http://repositorio.unb.br/handle/10482/45731 2026-06-02T05:36:53Z http://repositorio.unb.br/handle/10482/54566 Título: Uso de modelos de redes lstm para redução de ruído em sensores de unidade de medição inercial para simuladores Autor(es): Ferreira, Noélio Heluy Resumo: Este trabalho consiste em uma abordagem para a estabilização dos dados coletados de sensores Inertial Measurement Unit (IMU) de baixo custo. Atualmente, os avanços al cançados no uso do Aprendizado de Máquina são relevantes para o refinamento da esta bilização de curto e longo prazo, utilizando o modelo Long Short-Term Memory (LSTM) para corrigir os ruídos adicionados aos valores causados por interferências parasitárias de campos eletromagnéticos, que causam instabilidade e derivação constante na orien tação dos sensores. Essa abordagem foi combinada com os métodos convencionais de filtro de remoção de ruídos e filtros passa-baixa, pois o uso desses métodos é um ponto de partida fundamental para a solução proposta de refinamento dos dados coletados dos sensores inerciais para a simulação. A proposta de treinar o modelo e aplicá-lo nos da dos dinâmicos provenientes do sensor pode ser de grande relevância em projetos de baixo custo, ao aumentar o ganho de precisão com a tecnologia embarcada no software, em detrimento da necessidade de investimento em hardware de alta precisão, resultando em altos custos de projeto. Os resultados deste trabalho são consideráveis para a aplicação em simuladores que utilizam plataformas de movimento ou armas de tiro simuladas, ou para a aplicação em estruturas ou hardwares reais, como Veículos Aéreos Não Tripula dos(VANT), plataformas estruturais de grande porte, robótica, dentre outros no campo da indústria e da engenharia Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Programa de Pós-Graduação em Computação Aplicada, 2025. 2026-06-01T00:00:00Z http://repositorio.unb.br/handle/10482/54565 Título: Score de risco para priorização de auditoria em contratos públicos : uma abordagem com inteligência artificial explicável (xai) Autor(es): Junior, Nilson Romero Michiles Resumo: A priorização eficiente de auditorias em contratos públicos é fundamental para combater a corrupção, melhorar a governança e otimizar o uso dos recursos públicos. Este tra balho apresenta uma metodologia inovadora, organizada em um framework que integra aprendizado de máquina e explicabilidade de inteligência artificial (XAI) para classificar contratos e fornecedores com maior risco de irregularidades. Foram utilizadas bases públi cas para a construção do dataset, seguidas por etapas de pré-processamento, balancea mento(SMOTE, ADASYN, TOMEK Link e variações), seleção de atributos via LASSO e ajuste de Hiperparâmetros. Entre os modelos testados, com 177 variações de mod elo e balanceamento treinados, o modelo Ensemble (Tabular Prior-Data Fitted Network (TabPFN) + XGBoost +LightGBM) obteve o melhor desempenho, com AUC-ROC de 0,86, Recall de 0,767 e F2-Score de 0,631, métrica que mede a eficácia na detecção de em presas com padrão de fraude, porém com maior penalização de falsos negativos — visando reduzir o risco da auditoria. Para garantir a robustez da escolha, aplicou-se o Model Con fidence Set (MCS) com nível de confiança de 95%, permitindo a comparação e seleção dos modelos com menor variabilidade estatística (desvio padrão reduzido na métrica Weight LogLoss ao longo das validações cruzadas). Adicionalmente, foram aplicadas técnicas de interpretabilidade com valores de Shapley (SHAP), permitindo compreender os fatores determinantes no cálculo do risco para cada contrato ou fornecedor. Os resultados foram apresentados em um painel analítico de governança e priorização de auditorias, demon strando que a abordagem proposta pode transformar a auditoria pública ao torná-la mais estratégica, eficiente, transparente e orientada por dados. Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Programa de Pós-Graduação em Computação Aplicada, 2025. 2026-06-01T00:00:00Z http://repositorio.unb.br/handle/10482/54564 Título: Juridiscovery : análise automatizada da judicialização de políticas públicas com inteligência artificial, aplicada ao microempreendedor individual Autor(es): Brandizzi, Loreane Evelyn Nazareth Resumo: A judicialização das políticas públicas no Brasil representa um desafio crescente, como se observa no caso do regime jurídico do Microempreendedor Individual (MEI). Com milhares de processos judiciais discutindo obrigações, direitos e fragilidades dessa modalidade empre sarial, compreender os principais desafios enfrentados tanto por esses contribuintes quanto pelo poder público é uma tarefa complexa. Embora possa ser conduzida com o apoio de técnicas de jurimetria, essa tarefa não é trivial, considerando o grande volume e a natureza não estruturada dos dados judiciais. Neste cenário, os avanços em Inteligência Artificial (IA), especialmente por meio de Mod elos de Linguagem de Grande Escala (LLMs) e técnicas de agrupamento semântico, abrem caminho para transformar textos jurídicos em conhecimento estruturado. Este trabalho propõe o desenvolvimento de uma ferramenta para a análise automatizada da judicialização de políticas públicas, com foco no estudo de casos envolvendo o MEI. Para isso, apresenta um pipeline que combina técnicas de extração de modelagem de tópicos com BERTopic e prompt engineering para sumarização e extração de informações estruturadas. O principal desafio da pesquisa está na obtenção, processamento e avaliação de técnicas voltadas à análise de grandes volumes de dados judiciais não rotulados, com o objetivo de identificar problemas centrais e tendências relacionadas à política pública em estudo. Os resultados revelaram aspectos relevantes da judicialização do MEI, com destaque para temas recorrentes como vínculo empregatício, acesso a benefícios previdenciários, insenção de taxas e fraudes registrais. A metodologia adotada mostrou-se sólida, escalável e adaptável a diferentes contextos judiciais, oferecendo contribuições significativas no campo jurídico e na administração pública. Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Programa de Pós-Graduação em Computação Aplicada, 2025. 2026-06-01T00:00:00Z http://repositorio.unb.br/handle/10482/54563 Título: Exploring the energy flow classifier to identify fraudulent cryptocurrency transactions Autor(es): Araujo, Kevin de Santana Resumo: lavagem de dinheiro representa um problema global de grande impacto, com crimi nosos movimentando bilhões de dólares anualmente provenientes de atividades ilícitas. Nos últimos anos, as criptomoedas emergiram como um canal significativo para essas atividades, principalmente devido ao pseudonimato que oferecem. Em 2023, endereços ilícitos receberam 24,2 bilhões de dólares em criptomoedas originadas de fraudes, fundos roubados e outras atividades criminosas. O aprendizado de máquina apresenta-se como uma ferramenta poderosa para identificar padrões complexos de fluxos financeiros ilícitos, mas enfrenta um obstáculo crítico: a escassez de dados rotulados. Algoritmos de apren dizado supervisionado frequentemente são inviáveis porque conjuntos de dados públicos com transações ilícitas verificadas são raros. Esta escassez decorre da complexidade evo lutiva dos esquemas de lavagem de dinheiro e do fato de que a aquisição de rótulos é um processo custoso e lento. Esta pesquisa avalia a eficácia do Energy Flow Classifier (EFC) para identificar transações ilícitas de Bitcoin no conjunto de dados Elliptic, particularmente sob condições de es cassez de rótulos. O EFC é um algoritmo baseado em física estatística, originalmente desenvolvido para detecção de intrusões em redes, que opera sob a premissa de que padrões de dados normais correspondem a estados de baixa energia, enquanto desvios significativos constituem estados de alta energia. O núcleo do EFC é o Hamiltoniano que quantifica a tipicidade estatística de uma transação através da equação H(ak1, ..., akN ) = − P i<j eij (aki, akj )− P i hi(aki), onde hi representa o campo local e eij representa o acopla mento entre pares de características. O conjunto de dados Elliptic contém 203.769 transações de Bitcoin com 234.355 arestas direcionadas, cada transação descrita por 166 características anonimizadas. Do total de transações, apenas 46.564 (23%) estão rotuladas, sendo 42.019 (90,2%) lícitas e 4.545 (9,8%) ilícitas, refletindo a escassez característica de dados rotulados em contextos reais. O estudo foi conduzido através de três experimentos principais. O Experimento 1 avaliou o impacto de técnicas de balanceamento de dados, incluindo undersampling, oversampling aleatório e SMOTE. O Experimento 2 investigou a seleção de características utilizando SelectKBest com valores de k ∈ {10, 20, 30, 40, 50, 60}. O Experimento 3 examinou o vi impacto combinado das duas técnicas, aplicando seleção de características seguida de SMOTE. Para cada configuração, avaliou-se o desempenho usando F1-Score Macro como métrica primária, fornecendo uma medida balanceada de desempenho crucial dado o de sequilíbrio de classes. Os resultados demonstraram claramente a sensibilidade do EFC ao desequilíbrio de classes. O conjunto de dados desbalanceado baseline produziu F1-Macro de 0,488, confir mando a dificuldade em detectar a classe minoritária ilícita sem intervenção. A aplicação de SMOTE em conjunto de teste balanceado resultou em F1-Macro de 0,908, represen tando um cenário idealizado. Quando avaliado em dados de teste desbalanceados, o Ran dom Undersampling alcançou F1-Macro de 0,652 e Random Oversampling atingiu 0,533. A seleção de características revelou que o EFC pode alcançar melhor desempenho com um conjunto reduzido: o maior F1-Macro de 0,686-0,689 foi obtido com apenas k = 10 características. A estratégia combinada de seleção de características (k = 30) seguida de balanceamento SMOTE produziu F1-Macro máximo de 0,808, representando melhoria substancial comparada às técnicas isoladas. A análise fatorial completa revelou forte in teração positiva (+0,221) entre SMOTE e SelectKBest, indicando que estas técnicas são complementares. Os resultados posicionam o EFC como alternativa viável entre métodos não supervi sionados tradicionais e métodos supervisionados completos. Métodos não supervisionados como Isolation Forest, Local Outlier Factor e One-Class SVM alcançaram F1-scores de 0,00 a 0,19 no conjunto Elliptic, demonstrando eficácia limitada. Em contraste, métodos supervisionados como Random Forest alcançam F1-scores de 0,81-0,83, mas requerem ex emplos rotulados de ambas as classes. O EFC, alcançando F1-Macro de 0,808 (F1 ilícito de 0,77) sob condições realistas de desequilíbrio severo, demonstra desempenho com parável aos métodos supervisionados enquanto oferece vantagens em interpretabilidade e eficiência computacional. Diferentemente de redes neurais profundas que funcionam como caixas-pretas, o EFC fornece decomposições de energia interpretáveis. A eficiência com putacional decorre de sua fundamentação em física estatística: o treinamento completa-se em uma única passagem sobre os dados, com complexidade que escala linearmente com amostras e quadraticamente com características. Esta dissertação demonstrou que o Energy Flow Classifier representa uma abordagem eficaz para detecção de transações fraudulentas de Bitcoin sob condições de escassez de rótulos. O EFC supera substancialmente métodos não supervisionados tradicionais en quanto se aproxima do desempenho de métodos supervisionados completos, oferecendo equilíbrio entre eficácia e requisitos de dados rotulados. A estratégia ótima envolve primeiro reduzir dimensionalidade através de seleção de características (k ≈ 30) e então aplicar SMOTE ao conjunto de treinamento reduzido. Trabalhos futuros devem esten vii der o EFC para operar sobre embeddings de grafos ou sequências temporais, desenvolver mecanismos adaptativos de threshold, validar em conjuntos de dados de maior escala como Elliptic2, investigar abordagens híbridas combinando a formulação interpretável de energia com representações aprendidas de redes neurais, e avaliar generalização cross cryptocurrency e aplicabilidade a outros domínios de crime financeiro. Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Programa de Pós-Graduação em Computação Aplicada, 2025. 2026-06-01T00:00:00Z