Mirela Teixeira Cazzolato

Online escort platforms have become a common vector for human trafficking (HT) networks to advertise victims alongside legitimate listings, making manual screening infeasible. Progress on automated analysis is limited by restricted data access: HT advertisement corpora carry personal, potentially victim-identifying information, imposing ethical and legal constraints on sharing and reproducibility. This work addresses that gap with a reproducible methodology for generating synthetic HT advertisement data that is statistically representative of a real corpus, without exposing sensitive content. The proposed dataset SynTraffic reproduces posting volume, spatial mobility, temporal dynamics, and metadata-sharing structure, including the size distribution of identity clusters formed by shared contact metadata. We statistically validate SynTraffic testing distributional fidelity and cluster-size fidelity. SynTraffic is openly available, as well as the the generation methodology, presenting a privacy-safe substitute for the real corpus.

O estagiamento automático do sono é etapa fundamental para a quantificação de REM Sem Atonia (RSWA), principal biomarcador do Transtorno Comportamental do Sono REM (RBD), marcador precoce de doenças neurodegenerativas. Métodos de aprendizado profundo geralmente operam em épocas de 30 segundos, resolução insuficiente para os eventos musculares breves (0,5–5s) característicos de RSWA. Este trabalho propõe uma arquitetura hierárquica CNN-BiMamba para o estagiamento do sono a partir de sequências contínuas de mini-épocas de 3 segundos. Avaliado em 151 exames de PSG via validação cruzada GroupKFold, o modelo alcançou F1-macro de 0, 736±0, 021 e Kappa de Cohen de 0, 691±0, 027, constituindo uma etapa inicial viável para futura detecção e quantificação de RSWA.

Access to sanitation infrastructure remains a critical challenge in low-income urban areas, with direct consequences for public health and social equity. We propose URBANUS, a web-based decision-support platform that automates the preliminary design of sanitary sewer collection networks using publicly available geospatial data. The system models the urban street network as a graph, enriches vertices with topographic elevation, and applies a gravitational routing heuristic (RSPH) to generate a directed sewer network aligned with terrain constraints. An interactive editor allows specialists to inspect and adjust the graph before processing, keeping human expertise inside the computational workflow. A deep learning module for building detection from satellite imagery, based on fine-tuned models, enables accurate sewage contribution estimates per lot. A use case with a Brazilian municipality reduced the domain expert work from days to seconds. URBANUS aims to support engineers, municipalities, and policymakers in expanding coverage to underserved communities.

This work takes advantage of a Graph Neural Network (GNN) model to predict flight delay propagation within the Brazilian aviation network. We propose SUBAERO, a method with an architecture that comprises a diverse data ingestion pipeline, integrating weather, airport, flight, and aircraft data via APIs. These datasets are structured in a graph-oriented database (Neo4j) to map complex spatial-temporal dependencies. A Heterogeneous Graph Neural Network (HGT) approach was employed, achieving a Mean Absolute Error (MAE) of 6.7 minutes in delay predictions. This study applies advanced Data Science techniques to optimize urban and regional mobility, providing a timely decision-support tool to mitigate operational bottlenecks and enhance transport infrastructure for social good.

Na recuperação de informação multimodal, a extração de características discriminativas é essencial para os sistemas de busca por similaridade. Esta pesquisa analisa representações latentes obtidas por arquiteturas baseadas em Transformers aplicadas à recuperação de informação médica multimodal. A principal ideia é explorar métricas e abordagens explicáveis para compreender os resultados da recuperação baseada em conteúdo, considerando as representações geradas, as variações nas características dos dados multimodais e os operadores de busca por similaridade. O estágio atual do estudo concentra-se na implementação do pipeline de avaliação, incluindo a curadoria de conjuntos de dados, extratores de características e operadores de similaridade. Resultados preliminares mostram padrões consistentes na comparação dos valores de Entropia de von Neumann entre os embeddings e os resultados de recuperação. Na continuação do estudo, estão sendo avaliados espaços gerados por diferentes conjuntos e buscadas abordagens e métricas que auxiliem no entendimento da qualidade do resultado de recuperação com base nas características representadas no espaço de características.

Given a set of Electronic Health Records organized as tabular data, how can we model and evaluate relationships between various concepts related to health conditions and treatments? Representing EHRs as Graphs allows a much more intuitive interpretation of relationships between concepts and permits the mining of node features, generating relevant metrics for hospital data analysis. However, these metrics are often generic and difficult to interpret. In this context, Large Language Models can assist in constructing these graphs by defining the semantic relationships between concept pairs and attributing contextual meaning to the extracted features. The proposed ClinicoAtlas tool integrates LLMs into the construction of knowledge graphs, facilitating the extraction and interpretation of meaningful information for healthcare management.

Este trabalho analisa o uso de dois modelos de LLMs comerciais (Google Gemini 2.5 Pro e OpenAI ChatGPT 4o) para resolução de exercícios de Matemática de Nível Médio sobre cinco diferentes tópicos que incluem Funções, Geometria, Análise Combinatória e outros. Ao todo, foram resolvidas 50 questões elaboradas pela banca FGV (Fundação Getúlio Vargas). Ambos os modelos tiveram resultados semelhantes, com o Gemini sendo ligeiramente melhor, tanto no raciocínio quanto na escolha da alternativa correta. Nas questões em que o ChatGPT apresentou erro, sua versão o3-pro foi capaz de acertá-las. Os resultados podem subsidiar decisões de pessoas e organizações envolvidas com ensino-aprendizagem de Matemática sobre o uso da tecnologia.

Dado um coletor e um doador de resíduos urbanos recicláveis, como podemos otimizar o processo de coleta de forma a reduzir o esforço do trabalhador e o tempo de espera pela coleta? Neste trabalho é proposto o Recicle++, uma solução voltada à coleta seletiva de resíduos recicláveis que integra funcionalidades de gerenciamento e análise de dados em tempo real com algoritmos de otimização logística. Recicle++ conecta doadores e catadores por meio de uma plataforma interativa e utiliza o motor OSRM (Open Source Routing Machine) para geração de rotas eficientes, considerando variáveis como localização, janelas de tempo, tipo e volume dos materiais. O sistema também incorpora mecanismos de gerenciamento de dados por meio de um módulo administrativo que permite o acompanhamento de estatísticas regionais, histórico de coletas e controle de usuários, promovendo decisões baseadas em dados. Com infraestrutura baseada em serviços como Firebase e Firestore, Recicle++ viabiliza sincronização contínua entre dispositivos, notificações e escalabilidade. O Recicle++ é uma alternativa prática e sustentável para o aumento da eficiência da coleta seletiva urbana, destacando-se pelo uso combinado de otimização de rotas e gestão de dados ambientais.

How does the proliferation of impervious surfaces affect the quality of life? Impermeabilization due to paving contributes to urban issues, such as increased temperatures, which form the so-called heat islands. It can also cause more intense and frequent floods, diminished biodiversity, and deterioration of air quality. In this context, depaving is a practical solution for increasing urban resilience. Given a large urban region covered by impervious surfaces, how can we select the best points for intervention? We propose the UrbanReleaf method to map excessively paved urban areas and simulate the environmental impact of implementing green infrastructure. UrbanReleaf identifies critical zones for nature-based interventions such as depaving and forecasts environmental outcomes, including surface temperature, soil moisture, and vegetation indices. The method achieves this by leveraging geospatial satellite imagery and machine learning regressors to analyze vegetation indices, land surface temperatures, and moisture content. Experimental results show that UrbanReleaf can support urban planners and policymakers with data-driven clues that can help mitigate problems caused by impermeabilized areas.