Entradas recentes
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].
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.
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.