http://www.monografias.ufop.br/handle/35400000/10 2026-05-30T19:55:45Z http://www.monografias.ufop.br/handle/35400000/9245 Título: Análise preditiva e interpretável de dados clínicos em traumatismo cranioencefálico leve com XGBoost e SHAP. Autor(es): Almeida, Patrick Araujo de Resumo: O avanço das técnicas de aprendizado de máquina, como o eXtreme Gradient Boosting (XGBoost), tem revolucionado a análise de dados complexos, especialmente em áreas críticas como a saúde. Contudo, a complexidade desses modelos pode dificultar sua interpretação, tornando métodos como o SHapley Additive exPlanations (SHAP) fundamentais para garantir transparência e confiança. Este trabalho realiza uma análise exploratória de dados de pacientes com traumatismo cranioencefálico (TCE), utilizando a sinergia entre o XGBoost e a interpretabilidade SHAP para predizer desfechos emocionais — ansiedade e depressão. Foram treinados modelos XGBoost independentes para cada condição, alcançando desempenho satisfatório. A análise SHAP revelou assinaturas biológicas distintas para cada desfecho: para a ansiedade, o biomarcador LIGHT e a idade emergiram como os fatores de maior impacto, enquanto para a depressão, Lipocalin-2 e MCP-1 foram as variáveis mais influentes. O estudo demonstra que a combinação do poder preditivo do XGBoost com a clareza explicativa do SHAP é uma ferramenta robusta para identificar preditores clinicamente relevantes, reforçando a complexidade fisiopatológica dos transtornos pós-TCE e a necessidade de abordagens personalizadas. 2025-01-01T00:00:00Z http://www.monografias.ufop.br/handle/35400000/9222 Título: Stochastically generating well-typed CPS-calculus terms : a context-directed algorithm. Autor(es): Torres, Artur Bermond Resumo: Continuações são frequentemente empregadas no contexto de compiladores, em especial como fundamento para representações intermediárias baseadas em continuation-passing style (CPS). Um campo emergente de pesquisa é o desenvolvimento de um cálculo baseado em CPS, visando-se criar uma base teórica para essas representações intermediárias. O trabalho atual tem o objetivo de contribuir a essa linha de pesquisa implementando uma variante de CPS-calculus em PLT Redex, formalizando um gerador de termos bem-tipados para essa linguagem e apresentando uma maneira de unir esses dois aspectos do trabalho em Racket, programando-se propriedades em Redex e depois testando-as usando o gerador de termos implementado em Rackcheck. Primeiramente, diversas semânticas de CPS-calculus foram implementadas, possibilitando o teste de reduções, tipagem e traduções entre CPS-calculus e λ-calculus, tanto por call-by-name quanto por call-by-value. Após, um gerador estocástico de termos bem-tipados foi formalizado usando-se árvores de provas e pseudo-código puramente funcional e depois implementado em Rackcheck, que possui suporte a shrinking automático de termos. Por último, foram testadas algumas propriedades sobre a imagem do gerador, além da propriedade de preservação de tipos da semântica operacional jump reduction e das traduções de λ-calculus para CPS-calculus. Com todos esses desenvolvimentos, o trabalho aqui apresentado obteve êxito em criar um caminho para possibilitar testes baseados em propriedades de CPS-calculus, algo que poderá ser de utilidade a futuras explorações acadêmicas no tópico, em especial como um prelúdio para provas formais que visa diminuir o tempo gasto com tentativas de se provar algo falso. 2026-01-01T00:00:00Z http://www.monografias.ufop.br/handle/35400000/9160 Título: Compatibilidade entre clientes para predição de desempenho do aprendizado federado. Autor(es): Rocha, Guilherme Carolino Rodrigues e Resumo: O aprendizado federado permite o treinamento colaborativo de modelos sem o compartilhamento direto de dados, porém enfrenta desafios significativos decorrentes da heterogeneidade entre clientes. Neste trabalho, introduzimos o conceito de compatibilidade entre clientes, definido como a discrepância estatística entre o modelo global de uma rodada anterior e os modelos locais atualizados, avaliada sobre os dados de cada cliente nas rodadas iniciais do treinamento. A compatibilidade é estimada por meio de métricas de divergência e distância entre distribuições, incluindo Maximum Mean Discrepancy (MMD), Fréchet Inception Distance (FID), divergência de Kullback-Leibler (KL) e divergência de Jensen-Shannon (JS). Investigamos a correlação entre a compatibilidade calculada nas primeiras rodadas e o ganho global de acurácia ao final do treinamento federado. Os experimentos foram conduzidos em diferentes conjuntos de dados (CIFAR-10, Fashion-MNIST e Blood-MNIST), variando número de clientes, arquitetura de rede neural e número de épocas locais. Os resultados indicam que a MMD apresentou comportamento consistente e robusto em todos os cenários analisados, mantendo forte correlação negativa com o ganho global. Em contraste, a FID demonstrou instabilidade em determinados contextos, enquanto KL e JS apresentaram comportamento dependente do conjunto de dados e do critério de agregação adotado. Além da análise retrospectiva, demonstramos o potencial uso preditivo da compatibilidade baseada em MMD como indicador antecipado do desempenho final da federação, possibilitando aplicações em diagnóstico precoce e ajuste dinâmico de hiperparâmetros. Os resultados sugerem que a compatibilidade entre clientes, especialmente quando mensurada via MMD, constitui ferramenta promissora para análise e monitoramento de cenários federados heterogêneos. 2026-01-01T00:00:00Z http://www.monografias.ufop.br/handle/35400000/9096 Título: Investigando recomendação híbrida ponderada em relação a fairness e sensibilidade ao risco. Autor(es): Costa, João Paulo Prata Resumo: Sistemas de recomendação são ferramentas que ajudam os usuários a encontrar itens relevantes dentre muitas opções. Eles são baseados em algoritmos que analisam os dados do usuário, como histórico de compras, avaliações e comportamentos de navegação, para sugerir produtos ou serviços relevantes e personalizados para cada pessoa. Esses sistemas são amplamente utilizados em e-commerces, serviços de streaming de vídeo e de música, redes sociais, entre outros. Um dos principais desafios enfrentados pelos sistemas de recomendação é atender a diversas métricas de avaliação, como precisão, diversidade e novidade das recomendações, pois essas métricas podem ser conflitantes entre si. Outro desafio enfrentado no desenvolvimento de sistemas de recomendação é lidar com a variabilidade dos resultados, isto é, garantir que sejam consistentes e precisos em diversos cenários. Neste trabalho, são abordados dois conceitos relacionados à variabilidade: justiça e sensibilidade ao risco. Justiça nas recomendações significa que os algoritmos devem ser projetados para evitar preconceitos e discriminações, levando em consideração fatores como gênero, raça, idade, entre outros, para garantir que as recomendações tenham uma qualidade equiparável para todos os usuários. Já a sensibilidade ao risco está relacionada à capacidade do sistema de reduzir a probabilidade de resultados insatisfatórios. Para lidar com a complexidade desses múltiplos objetivos, a hibridização de algoritmos, que consiste na combinação de diferentes modelos de recomendação clássicos para aliar seus pontos fortes e atenuar suas fraquezas individuais, surge como uma abordagem relevante. Ao integrar múltiplos vieses indutivos, levanta-se a hipótese teórica de que sistemas híbridos não apenas melhorem a precisão global, mas também possam suavizar disparidades entre diferentes perfis e conferir maior robustez contra falhas extremas. Sendo assim, neste trabalho, investiga-se empírica e estatisticamente como estratégias de hibridização impactam as avaliações desses critérios. O objetivo principal é realizar experimentos para avaliar se técnicas de hibridização contribuem para recomendações mais justas e menos sensíveis ao risco. Os resultados obtidos por meio da validação temporal demonstram que, paradoxalmente, a hibridização baseada em regressão atuou como um nivelador genérico, reduzindo a personalização, amplificando as disparidades de desempenho entre os grupos de usuários e aumentando a sensibilidade ao risco global do sistema. 2026-01-01T00:00:00Z