Teses - Ciência da Computação - FC

URI Permanente para esta coleção

Navegar

Submissões Recentes

Agora exibindo 1 - 3 de 3
  • ItemTese de doutorado
    Auxílio ao diagnóstico de acidente vascular cerebral utilizando redes de boltzmann e agregação de informação com a transformada de Fourier
    (Universidade Estadual Paulista (Unesp), 2023-06-07) Roder, Mateus; Papa, João Paulo [UNESP]; Universidade Estadual Paulista (Unesp)
    Na última década, técnicas de aprendizado profundo (do inglês, Deep Learning - DL) têm sido amplamente pesquisadas e aplicadas a diversos problemas, abrangendo uma vasta gama que vai desde sistemas de recomendação de produtos para consumidores, até aplicações na área médica, como a classificação de acidente vascular cerebral (AVC), e do pré-processamento de imagens médicas. No entanto, mesmo com excelentes resultados nas tarefas de visão computacional mencionadas, ainda há áreas a serem exploradas à medida que os problemas tornam-se cada vez mais complexos, ou as aplicações do mundo real exigem novas restrições que prejudicam/limitam o desempenho das técnicas estado-da-arte. Com relação à classificação de acidente vascular cerebral, um problema de suprimento sanguíneo cerebral, pode-se observar algumas dificuldades nas pesquisas acadêmicas realizadas, como a falta de grandes conjuntos de dados para treinar redes neurais profundas, falta de imagens anotadas para utilizar o paradigma de aprendizado supervisionado, e a dificuldade em encontrar trabalhos com redes neurais de baixa complexidade, como as Máquinas de Boltzmann Restritas. Deste modo, o presente trabalho atua no estudo e desenvolvimento de modelos baseados em Máquinas de Boltzmann aplicados no contexto da classificação de acidente vascular cerebral, empregando redes neurais artificiais treinadas através dos paradigmas de aprendizado não-supervisionado e supervisionado, utilizando um banco de dados público com baixo volume de dados rotulados (principalmente para o ajuste-fino supervisionado), concomitante à transformada de Fourier para adicionar informação relevante aos modelos. Os resultados atingidos foram expressivos e apontam para um novo estado-da-arte do conjunto de dados empregado nesta tese, com taxas de acerto médias iguais a 99,94%. Além disso, a metodologia proposta que adiciona informação multimodal por meio da transformada de Fourier impactou positivamente no desempenho preditivo dos modelos. Por fim, a abordagem empregada utilizando Máquinas de Boltzmann Restritas e Redes de Crença Profundas, bem como suas variantes convolucionais, são mais simples que as estado-da-arte baseadas em redes neurais convolucionais padrão.
  • ItemTese de doutorado
    About intrusion detection in computer networks and computational systems: a pruning proposal to reduce computational cost and gain performance using ensemble learning
    (Universidade Estadual Paulista (Unesp), 2023-05-19) Lucas, Thiago José; Costa, Kelton Augusto Pontara da [UNESP]; Universidade Estadual Paulista (Unesp)
    Maintaining Confidentiality, Integrity, and Availability requirements is a very relevant challenge for companies, governments, and corporations concerning the security of their information. Attacks on computer networks and systems have been intensifying recently, becoming more recurrent and sophisticated. Intrusion Detection Systems (IDS) are responsible for analyzing network traffic or operating systems' behavior to detect anomalous behavior and block attacks. Traditional IDS, however, have difficulty detecting more complex attack patterns, as their detection methods (by anomaly or by signature) are old and modern attacks are robust and heterogeneous. In this sense, the area of artificial intelligence, with emphasis on the field of machine learning, delivers classification algorithms capable of recognizing complex patterns, thus allowing the construction of intelligent IDS that make fewer mistakes. The field of machine learning also manages to unite different classifiers (ensemble learning) focused on solving the same problem, increasing performance concerning classification successes, but with a common problem: the high computational cost. This doctoral thesis is organized as a ``compilation of articles'' and presents a way to estimate the best classifiers to compose an ensemble based on the diversity between them. This choice allowed finding a more acceptable and less costly way to create an IDS based on ensemble learning that could decrease classification errors while reducing the computational cost. The materials and methods chosen were based on the state-of-the-art for the area obtained by a comprehensive systematic review of the literature, and the experiments were carried out on the five most relevant intrusion datasets, using the ensemble ``stacking'' method and the four supervised classifiers most common to the area. The results obtained are organized in the articles of this compilation and demonstrate that pruning for diversity solves the problem stipulated in this thesis: reduction of computational cost and increase of attacks classification hits.
  • ItemTese de doutorado
    Análise de aprendizado adversarial baseado em similaridade na geração de texto
    (Universidade Estadual Paulista (Unesp), 2022-11-22) Rosa, Gustavo Henrique de; Papa, João Paulo [UNESP]; Universidade Estadual Paulista (Unesp)
    Algoritmos de Aprendizado de Máquina têm sido amplamente fomentados nos últimos anos, principalmente devido às suas capacidades discriminativas em problemas de Visão Computacional e Processamento de Linguagem Natural. Ademais, suas capacidades generativas permitiram aplicações em tarefas de natureza discreta (sequências de caracteres e palavras), isto é, geração de texto. Uma arquitetura em específico, denotada por Redes Adversariais Generativas, utiliza uma estrutura composta por discriminador e gerador, os quais procuram obter um equilíbrio entre gerar dados artificiais e classificá-los como dados verdadeiros. Recentemente, vários trabalhos propuseram soluções baseadas em Redes Adversariais Generativas para a geração de texto, porém apenas alguns deles conseguiram gerar textos sem palavras repetidas e com algum significado semântico. Um problema decorrente das Redes Adversariais Generativas consiste na dificuldade em estabelecer um equilíbrio no treinamento e, consequentemente, gerar textos artificiais que assemelham-se aos textos reais. Desta forma, a presente tese aprimora o desenvolvimento de modelos adversariais textuais através de funções de similaridade aprendidas por Redes Siamesas, as quais fornecem recompensas capazes de melhor distinguir entre textos artificiais e reais. Adicionalmente, tais modelos são aperfeiçoados com o uso da otimização meta-heurística, a qual fornece conjuntos de hiperparâmetros específicos para as tarefas em questão. Os resultados experimentais obtidos demonstram a capacidade da arquitetura proposta, denotada por Rede Adversarial Generativa por Similaridade Textual, do inglês Text-Similarity Generative Adversarial Network (TS-GAN), em quatro base de dados da literatura. As TS-GANs atingiram resultados superiores às arquiteturas adversariais estado-da-arte e, em suas versões pós-otimização, foram capazes de aprimorar as métricas de suas versões iniciais (sem otimização) em duas de quatro bases de dados.