Sérgio Murilo Maciel Fernandes

Sérgio Murilo Maciel Fernandes

Auto-generated profile, based on publicly available information

Sérgio Murilo Maciel Fernandes

UFPE

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
26 July 2021 in IEEE Access
Verified
Journal Article
Open access
Cristian Millán-AriasCristian Millán-Arias
Cristian Millán-Arias
BFBruno José Torres Fernandes
Bruno José Torres Fernandes
Francisco CruzFrancisco Cruz
Francisco Cruz
RDRichard Dazeley
Richard Dazeley
SFSergio Fernandes
Sergio Fernandes
Reinforcement learning refers to a machine learning paradigm in which an agent interacts with the environment to learn how to perform a task. The characteristics of the environment may change over time or be affected by disturbances not controlled, avoiding the agent finding a proper policy. Some approaches attempt to address these problems, as interactive reinforcement learning, where an external entity helps the agent learn through advice. Other approaches, such as robust reinforcement learning, allow the agent to learn the task, acting in a disturbed environment. In this paper, we propose an approach that addresses interactive reinforcement learning problems in a dynamic environment, where advice provides information on the task and the dynamics of the environment. Thus, an agent learns a policy in a disturbed environment while receiving advice. We implement our approach in the dynamic version of the cart-pole balancing task and a simulated robotic arm dynamic environment to organize objects. Our results show that the proposed approach allows an agent to complete the task satisfactorily in a dynamic, continuous state-action domain. Moreover, experimental results suggest agents trained with our approach are less sensitive to changes in the characteristics of the environment than interactive reinforcement learning agents.

26 May 2025 in Revista Principia
Verified
Journal Article
Open access
PDF file
RLRafael Diniz Toscano de Lima
Rafael Diniz Toscano de Lima
SFSergio Murilo Maciel Fernandes
Sergio Murilo Maciel Fernandes
SLSidney Marlon Lopes de Lima
Sidney Marlon Lopes de Lima
This study presents a comprehensive literature review on integrating exogenous variables in time series forecasting, with a particular focus on financial markets. Both traditional statistical methods, such as ARIMA and SARIMA, and machine learning techniques, including neural networks and support vector regression, are systematically examined, with an emphasis on their impact on prediction accuracy and the practical challenges involved. Significant research gaps are identified through an in-depth analysis of the existing literature, especially regarding the application of hybrid models and advanced computational techniques. Unlike previous reviews, this paper highlights the potential of combining traditional and machine learning approaches to better handle multidimensional data from various external sources. Addressing these gaps could enhance the robustness and precision of financial forecasting models, offering valuable insights to academic researchers and industry practitioners navigating volatile market environments. The paper consolidates current knowledge and underscores promising computational opportunities that could transform time series forecasting.

20 June 2026 in RECIMA21 - Revista Científica Multidisciplinar
Verified
Journal Article
Open access
DSDanilo Monteiro Souza
Danilo Monteiro Souza
SFSérgio Murilo Maciel Fernandes
Sérgio Murilo Maciel Fernandes
Os sistemas de alerta precoce constituem a principal ferramenta para notificação e orientação da população em situações de emergência, porém ainda utilizam mensagens padronizadas que não consideram diferenças cognitivas e comunicativas. Essa limitação impacta de forma direta pessoas com Transtorno do Espectro Autista, que demandam formas estruturadas e previsíveis de organização da informação para compreensão e tomada de decisão em contextos de risco. Este trabalho apresenta o framework PROTEA-M (Program for Readiness and Organized Training in Emergencies for Autistic Individuals - Multimodal), um modelo preditivo-generativo multimodal voltado à produção de conteúdos inclusivos para preparação em cenários de inundação. O modelo estima o perfil comunicativo e o plano de intervenção e, a partir dessa estimativa, gera Histórias Sociais personalizadas. O módulo preditivo utiliza ensemble de Extreme Learning Machines com fusão de evidências e calibração probabilística, apresentando desempenho superior aos baselines, com acurácia de 0,6923 e ROC-AUC de 0,9782, além de melhor qualidade probabilística. O módulo generativo produz narrativas multimodais por meio de modelos de linguagem, traduzindo variáveis clínicas em sequências visuais e textuais organizadas. O PROTEA-M contribui para a evolução dos sistemas de alerta ao incorporar personalização comunicacional e acessibilidade cognitiva.

20 September 2026 in Monumenta - Revista Científica Multidisciplinar
Verified
Journal Article
Open access
PDF file
EBEmanoel Guilherme Barros
Emanoel Guilherme Barros
SLSidney Marlon de Lima
Sidney Marlon de Lima
SFSérgio Murilo Maciel Fernandes
Sérgio Murilo Maciel Fernandes
A crescente dependência de sistemas computacionais tem ampliado a importância da perícia forense digital como instrumento fundamental para a obtenção de evidências técnicas confiáveis. Nesse contexto, a recuperação de arquivos excluídos constitui uma etapa crítica, frequentemente comprometida por limitações das ferramentas tradicionais, especialmente devido à elevada ocorrência de falsos positivos, que impactam diretamente a confiabilidade das análises periciais. Este trabalho propõe e avalia uma abordagem baseada em aprendizado de máquina para reduzir a taxa de falsos positivos no processo de recuperação de arquivos excluídos. A metodologia adotada é de natureza experimental e contempla a construção de um dataset híbrido, composto por dados sintéticos gerados em cenários controlados de exclusão e fragmentação, além de dados inspirados em bases reais. Os dados são submetidos a etapas de pré-processamento e extração de atributos forenses, incluindo entropia, frequência de bytes e n-grams, sendo posteriormente utilizados no treinamento de modelos supervisionados e em uma abordagem híbrida baseada em ensemble learning. A avaliação dos modelos é realizada por meio de métricas como precisão, recall, F1-score e taxa de falsos positivos (FPR), com comparação direta em relação a métodos heurísticos tradicionais. Os resultados indicam que a utilização de aprendizado de máquina proporciona redução significativa na ocorrência de falsos positivos, contribuindo para o aumento da confiabilidade do processo de recuperação forense. Como contribuição, o trabalho apresenta um pipeline experimental reprodutível que integra técnicas de computação forense e aprendizado de máquina, oferecendo suporte ao aprimoramento das práticas periciais e ao avanço das pesquisas na área.