Entradas recentes

Dissertação de mestrado Acesso aberto
Metric λ‑calculus with conditionals: quantum, probabilities and beyond
( 2025 ) Salgado, Bruna Filipa Martins; Neves, Renato Jorge Araújo
In recent decades, there has been an effort in computer science to move beyond rigid binary notions—such as equality and bisimulation—toward more flexible approaches that better reflect the subtleties of real‑world computation. Traditional program equivalence, for example, is purely dichotomous: two programs are either equivalent or not. Yet in many computational paradigms, this binary perspective proves too restrictive. For instance, in contexts involving physical environments and noisy data, more nuanced notions — such as approximate program equivalence—emerge naturally. It is within this evolving landscape that our work is situated. Specifically, we build on the work of [36], which introduced a quantalic equational deductive system for the linear ‑calculus, along with a proof of its soundness and completeness. We extend their framework by introducing a metric equation for conditionals and proving its soundness and completeness. Syntactically, to illustrate the utility of this metric equation, we present a metric version of copairing’s extensionality. On the semantic side, we present five categories that satisfy the necessary requirements for interpreting this equation, thereby demonstrating the broad applicability of our approach across several domains. Finally, we illustrate the use of the metric equation in more detail within both the probabilistic and quantum computing paradigms. For quantum models, we focus on the first‑order fragment of the λ‑calculus, though extensions to higher‑order are possible using advanced categorical tools, as in [36].
Dissertação de mestrado Acesso aberto
Grasynda: graph-based synthetic time series data augmentation
( 2025 ) Amorim, Luís Henrique Ferreira; Azevedo, Paulo J.; Cerqueira, Vitor
Data augmentation is a crucial tool in time series forecasting, especially for deep learning architectures that require large training samples to generalize effectively. However, extensive datasets are not always available in real-world scenarios. While many state-of-the-art data augmentation methods exist, they face crucial limitations including high computational costs, limited control over variability, or poor generalization across tasks. This paper introduces Grasynda, a novel graph-based approach to synthetic time series generation designed to address these challenges. Grasynda represents univariate time series as quantile graphs and encodes their temporal dynamics using a transition probability matrix. This representation enables the generation of realistic synthetic sequences that maintain the statistical properties and temporal patterns of the original data, while introducing controlled variability. We performed an extensive evaluation using three neural network variations and six benchmark datasets. The results indicate that Grasynda consistently outperforms other time series data augmentation methods. The method and all experiments are publicly available.
Dissertação de mestrado Acesso aberto
Utilização de bases de dados vetoriais em processos de similaridade de preferências de clientes
( 2025 ) Marques, Afonso Xavier Cardoso; Belo, Orlando
Um sistema de similaridade realiza um processo que identifica e recupera dados ou objetos que são semelhantes a uma determinada consulta (query). Em vez de procurar correspondências exatas (como um motor de busca tradicional), este tipo de sistemas avalia a semelhança de dois itens com base em características e padrões. A utilização de processos de análise de similaridade de preferências de clientes permite agrupar clientes em grupos com interesses comuns. Esta abordagem possibilita a criação de recomendações personalizadas de produtos e serviços oferecidos, promovendo a satisfação e fidelização do cliente. Este trabalho de dissertação abordou o estudo e a aplicação da análise de similaridade para sistemas de preferências de clientes com recurso a bases de dados vetoriais, através de algoritmos e estruturas de dados especificamente projetados para medir a ”distância”entre dois elementos de dados representados como vetores. Utilizando técnicas como a similaridade do cosseno ou a distância euclidiana, foi possível avaliar e classificar as similaridades entre vários objetos, quer sejam do tipo texto, imagem ou qualquer outro tipo de dados. Para construir este sistema de análise de similaridade, fez-se primeiro um estudo comparativo entre os vários tipos de medidas de similaridade de vetores e sistemas que as usam seguido de outra análise comparativa para diferentes implementações de sistemas de bases de dados vetoriais. Após esta preparação inicial, procedeu-se à devida implementação do sistema, usando um conjunto de cenários de análise para proceder à avaliação do comportamento do sistema construído. Por fim, com base nos resultados obtidos, são apresentadas algumas propostas orientadas para a melhoria da qualidade do sistema.