Data e horário: Ter 16/9 - 10h30-11h30
Local: a definir
Chair: a definir
Título: TBA
Resumo: TBA
Data e horário: Qui 18/9 - 10h30-11h30
Local: a definir
Chair: a definir
Título: TBA
Resumo: TBA
Data e horário: Sex 19/9 - 10h30-11h30
Local: a definir
Chair: a definir
Título: Learning Physics from Videos
Resumo: Sensing is a universal task in science and engineering. Downstream tasks from sensing include learning dynamical models, inferring full state estimates of a system (system identification), control decisions, and forecasting. These tasks are exceptionally challenging to achieve with limited sensors, noisy measurements, and corrupt or missing data. Existing techniques typically use current (static) sensor measurements to perform such tasks and require principled sensor placement or an abundance of randomly placed sensors. In contrast, we propose a SHallow REcurrent Decoder (SHRED) neural network structure which incorporates (i) a recurrent neural network (LSTM) to learn a latent representation of the temporal dynamics of the sensors, and (ii) a shallow decoder that learns a mapping between this latent representation and the high-dimensional state space. By explicitly accounting for the time-history, or trajectory, of the sensor measurements, SHRED enables accurate reconstructions with far fewer sensors, outperforms existing techniques when more measurements are available, and is agnostic towards sensor placement. In addition, a compressed representation of the high-dimensional state is directly obtained from sensor measurements, which provides an on-the-fly compression for modeling physical and engineering systems. Forecasting is also achieved from the sensor time-series data alone, producing an efficient paradigm for predicting temporal evolution with an exceptionally limited number of sensors. In the example cases explored, including turbulent flows, complex spatio-temporal dynamics can be characterized with exceedingly limited sensors that can be randomly placed with minimal loss of performance.
Data e horário: Ter (16/09), 11h30 - 12h30
Local: a definir
Chair: a definir
Título: Avanços recentes em métodos de Lagrangiano aumentado para otimização não linear
Resumo: Os métodos de Lagrangiano Aumentado (LA) constituem uma classe importante e amplamente utilizada de métodos para resolver problemas de otimização não linear com restrições. O método clássico de LA usa uma sequência iterativa de subproblemas que são consideravelmente mais fáceis de resolver. Pela sua definição intrínseca, a análise de convergência do método de LA está diretamente relacionada ao estudo das chamadas condições sequenciais de otimalidade (SOC). Nos últimos anos, uma atenção especial tem sido dedicada à definição de SOCs mais fracas. Um dos métodos de LA mais destacados e estudados é conhecido como "Algencan". Este método tem excelentes propriedades teóricas e apresenta um comportamento numérico robusto. Nesta palestra, abordaremos os avanços dos últimos anos sobre os métodos de LA.
Data e horário: Ter 16/9 - 11h30-12h30
Local: a definir
Chair: a definir
Título: TBA
Resumo: TBA
Data e horário: Qui 18/9 - 11h30-12h30
Local: a definir
Chair: a definir
Título: Incorporating behavioral change and risk perception in epidemiological models
Resumo: We examine how behavioral changes in vaccinated people who do not develop immunity influence the dynamics of a directly transmitted disease and key indices such as the basic reproductive number and vaccine effectiveness. We propose a model that considers a vaccine with three facets of failure: ``take'', ``degree'', and ``duration''. Additionally, the behavioral change of non-immune vaccinated individuals is modeled through a parameter that adjusts their contact rate based on compliance with mitigation measures.
Our results allow us to visualize the role of behavioral change in various factors influencing disease transmission dynamics. First, we demonstrate the existence of a backward bifurcation common in models for not fully effective vaccines. Second, we define a behavioral index threshold, which serves as a key indicator for determining whether the disease persists due to behavioral effects. Finally, our results highlight that both the behavioral index and the initial value of the infected population can play a decisive role in determining whether vaccine effectiveness reaches negative values.
Data e horário: Qui 18/9 - 11h30-12h30
Local: a definir
Chair: a definir
Título: Uso de redes complexas no estudo e diagnóstico automático de doenças neurológicas.
Resumo: Nesta palestra é apresentada uma compilação dos principais resultados publicados recentemente por mim e colaboradores no estudo de doenças neurológicas. Mais especificamente, na identificação e no diagnóstico da epilepsia e da doença de Alzheimer a partir de sinais de eletroencefalograma (EEG). Para a epilepsia, as análises realizadas mostraram que a metodologia baseada em redes complexas foi capaz não só de diferenciar pacientes sadios de pacientes doentes e identificar diversas crises epilépticas, mas também de distinguir os diferentes padrões (estágios) das crises, tais como o pré-ictal (alterações nos dados de EEG antes de uma crise) e ictal (alterações nos sinais de EEG durante uma crise). Para a doença de Alzheimer, os resultados obtidos se mostram eficientes na: i) diferenciação dos grupos de idosos sadios daqueles com a doença em seu estágio inicial e final; ii) identificação das regiões do cérebro mais afetadas pela doença em seu estágio avançado; e iii) comparação dos métodos computacionais mais utilizados na literatura no que diz respeito à acurácia da classificação dos indivíduos pertencentes a diferentes grupos e ao custo computacional despendido por tais métodos nessa classificação.