciência da Computação e recebeu da Fundação Behring um prêmio em dinheiro por ter sido o aluno com maior Coeficiente de Rendimento dentre todos os formandos de 2021. Ao longo de todo o curso, os bolsistas Behring Foundation Scholars, receberão apoio e acompanhamento e mentoria da Fundação, que atua com o objetivo de apoiar pessoas e iniciativas sociais comprometidas em alavancar a potencialidade dos jovens para transformar a sociedade, sobretudo por meio da tecnologia. A Fundação busca, através de parcerias nacionais e internacionais, ampliar as possibilidades para jovens talentos incentivando o desenvolvimento social.
O evento refletiu o orgulho e a satisfação do DI da PUC-Rio em poder conceder bolsas de estudo integrais e prêmios a alunos de destaque que tenham feito ou estejam iniciando os estudos em Ciência da Computação, podendo proporcionar novas possibilidades acadêmicas e profissionais para diversos estudantes através desta importante parceria com a Fundação Behring, que tem contribuído para desenvolvimento social do país e de seus cidadãos na, área de educação.
#evento #graduação #cienciadacomputação #fundacaobehring #alunosaprovados #dipucrio
Defesa de Dissertação de Mestrado do aluno Pedro Vinicius Almeida de Freitas
Título da dissertação:
Sensitive Content Detection in Video with Deep Learning
Resumo:
Grandes quantidades de vídeo são carregadas em plataformas de hospedagem de vídeo a cada minuto. Esse volume de dados apresenta um desafio no controle do tipo de conteúdo enviado para esses serviços de hospedagem de vídeo, pois essas plataformas são responsáveis por qualquer mídia sensível enviada por seus usuários. Nesta dissertação, definimos conteúdo sensível como sexo, violência, gore ou qualquer mídia que possa causar angústia no espectador. Apresentamos um conjunto de dados de vídeo sensível para classificação binária de vídeo (se há conteúdo sensível no vídeo ou não), contendo 127 mil vídeos anotados, cada um com seus embeddings de áudio e visual extraídos. Também treinamos e avaliamos quatro modelos baseline para a tarefa de detecção de conteúdo sensível em vídeo. O modelo com melhor desempenho obteve 99% de F2-Score ponderado no nosso subconjunto de testes e 88,83% no conjunto de dados NPDI pornography-2k.
Orientador:
Prof. Doutor Sérgio Colcher
Banca:
Prof(a) Doutor(a) Sandra Eliza Fontes
Prof Doutor Alberto Barbosa Raposo
Prof. Doutor Julio Cesar Duarte
Acompanhe-nos pelo link:
Defesa de Dissertação de Mestrado da aluna Patricia Ferreira da Silva
Título da dissertação:
ResRiskOnto: an application ontology for risks in the petroleum reservoir domain
Resumo:
Este trabalho apresenta a Reservoir Risks Ontology (ResRiskOnto), uma ontologia aplicada para riscos na indústria de óleo e gás associados ao domínio de reservatórios. Os blocos utilizados na
construção desta ontologia são termos dominados por profissinais de reservatório, de forma a facilitar sua adoção na documentação futura de riscos.A ResRiskOnto foi desenvolvida tendo como ideia central o conceito de Evento de Risco. Cada evento tem um conjunto de possíveis Participantes, que por sua vez possuem Características manifestadas durante o evento. A ontologia oferece um conjunto de 94 termos, 29 dos quais derivados da classe Evento de Risco.Para o desenvolvimento da ResRiskOnto, conduzimos uma análise semântica em documentos contendo aproximadamente 2500 riscos relacionados a reservatórios descritos em linguagem natural. Este repositório é o resultado de centenas de workshops de avaliação de riscos em projetos de óleo & gás, conduzidos na Petrobras ao longo de uma década.A ontologia aqui apresentada tem seus fundamentos nos princípios da Basic Formal Ontology (BFO). A BFO é uma ontologia de topo, projetada para descrever domínios científicos. Uma de suas características mais marcantes é seu compromisso com o Realismo, uma visão filosófica segundo a qual os entes que constituem o que é real existem independentemente da nossa representação a respeito desses entes. Na camada de domínio as entidades de reservatório são descritas segundo os princípios da GeoCore Ontology, uma ontologia para a Geologia. GeoCore dá suporte ao entendimento geológico, contribuindo assim para elucidar o domínio de Reservatórios. Para validar a ResRiskOnto os documentos do repositório foram anotados utilizando os entes e relações definidos na ontologia, para desenvolvimento de um modelo de processamento em linguagem natural capaz de reconhecer entidades nomeadas e extrair as relações entre elas. Nossa contribuição é uma ontologia aplicada que permite o raciocínio semântico no repositório de documentos de risco. Também esperamos que ela forneça (i) as bases para modelagem de dados no caso de riscos relacionados a reservatórios; e (ii) um padrão para futura documentação de riscos no domínio de reservatório.
Orientador:
Prof. Doutor Helio Côrtes Vieira Lopes
Banca:
Prof. Doutor Rafael Jesus de Moraes
Prof.(a) Doutor(a) Simone Diniz Junqueira Barbosa
Prof. Doutor Regis Kruel Romeo
Prof. Doutor William Paulo Ducca Fernandes
Autor: Moisés Henrique Pereira
Orientador: Simone Diniz Junqueira Barbosa
Data e Hora: 05/04/2022 às 14:00
Conheça os Professores do Quadro Principal do DI
Grande parte do reconhecimento acadêmico do Departamento de Informática (DI) da PUC-Rio é devido aos professores do seu quadro principal, que atuam com excelência à frente de ensino e pesquisa, coordenando e atuando em laboratórios temáticos e orientando as pesquisas de mestrado e doutorado dos alunos. Eles também são responsáveis por coordenar os projetos de pesquisa do DI junto a órgãos de fomento e a empresas nacionais e internacionais, assim como pela criação e oferta de cursos de extensão e especialização lato sensu do DI.
Hoje, temos o prazer de apresentar o Professor Bruno Feijó, que é professor titular do Departamento de Informática da PUC-Rio, onde atua na área de pesquisa Computação Gráfica e coordena o laboratório ICAD/VisionLab. Sua pesquisa interdisciplinar é pioneira no Brasil nas áreas de CAD, animação, efeitos especiais, entretenimento digital e jogos, com propostas para inovação e educação que vão do ensino médio a instituições de pesquisa.
Atualmente está criando o primeiro grupo de pesquisa no país em Narratologia Computacional, Storytelling Interativo e Data Storytelling.
Mais informações podem ser encontradas na página profissional do professor Bruno: http://www.icad.puc-rio.br/bruno-feijo/
No dia 31 de março, às 10h, o Professor Alberto Raposo, do Departamento de Informática da PUC-Rio fará uma Aula Magna para o Departamento de Medicina da PUC-Rio, com o tema: Aprendizado de Máquina e Realidades Estendidas: revoluções em imagens médicas? A aula será presencial no endereço: Estrada da Gávea, 36 e terá transmissão ao vivo pelo youtube, através do link:
https://www.youtube.com/watch?v=1FRYLeorbr8https://lnkd.in/eCRRemgU
A Inteligência Artificial, mais especificamente o Aprendizado de Máquina, já tem trazido resultados importantes nas pesquisas em medicina, especialmente em imagens médicas. Por outro lado, a Realidade Virtual e Aumentada (ou XR – Extended Realities) também têm se mostrado ferramentas de grande ajuda na medicina. Nesta aula, o Prof. Alberto Raposo falará sobre estas tecnologias e seus potenciais em imagens médicas, apresentando os desafios enfrentados em projetos de inovação desenvolvidos no Instituto Tecgraf/PUC-Rio em parceria com a indústria, e em pesquisas desenvolvidas no Departamento de Informática.
O Prof. Alberto Barbosa Raposo é Professor do Departamento de Informática, Coordenador de projetos do Instituto Tecgraf da PUC- Rio, Bolsista de Produtividade do CNPq – Nível 1.
#paperoftheday
Tittle:
Analysis of a many-objective optimization approach for identifying microservices from legacy systems
Venue:
Empirical Software Engineering volume 27, Article number: 51 (2022)
Authors: Wesley K. G. Assunção, Thelma Elita Colanzi, Luiz Carvalho, Alessandro Garcia, Juliana Alves Pereira, Maria Julia de Lima, Carlos Lucena
Abstract:
The expensive maintenance of legacy systems leads companies to migrate such systems to modern architectures. Microservice architectural style has become a trend to modernize monolithic legacy systems. A microservice architecture consists of small, autonomous, and highly-independent services communicating by using lightweight network protocols. To support the designing of microservice architectures, recent studies have proposed either single or multi-objective approaches. In order to improve the effectiveness of existing approaches, we introduced toMicroservices that is a many-objective search-based approach to aid the identification of boundaries among services. In previous studies, we have focused on a qualitative evaluation of the applicability and adoption of the proposed approach from a practical point of view, thus the optimization process itself has not been investigated in depth. In this paper, we extend our previous work by performing a more in-depth analysis of our many-objective approach for microservice identification. We compare our approach against a baseline approach based on a random search using a set of performance indicators widely used in the literature of many-objective optimization. Our results are validated through a real-world case study. The study findings reveal that (i) the criteria optimized by our approach are interdependent and conflicting; and (ii) all candidate solutions lead to better performance indicators in comparison to random search. Overall, the proposed many-objective approach for microservice identification yields promising results, which shed light on insights for further improvements.
More in:
https://link.springer.com/article/10.1007/s10664-021-10049-7
