DSpace Coleção:http://www.monografias.ufop.br/handle/35400000/102026-05-04T10:18:54Z2026-05-04T10:18:54ZCompatibilidade entre clientes para predição de desempenho do aprendizado federado.Rocha, Guilherme Carolino Rodrigues ehttp://www.monografias.ufop.br/handle/35400000/91602026-04-29T11:48:05Z2026-01-01T00:00:00ZTítulo: 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.2026-01-01T00:00:00ZInvestigando recomendação híbrida ponderada em relação a fairness e sensibilidade ao risco.Costa, João Paulo Pratahttp://www.monografias.ufop.br/handle/35400000/90962026-04-14T13:27:22Z2026-01-01T00:00:00ZTítulo: 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.2026-01-01T00:00:00ZUm sistema de previsão de desempenho de jogadores de futebol baseado em dados estatísticos de jogos.Oliveira, Pedro Augusto Carneiro dehttp://www.monografias.ufop.br/handle/35400000/90912026-04-13T14:53:08Z2026-01-01T00:00:00ZTítulo: Um sistema de previsão de desempenho de jogadores de futebol baseado em dados estatísticos de jogos.
Autor(es): Oliveira, Pedro Augusto Carneiro de
Resumo: Este trabalho tem como objetivo desenvolver um sistema de recomendação de jogadores de
futebol baseado na predição de desempenho, utilizando dados do Campeonato Brasileiro Série A
(2022-2024). A proposta previa duas etapas: a modelagem preditiva de métricas individuais e
a geração de recomendações. Este trabalho concentrou-se na primeira etapa, implementando e
avaliando três modelos de machine learning (Random Forest, XGBoost e MLP) com registros de
todos os jogadores do campeonato através da plataforma FootyStats.
A análise exploratória revelou desafios significativos: distribuições zero-inflated em métricas
ofensivas (35–40% com zero gols), tamanho amostral reduzido para goleiros (21 no treino) e
correlação temporal moderada (r=0,584 para gols), estabelecendo R2 máximo teórico de 0,341.
Os resultados mostraram R2=0,181 para gols (MLP), representando 53% do limite teórico, e R2
negativo para a maioria das demais métricas. A análise demonstrou que 40–60% da variação é
fundamentalmente imprevisível devido ao componente estocástico do futebol.
A capacidade preditiva alcançada mostrou-se insuficiente para viabilizar recomendações confiáveis, inviabilizando a segunda etapa. O trabalho contribui para estabelecer limites realistas
para predição de desempenho esportivo e identificar desafios metodológicos (distribuições zeroinflated, tamanho amostral, estocasticidade) que precisam ser superados para viabilizar sistemas
de recomendação robustos no futebol.2026-01-01T00:00:00ZAnálise de saúde mental de pacientes com câncer usando IA.Fernandes, Pedro Moraishttp://www.monografias.ufop.br/handle/35400000/90352026-04-06T17:29:23Z2026-01-01T00:00:00ZTítulo: Análise de saúde mental de pacientes com câncer usando IA.
Autor(es): Fernandes, Pedro Morais
Resumo: O câncer é uma doença grave que compromete tanto a saúde física quanto a mental dos pacientes,
e com isso, tem-se um grande desafio mediante a mitigação da doença fisicamente, mas ao mesmo
tempo, há a necessidade de manter a pessoa forte mentalmente, para que a recuperação seja
realizada. Visando auxiliar no fortalecimento mental de pacientes com câncer, a Inteligência
Artificial tem-se mostrado eficaz para processar grandes cargas de dados e obter um modelo
que auxilie nesta tarefa. Em muitos casos, os conjuntos de dados encontram-se desbalanceados,
o que pode comprometer o treinamento e a generalização do modelo treinado. Portanto, este
trabalho propõe um modelo de Inteligência Artificial para classificar sentimentos expressos em
textos de pacientes oncológicos, aplicando-se técnicas de balanceamento de dados, para uma
diminuição do viés do modelo em apenas um determinado grupo de classificações, visando
auxiliar no monitoramento do estado emocional e no suporte psicológico durante o tratamento
com eficiência, a fim de garantir a qualidade de vida psicológica do paciente em um momento
de extrema vulnerabilidade. Utilizando técnicas para lidar com o desbalanceamento da base de
dados utilizada, o modelo alcançou 82% de acurácia com o modelo LLM.2026-01-01T00:00:00Z