Trabalho de Formatura - BCC (IME / USP)

Prof. Marcelo Finger

• Investigações sobre o processamento de dados em geral por Inteligência Artificial, inclusive com dados de linguagem [a depender de projetos que estão por serem aprovados]
• Investigações sobre a explicabilidade lógica de redes neurais
• Detecção de problemas respiratórios por análise de voz

Prof. Helder Oliveira

• 1. Aprendizado Federado em IoT para Otimização de Serviços Públicos em Cidades Inteligentes

  Resumo: Com o crescente uso de dispositivos IoT em cidades inteligentes, surge a necessidade de gerenciar eficientemente os dados gerados por esses dispositivos sem comprometer a privacidade. O aprendizado federado, uma abordagem de aprendizado de máquina descentralizado, pode ser a chave para permitir a otimização de serviços públicos como iluminação pública, monitoramento de tráfego e segurança, sem a necessidade de centralizar os dados. Este trabalho investigaria a aplicação do aprendizado federado em uma rede de dispositivos IoT para otimizar o consumo de energia em sistemas de iluminação pública e a gestão do tráfego urbano, enquanto analisa os desafios regulatórios e de privacidade associados a políticas públicas de dados.

  Objetivos:
  • Estudar como o aprendizado federado pode ser aplicado para melhorar a gestão de dados de IoT em cidades inteligentes.
  • Propor uma solução de aprendizado federado para otimização de serviços públicos.
  • Analisar as implicações de políticas públicas de proteção de dados na implementação dessa solução.
• 2. Integração de VLC (Visible Light Communication) em Redes IoT para Políticas Públicas de Acessibilidade

  Resumo: A comunicação por luz visível (VLC) é uma tecnologia emergente que utiliza luz para transmitir dados, oferecendo uma alternativa eficiente para a conectividade em ambientes públicos. Esta tecnologia pode ser particularmente útil em áreas de baixa cobertura de rede ou em ambientes com alto tráfego de dados. O estudo propõe investigar a integração do VLC em redes IoT para melhorar a acessibilidade digital em espaços públicos como hospitais, escolas e áreas urbanas, com o objetivo de apoiar políticas públicas de inclusão digital e acessibilidade. A pesquisa abordaria a viabilidade técnica e regulamentar do VLC, além de sugerir modelos de implementação e integração com dispositivos IoT para otimizar os serviços públicos e sociais.

  Objetivos:

  • Investigar como a VLC pode ser integrada em redes IoT para melhorar a conectividade em ambientes públicos.
  • Analisar os impactos dessa integração em políticas públicas de acessibilidade digital.
  • Propor soluções para a implementação prática da tecnologia VLC com foco em inclusão digital.
• 3. Aprendizado Federado para Monitoramento Ambiental via IoT: Aplicações e Desafios Regulatórios

  Resumo: O monitoramento ambiental é um campo em que a IoT tem se mostrado altamente eficiente, com sensores distribuídos capazes de coletar dados em tempo real sobre a qualidade do ar, níveis de poluição, temperatura e umidade. No entanto, a centralização desses dados pode representar riscos de privacidade e segurança. O aprendizado federado surge como uma solução eficaz para permitir o treinamento de modelos de aprendizado de máquina sem a necessidade de compartilhar dados sensíveis. Este trabalho irá explorar o uso de aprendizado federado para otimizar sistemas de monitoramento ambiental em cidades, propondo soluções que preservem a privacidade dos dados e cumpram as regulamentações e políticas públicas ambientais.

  Objetivos:

  • Estudar o uso de aprendizado federado para análise e monitoramento de dados ambientais via IoT.
  • Propor soluções para melhorar a eficácia dos sistemas de monitoramento em tempo real.
  • Avaliar os desafios regulatórios e de privacidade em políticas públicas ambientais.
• 4. Uso de IoT e VLC para Melhorar Políticas Públicas de Mobilidade Urbana

  Resumo: A mobilidade urbana é um dos maiores desafios enfrentados pelas cidades modernas, com congestionamentos, poluição e ineficiência nos sistemas de transporte público. Tecnologias emergentes como IoT e VLC têm o potencial de transformar a mobilidade urbana, otimizando o tráfego, melhorando a comunicação entre veículos e pontos de transporte e aumentando a eficiência do uso de recursos. Este estudo irá investigar como IoT e VLC podem ser utilizados para implementar sistemas inteligentes de transporte (ITS) que melhorem a gestão do tráfego, a segurança e a acessibilidade, enquanto alinham-se com as políticas públicas de mobilidade urbana.

  Objetivos:

  • Analisar a integração de dispositivos IoT e VLC em sistemas inteligentes de transporte.
  • Estudar como essas tecnologias podem ser utilizadas para otimizar o tráfego urbano e melhorar o transporte público.
  • Avaliar as implicações de políticas públicas de mobilidade urbana na implementação dessas tecnologias.
• 5. Soluções de IoT e Aprendizado Federado para Saúde Pública: A Transformação do Monitoramento Remoto

  Resumo: O monitoramento remoto de pacientes utilizando dispositivos IoT tem o potencial de transformar a saúde pública, permitindo o acompanhamento de condições de saúde em tempo real e a detecção precoce de doenças. Com o aprendizado federado, é possível treinar modelos de inteligência artificial que analisam os dados de saúde de forma descentralizada, preservando a privacidade do paciente. Este trabalho investigará como a combinação de IoT e aprendizado federado pode melhorar o monitoramento remoto de pacientes, apoiando políticas públicas de saúde digital e aumentando o acesso à saúde em áreas remotas ou com recursos limitados.

  Objetivos:

  • Estudar a integração de IoT e aprendizado federado em sistemas de monitoramento remoto de pacientes.
  • Avaliar os impactos dessa abordagem em políticas públicas de saúde digital e acesso a cuidados médicos.
  • Propor soluções para a implementação eficaz de sistemas de monitoramento remoto com foco em saúde pública.
• 6. Aplicações de Comunicação por Luz Visível (VLC) para Redes IoT em Ambientes Públicos e sua Regulação

  Resumo: A VLC oferece uma solução inovadora para comunicação sem fio em ambientes fechados e públicos, utilizando luz visível para transmitir dados. Em ambientes urbanos, como aeroportos, estações de metrô e prédios públicos, o VLC pode ser usado para expandir a cobertura da rede de comunicação sem fio, especialmente em áreas densamente povoadas ou com alta demanda de conectividade. Este trabalho irá explorar como o VLC pode ser implementado em redes IoT para melhorar a conectividade e a comunicação em ambientes públicos, ao mesmo tempo em que analisa as implicações legais e regulamentares relacionadas ao uso de luz visível para transmissão de dados.

  Objetivos:

  • Investigar as vantagens e desafios da implementação de VLC em redes IoT em ambientes públicos.
  • Analisar o impacto de políticas regulatórias sobre o uso de VLC em ambientes urbanos.
  • Propor modelos de integração de VLC para melhorar a conectividade em espaços públicos.
• 7. Otimização de Redes Ópticas na Borda para Aprendizado Federado com Múltiplos Dispositivos Móveis

  Resumo: Este trabalho investiga como o aprendizado federado pode ser aplicado em dispositivos móveis na borda de redes ópticas, abordando a alocação eficiente de recursos e a otimização do tráfego de dados. A comunicação eficiente entre dispositivos móveis e a rede de borda é fundamental para melhorar o desempenho do aprendizado em tempo real, garantindo que os modelos possam ser treinados de maneira eficiente enquanto os dispositivos móveis se mantêm conectados e com mínima latência.

  Objetivos:

  • Analisar o impacto da latência e do tráfego de dados nas redes ópticas de borda em sistemas de aprendizado federado.
  • Propor uma arquitetura de rede de borda otimizada para comunicação entre dispositivos móveis no aprendizado federado.
  • Avaliar a eficiência de diferentes técnicas de alocação de recursos em redes ópticas para suportar aprendizado federado em múltiplos dispositivos móveis.
  • Propor estratégias para reduzir o tráfego de dados entre dispositivos móveis e a borda para melhorar a eficiência do aprendizado.
• 8. Estratégias de Proteção em Redes Ópticas na Borda para Ambientes de Aprendizado Federado Resilientes

  Resumo: Este estudo foca na aplicação de redes ópticas para aumentar a resiliência de ambientes de aprendizado federado, especialmente em cenários onde falhas de clientes ou falhas de comunicação podem interromper o processo de treinamento. A pesquisa explora estratégias de proteção de caminhos dedicados em redes ópticas para garantir a continuidade do aprendizado federado, mesmo em situações de falhas de comunicação.

  Objetivos:

  • Investigar métodos de proteção de caminhos dedicados em redes ópticas para suportar a continuidade do aprendizado federado.
  • Desenvolver um modelo de rede resiliente para aprendizado federado que minimize as falhas de comunicação e falhas de clientes.
  • Avaliar o desempenho do aprendizado federado em redes ópticas com diferentes estratégias de proteção.
  • Implementar mecanismos para recuperação de falhas em tempo real durante o processo de treinamento federado.
• 9. Avaliação do Impacto da Latência nas Redes Ópticas de Bordas para Aplicações de Aprendizado Federado

  Resumo: Este trabalho examina como a latência nas redes ópticas de borda impacta o desempenho do aprendizado federado, com foco em reduzir essa latência para melhorar o tempo de treinamento dos modelos. Em cenários de aprendizado federado, a latência pode afetar a comunicação entre os dispositivos e a borda, retardando o processo de agregação dos modelos e a atualização dos pesos, o que pode prejudicar a eficiência do sistema.

  Objetivos:

  • Analisar como a latência nas redes ópticas de borda afeta o desempenho do aprendizado federado.
  • Propor métodos para reduzir a latência em redes ópticas de borda sem comprometer a eficiência do sistema.
  • Avaliar as métricas de desempenho do aprendizado federado em relação a diferentes níveis de latência nas redes de borda.
  • Desenvolver algoritmos para otimizar a comunicação entre dispositivos e a borda, minimizando a latência.
• 10. Uso de Redes Ópticas Inteligentes para Eficiência de Comunicação em Aprendizado Federado em Edge Computing

  Resumo: O estudo investiga como as redes ópticas inteligentes, com tecnologias como multiplexação espacial, espectral e modulação dinâmica, podem ser utilizadas para melhorar a comunicação entre os nós de borda em ambientes de aprendizado federado. A eficiência na troca de dados entre clientes e a borda é crucial para a otimização do treinamento dos modelos federados, permitindo o uso eficiente dos recursos disponíveis.

  Objetivos:

  • Investigar a aplicação de redes ópticas inteligentes para melhorar a comunicação em sistemas de aprendizado federado.
  • Analisar como a multiplexação espacial e a modulação dinâmica podem otimizar a troca de dados entre dispositivos de borda.
  • Propor um modelo de rede inteligente para suportar a comunicação em tempo real para aprendizado federado.
  • Avaliar o impacto da eficiência espectral das redes ópticas inteligentes no desempenho do aprendizado federado.
• 11. Integração de Redes Ópticas de Alta Capacidade com Aprendizado Federado na Borda para Aplicações de IoT

  Resumo: Este trabalho foca na utilização de redes ópticas de alta capacidade para suportar a crescente demanda de dados gerados por dispositivos IoT em ambientes de aprendizado federado. A integração das redes ópticas com o aprendizado federado pode proporcionar maior eficiência na alocação de largura de banda e recursos de rede, garantindo que os modelos sejam treinados de maneira eficiente, mesmo em cenários de alto volume de dados.

  Objetivos:

  • Explorar como redes ópticas de alta capacidade podem suportar o aprendizado federado em ambientes IoT.
  • Propor modelos para a alocação eficiente de recursos em redes ópticas de borda para aprendizado federado.
  • Analisar a escalabilidade do aprendizado federado em redes ópticas de alta capacidade.
  • Avaliar o impacto de diferentes técnicas de comunicação sobre o desempenho do aprendizado federado em IoT.
• 12. Desenvolvimento de Algoritmos de Agregação para Aprendizado Federado em Redes Ópticas de Borda com Controle de Qualidade de Serviço

  Resumo: Este estudo investiga novos algoritmos de agregação para aprendizado federado que garantem o controle de qualidade de serviço (QoS) em redes ópticas de borda. O foco é garantir que o processo de agregação de modelos não seja prejudicado por variações na QoS, como latência e largura de banda, o que pode impactar negativamente a eficiência do aprendizado federado.

  Objetivos:

  • Desenvolver algoritmos de agregação eficientes para aprendizado federado em redes ópticas de borda.
  • Garantir que os algoritmos de agregação mantenham a qualidade de serviço (QoS) durante o processo de comunicação.
  • Estudar os efeitos de diferentes níveis de QoS sobre o desempenho do aprendizado federado.
  • Propor soluções para mitigar problemas de QoS em redes de borda que afetam o treinamento de modelos.
• 13. Gerenciamento Dinâmico de Recursos Ópticos na Borda para Aprendizado Federado em Cenários de Alta Mobilidade

  Resumo: Este trabalho foca no gerenciamento dinâmico de recursos em redes ópticas de borda para suportar o aprendizado federado em cenários de alta mobilidade, como carros autônomos ou drones. A mobilidade constante dos dispositivos pode dificultar a alocação eficiente de recursos, o que demanda novas abordagens para garantir que o aprendizado federado seja realizado de maneira eficiente e resiliente.

  Objetivos:

  • Estudar o impacto da mobilidade dos dispositivos no gerenciamento de recursos em redes ópticas de borda para aprendizado federado.
  • Propor métodos de gerenciamento dinâmico de recursos que adaptem a rede às mudanças de localização dos dispositivos móveis.
  • Analisar a eficiência do aprendizado federado em ambientes de alta mobilidade.
  • Avaliar o desempenho do modelo de aprendizado federado em cenários de mobilidade elevada e baixa.
• 14. Impacto da Multiplexação Espacial em Redes Ópticas na Borda para Aceleração de Aprendizado Federado em Tempo Real

  Resumo: Este estudo investiga como a multiplexação espacial pode ser usada para acelerar a transmissão de dados entre os nós da borda em sistemas de aprendizado federado. O objetivo é reduzir o tempo de treinamento dos modelos federados ao otimizar a alocação de recursos e a comunicação, utilizando técnicas avançadas de multiplexação espacial em redes ópticas.

  Objetivos:

  • Analisar como a multiplexação espacial pode melhorar a eficiência da comunicação em aprendizado federado. Propor métodos para aplicar multiplexação espacial de forma eficaz em redes ópticas de borda para acelerar o aprendizado federado. Avaliar o impacto da multiplexação espacial no desempenho e tempo de treinamento de modelos federados. Estudar a integração de multiplexação espacial com outras técnicas de otimização de comunicação em redes de borda.

Prof. Benjamin M. Bumpus

• On the structure of Stratification: Graphs and Petri Nets

  The project consists of understanding the structure of graphs and Petri nets that are built recursively via pullbacks (a.k.a. fibered products). Such graphs come equipped with a notion called a "co-decomposition" and its associated “co-width", designed to capture the structure of graphs arising as categorical limits and to enable efficient reasoning directly over their decomposed representations. The project will be empirical in nature and rely on developing benchmarks and enumerations of “graphs of low co-width”.

  The project is motivated by the requirements of modern epidemiological modelling where researchers increasingly rely on stratification, the act of combining different models that partition populations by different sets of atributes such as age, geography, vaccination status, and behavior, yielding models that rapidly grow in size and density. In categorical modeling frameworks such as AlgebraicPetri.jl, stratified epidemiological models are constructed by combining a base compartmental model with stratification schemes via categorical pullbacks (more generally, limits), producing large interaction graphs that are nevertheless equipped with explicit diagrammatic decompositions encoding domain-specific consistency constraints (see Algebraic Petri Stratification). Recent work in compositional system dynamics argues that such models are best understood as limits of structured diagrams rather than monolithic graphs \cite{libkind2022algebraic, li2025compositional}, exposing a computational tension: classical separator-based invariants such as treewidth fail to exploit the rich compositional structure inherent in these limit-constructed graphs. This motivates the study of co-decompositions and the associated invariant tree co-width, designed to capture the structure of graphs arising as categorical limits and to enable efficient reasoning directly over their decomposed representations.

Prof. Paulo A. V. Miranda

Programação de jogos eletrônicos

A indústria de jogos eletrônicos movimenta bilhões de dólares, impactando diversas áreas, desde a tecnologia até a cultura popular. Com mais de quarenta anos de história, os jogos eletrônicos evoluíram de experiências simples em 2D para produções altamente complexas e imersivas em 3D, alavancadas por avanços tecnológicos e pela criatividade de desenvolvedores ao redor do mundo. O Brasil tem se consolidado como um dos maiores mercados consumidores do mundo, ocupando atualmente a quinta posição global em consumo de jogos eletrônicos. Contudo, o Brasil não figura nem entre os dez principais países que mais publicam jogos, evidenciando uma discrepância significativa entre o consumo e a produção nacional, o que gera oportunidades de crescimento.

* Qualquer trabalho proposto que envolva o desenvolvimento de um projeto sobre jogos eletrônicos, utilizando bibliotecas gráficas ou motores de jogos, como OpenGL, Unity ou Godot.