BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20240101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20251215T100000
DTEND;TZID=America/Sao_Paulo:20251215T110000
DTSTAMP:20260406T165113
CREATED:20251210T124805Z
LAST-MODIFIED:20251210T125056Z
UID:10352-1765792800-1765796400@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Bruno Weisz
DESCRIPTION:Título: Demostrando la correcta ejecución de un programa de alto nivel con Plonky2\nDirector: Agustín Garassino\nCo-Director: Matías López-Rosenfeld\nJurados: Santiago Palladino\, Javier Godoy y Diego Garbervetsky \nResumen:\nEn este trabajo se estudia la posibilidad de demostrar la ejecución de programas de alto nivel utilizando Plonky2\, un sistema de pruebas criptográficas de tipo ZK-SNARK que no requiere de un trusted setup. El trabajo se enmarca en el área de las pruebas de conocimiento cero (Zero Knowledge Proofs)\, presentando una introducción a las primitivas matemáticas y criptográficas necesarias para comprender estos protocolos\, así como un análisis superficial de los sistemas relevantes como PLONK. Se propone y desarrolla una herramienta que traduce programas de ACIR (la representación intermedia de Noir) a Plonky2. De esta manera\, se logra la construcción de pruebas verificables de ejecución en entornos con recursos limitados de almacenamiento\, superando una de las principales restricciones de Barretenberg. El documento incluye la descripción formal de la traducción de primitivas y operaciones\, una evaluación experimental del desempeño obtenido y un análisis comparativo en términos de tiempos de ejecución y tamaños de artefactos generados. Finalmente\, se discuten los resultados alcanzados y se plantean líneas de trabajo futuro.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-bruno-weisz/
LOCATION:Aula 1113
CATEGORIES:Agenda
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20251215T130000
DTEND;TZID=America/Sao_Paulo:20251215T140000
DTSTAMP:20260406T165113
CREATED:20251212T141840Z
LAST-MODIFIED:20251212T141840Z
UID:10367-1765803600-1765807200@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Victoria Klimkowski
DESCRIPTION:Título:  Ejes temporales locales en embeddings de LLMs: efectos del modelo\, la granularidad y los límites de la extrapolación\nDirector: Esteban Feuerstein\nJurado: Andrés Farall\, Federico Albanese \nResumen:\nEl análisis de la evolución de la información en grandes corpus de texto\, como los artículos de noticias\, presenta un desafío significativo en el procesamiento del lenguaje natural (PLN). Los \textit{embeddings}\, son la herramienta estándar para capturar el significado textual\, pero su naturaleza de «caja negra» y su alta dimensionalidad dificultan la interpretación de trayectorias temáticas o temporales. Esta tesis aborda un método para la proyección de embeddings en un espacio latente interpretable de baja dimensionalidad. \nEl método desarrollado se concibe como una extensión del método de Waller et al\, adaptado para operar sobre espacios de embeddings en un dataset de noticias periodísticas. El objetivo es definir un eje temporal utilizando un conjunto de días «tempranos» y «tardíos» como semillas y proyectar nuevos días sobre este eje para analizar su posición relativa. \nLos resultados demuestran de manera concluyente la viabilidad del método con sus limitaciones.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-victoria-klimkowski/
LOCATION:Aula a confirmar
CATEGORIES:Agenda
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20251215T170000
DTEND;TZID=America/Sao_Paulo:20251215T180000
DTSTAMP:20260406T165113
CREATED:20251210T140930Z
LAST-MODIFIED:20251210T163827Z
UID:10357-1765818000-1765821600@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Augusto González Omahen
DESCRIPTION:Título. Desarrollo de Modelos de Inteligencia Artificial para el Estudio del Riesgo Hídrico del río Paraguay en Chaco utilizando Herramientas de Sensoramiento Remoto.\nDirectores. Dr. Diego Fernandez Slezak\, Dra. Lucía M. Cappelletti.\nJurados. Dra. María Elena Buemi\, Dr. Negri Pablo Augusto.\nResumen:\nLa producción agrícola-ganadera es la actividad económica de mayor relevancia en la Provincia del Chaco\, Argentina. Debido a factores ambientales como las elevadas precipitaciones de la región\, tanto su población rural como su producción agropecuaria se ven afectadas de manera directa por las inundaciones. Este trabajo consiste en el desarrollo de modelos de inteligencia artificial (IA) con el propósito de mejorar la identificación de las zonas anegables de la provincia\, tomando como sitio de estudio el Departamento de Bermejo. Si bien existen mapas globales para identificar agua en superficie\, estos no garantizan su utilidad a escala regional. Por ello\, desarrollar herramientas de identificación del agua superficial a escala regional es relevante para el monitoreo de inundaciones y la planificación de estrategias de mitigación y adaptación. \nPara esto se diseñaron herramientas de identificación remota mediante el empleo de imágenes satelitales ópticas. Se implementaron tres modelos de segmentación de imágenes: Support Vector Machine (SVM) y Random Forest (RF)\, y un modelo basado en técnicas de aprendizaje profundo (Deep Learning) y en la arquitectura U-Net. RF y SVM son modelos de aprendizaje automático tradicionales que clasifican cada píxel basándose únicamente en la información del mismo; operan de forma aislada\, ignorando por completo el contexto espacial de los píxeles vecinos. Bajo la hipótesis de que la vecindad espacial es relevante para este estudio\, se podría implementar una característica extra a estos modelos que contengan la información espacial\, en cambio se diseñó un modelo de deep learning\, diseñado para optimizar la detección de agua empleando Redes Neuronales Convolucionales (CNNs) las cuales consideran implícitamente la vecindad espacial de los píxeles.\nSe utilizaron imágenes satelitales Landsat para entrenar y evaluar el rendimiento de los modelos.\nLos resultados en la segmentación y detección de agua en superficie del modelo basado en una arquitectura U-Net alcanzó un DICE promedio de 0.75\, superior a RF (0.67) y SVM (0.60)\, para comparaciones homogéneas todas las métricas reportadas se corresponden al coeficiente DICE. De esta manera el modelo que usa la información de la vecindad mejora el índice DICE en un 13%\, respecto a los modelos de píxel individual.\nEstos resultados validan que técnicas de aprendizaje profundo que consideran la vecindad de píxeles potencian la identificación de agua en superficie. \nPalabras clave: Inundaciones\, Chaco\, Imágenes Satelitales\, Inteligencia Artificial\, U-Net.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-augusto-gonzalez-omahen/
LOCATION:Aula 1114
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR