Escolheu-se o método GMM a fim de testar os modelos CAPM não-condicionais (Sharpe-Litner e zero-beta) no mercado de capitais brasileiro, pois as séries dos log-retornos diários de ações analisadas não se mostraram normais e IID. Este trabalho é pioneiro em testar a validade do modelo CAPM zero-beta via GMM no mercado brasileiro. Constatamos que o modelo CAPM de SL, tanto em termos da SELIC como do CDI, não pode ser rejeitado ao nível de 5% para o período de 2/1/00 até 31/12/04. Já para os períodos de 2/1/95 até 31/12/99 e de 2/1/95 até 31/12/04, tal modelo foi rejeitado ao nível de 5%. Dessa forma, para o modelo CAPM de SL, tanto em termos da SELIC como do CDI, o índice BOVESPA se comportou como um portfólio eficiente somente no período de 2/1/00 até 31/12/04. Já para o modelo CAPM zero-beta, verifica-se a sua não rejeição ao nível de 5% nos três períodos analisados acima. / The GMM method have been chosen in order to test non-conditional CAPM (Sharpe-Lintner and zero-beta) model in Brazilian security market, because the daily log-returns series of the analyzed shares did not showed itselves as normal and IID. This dissertation will be pioneer in testing the validity of the CAPM zero-beta model by GMM. We have realized that the SL CAPM model, either in terms of SELIC rate as of CDI rate (risk-free assets), can not be rejected at 5% level for the period from 2/1/00 until 31/12/04. For the periods from 2/1/95 until 31/12/99 and from 2/1/95 until 31/12/04, the given model was rejected at the 5% level. This way, for the SL CAPM model, either in terms of SELIC rate as of CDI rate, the BOVESPA index has behaved as an efficient portfolio only on the period from 2/1/00 until 31/12/04. For the zero-beta CAPM model, it can be verified that we cannot reject it at the 5% level in none of the three periods analyzed above.

Escolheu-se o método GMM a fim de testar os modelos CAPM não-condicionais (Sharpe-Litner e zero-beta) no mercado de capitais brasileiro, pois as séries dos log-retornos diários de ações analisadas não se mostraram normais e IID. Este trabalho é pioneiro em testar a validade do modelo CAPM zero-beta via GMM no mercado brasileiro. Constatamos que o modelo CAPM de SL, tanto em termos da SELIC como do CDI, não pode ser rejeitado ao nível de 5% para o período de 2/1/00 até 31/12/04. Já para os períodos de 2/1/95 até 31/12/99 e de 2/1/95 até 31/12/04, tal modelo foi rejeitado ao nível de 5%. Dessa forma, para o modelo CAPM de SL, tanto em termos da SELIC como do CDI, o índice BOVESPA se comportou como um portfólio eficiente somente no período de 2/1/00 até 31/12/04. Já para o modelo CAPM zero-beta, verifica-se a sua não rejeição ao nível de 5% nos três períodos analisados acima. / The GMM method have been chosen in order to test non-conditional CAPM (Sharpe-Lintner and zero-beta) model in Brazilian security market, because the daily log-returns series of the analyzed shares did not showed itselves as normal and IID. This dissertation will be pioneer in testing the validity of the CAPM zero-beta model by GMM. We have realized that the SL CAPM model, either in terms of SELIC rate as of CDI rate (risk-free assets), can not be rejected at 5% level for the period from 2/1/00 until 31/12/04. For the periods from 2/1/95 until 31/12/99 and from 2/1/95 until 31/12/04, the given model was rejected at the 5% level. This way, for the SL CAPM model, either in terms of SELIC rate as of CDI rate, the BOVESPA index has behaved as an efficient portfolio only on the period from 2/1/00 until 31/12/04. For the zero-beta CAPM model, it can be verified that we cannot reject it at the 5% level in none of the three periods analyzed above.

While it is difficult for base stations to estimate the millimeter wave (mmWave) channels and find the optimal mmWave beam for user equipments (UEs) quickly, the sub-6 GHz channels which are usually easier to obtain and more robust to blockages could be used to reduce the time before initial access and enhance the reliability of mmWave communication. Considering that the channel information is collected by a massive number of radio base stations and would be sensitive to privacy and security, Federated Learning (FL) is a match for this use case. In practice, the channel vectors are usually subject to Non-Independently Distributed (non-IID) distributions due to the greatly varying wireless communication environments between different radio base stations and their UEs. To achieve satisfying performance for all radio base stations instead of only the majority of them, a useful solution is designing personalized methods for each radio base station. In this thesis, we implement two personalized FL methods including 1) Finetuning FL Model on Private Dataset of Each Client and 2) Adaptive Expert Models for FL to predict the optimal mmWave beamforming vector directly from the non-IID sub-6 GHz channel vectors generated from DeepMIMO. According to our experimental results, Finetuning FL Model on Private Dataset of Each Client achieves higher average mmWave downlink spectral efficiency than the global FL. Besides, in terms of the average Top-1 and Top-3 classification accuracies, its performance improvement over the global FL model even exceeds the improvement of the global FL over the pure local models. / Även om det är svårt för en basstation att uppskatta en kanal för millimetervåg (mmWave) och snabbt hitta den bästa mmWave-strålen för en användarutrustning (UE), kan den dra fördel av kanaler under 6 GHz, som i allmänhet är mer lättillgängliga och mer motståndskraftig mot blockering, för att minska tid för första besök och förbättra tillförlitligheten hos mmWave-kommunikation. Med tanke på att kanalinformation samlas in av ett stort antal radiobasstationer och är känslig för integritet och säkerhet är federated learning (FL) väl lämpat för detta användningsfall. I praktiken, eftersom den trådlösa kommunikationsmiljön varierar mycket mellan olika radiobasstationer och deras UE, följer kanalvektorer vanligtvis en icke-oberoende distribution (icke-IID). För att uppnå tillfredsställande prestanda för alla radiobasstationer, inte bara de flesta radiobasstationer, är en användbar lösning att utforma ett individuellt tillvägagångssätt för varje radiobasstation. I detta dokument implementerar vi två personliga FL-metoder, inklusive 1) finjustering av FL-modellen på varje klients privata datauppsättning och 2) en adaptiv expertmodell av FL för att direkt generera icke-IID sub-6 GHz kanalvektorer förutsäga optimal mmWave beamforming vektorer. Enligt våra experimentella resultat uppnår finjustering av FL-modellen på varje klients privata datauppsättning högre genomsnittlig mmWave-nedlänksspektral effektivitet än global FL. Dessutom överträffar dess prestandaförbättring jämfört med den globala FL-modellen till och med den för den globala FL jämfört med den rent lokala modellen vad gäller genomsnittlig klassificeringsnoggrannhet i topp-1 och topp-3.

As more data is being gathered in industrial production facilities, the interest in applying machine learning models to the data is growing. This includes the iron ore mining industry, and in particular the build-up of slag in grate-kiln furnaces. Slag is a byproduct in the pelletizing process within these furnaces, that can cause production stops, quality issues, and unplanned maintenance. Previous studies on slag build-up have been done mainly by chemists and process engineers. Whilst previous research has hypothesized contributing factors to slag build-up, the studies have mostly been conducted in simulation environments and thus have not used real sensor data utilizing machine learning models. Luossavaara-Kiirunavaara Aktiebolag (LKAB) has provided data from one of their grate-kiln furnaces, a time-series data of sensor readings, that compressed before storage.  A Scala package was built to ingest and interpolate the LKAB data and make it ready for machine learning experiments. The estimation of slag within the kiln was found too arbitrary to make accurate predictions. Therefore, three quality metrics, tightly connected to the build-up of slag, were selected as target variables instead. Independent and identically distributed (IID) units of data were created by isolating fuel usage, product type produced and production rate. Further, another IID criterion was created, adjusting the time for each feature in order to be able to compare feature values for a single pellet in production. Specifically, the time it takes for a pellet to go from the feature sensor to the quality test was added to the original timestamp. This resulted in a table where each row represents multiple features and quality measures for the same small batch of pellets. An IID unit of interest was then used to find the most contributing features by using principal component analysis (PCA) and lasso regression. It was found that using the two mentioned methods, the number of features could be reduced to a smaller set of important features. Further, using decision tree regression with the subset of features, selected from the most important features, it was found that decision tree regression had a similar performance with the subset of features as the lasso regression. Decision tree and lasso regression were chosen for interpretability, which was important in order to be able to discuss the contributing factors with LKAB process engineers. / Idag genereras allt mer data från industriella produktionsanläggningar och intresset att applicera maskininlärningsmodeller på denna data växer. Detta inkluderar även industrin för utvining av järnmalm, i synnerhet uppbyggnaden av slagg i grate-kiln ugnar. Slagg är en biprodukt från pelletsproduktionen som kan orsaka produktionsstopp, kvalitetsbrister och oplanerat underhåll av ugnarna. Tidigare forskning kring slagguppbyggnad har i huvudsak gjorts av kemister och processingenjörer och ett antal bidragande faktorer till slagguppbyggnad ha antagits. Däremot har dessa studier främst utförts i simulerad experimentmiljö och därför inte applicerat maskininlärningsmodeler på sensordata från produktion. Luossavaara-Kiirunavaara Aktiebolag (LKAB) har till denna studie framställt och försett data från en av deras grate-kiln ugnar, specifikt tidsseriedata från sensorer som har komprimerats innan lagring. Ett Scala-paket byggdes för att ladda in och interpolera LKAB:s data, för att sedan göra den redo och applicerbar för experiment med maskininlärningsmodeller. Direkta mätningar för slagguppbyggnad och slaggnivå upptäcktes vara för slumpartade och bristfälliga för prediktion, därför användas istället tre kvalitetsmätningar, med tydligt samband till påföljderna från slagguppbyggnad, som målvariabler. Independent and identically distributed (IID) enheter skapades för all data genom att isolera bränsleanvändning, produkttyp och produktionstakt. Vidare, skapades ytterligare ett kriterie för IID:er, en tidsjustering av varje variabel för att göra det möjligt att kunna jämföra variabler inbördes för en enskild pellet i produktion. Specifikt, användes tiden det tar för en pellet från att den mäts av en enskild sensor till att kvalitetstestet tas. Tidsskillnaden adderas sedan till sensormätningens tidsstämpel. Detta resulterade i en tabell där varje rad representerade samma lilla mängd av pellets. En IID enhet av intresse analyserades sedan för att undersöka vilka variabler som har störst varians och påverkan genom en principal komponentsanalys (PCA) och lassoregression. Genom att använda dessa metoder konstaterades det att antalet variabler kunde reduceras till ett mindre antal variabler och ett nytt, mindre, dataset av de viktigaste variablerna skapades. Vidare, genom regression av beslutsträd med de viktigaste variablerna, konstaterades att beslutträdsregression och lassoregression hade liknande prestanda när data med de viktigaste variablerna användes. Beslutträdsregression och lassoregression användes för att experimentens resultat skulle ha en hög förklaringsgrad, vilket är viktigt för att kunna diskutera variabler med högst påverkan på slagguppbyggnaden och ge resultat som är tolkbara och användbara för LKAB:s processingenjörer.

Federated learning faces a challenge when dealing with highly heterogeneous data and it can sometimes be inadequate to adopt an approach where a single model is trained for usage at all nodes in the network. Different approaches have been investigated to succumb this issue such as adapting the trained model to each node and clustering the nodes in the network and train a different model for each cluster where the data is less heterogeneous. In this work we study the possibilities to improve the local model performance utilizing the hierarchical setup that comes with clustering the participating clients in the network. Experiments are carried out featuring a Long Short-Term Memory network to perform time series forecasting to evaluate different approaches utilizing the hierarchical setup and comparing them to standard federated learning approaches. The experiments are done using a dataset collected by Ericsson AB consisting of handovers recorded at base stations in an European city. The hierarchical approaches didn’t show any benefit over common two-level approaches. / Federated Learning står inför en utmaning när det gäller att hantera data med en hög grad av heterogenitet och det kan i vissa fall vara olämpligt att använda sig av en approach där en och samma modell är tränad för att användas av alla noder i nätverket. Olika approacher för att hantera detta problem har undersökts som att anpassa den tränade modellen till varje nod och att klustra noderna i nätverket och träna en egen modell för varje kluster inom vilket datan är mindre heterogen. I detta arbete studeras möjligheterna att förbättra prestandan hos de lokala modellerna genom att dra nytta av den hierarkiska anordning som uppstår när de deltagande noderna i nätverket grupperas i kluster. Experiment är utförda med ett Long Short-Term Memory-nätverk för att utföra tidsserieprognoser för att utvärdera olika approacher som drar nytta av den hierarkiska anordningen och jämför dem med vanliga federated learning-approacher. Experimenten är utförda med ett dataset insamlat av Ericsson AB. Det består av "handoversfrån basstationer i en europeisk stad. De hierarkiska approacherna visade inga fördelar jämfört med de vanliga två-nivåapproacherna.

Sound localization is a vital aspect of hearing for safe navigation of everyday environments. It is also an important factor in speech intelligibility. This ability is facilitated by the interaural level difference (ILD) cue, which arises from binaural hearing: a sound will be more intense at the nearer ear than the farther. In a hearing-impaired listener, this binaural cue may not be available for use and localization may be diminished. While conventional, bilateral, wide dynamic range compression (WDRC) hearing aids distort the interaural level difference by independently altering sound intensities in each ear, wirelessly-linked devices have been suggested to benefit this task by matching amplification in order to preserve ILD. However, this technology has been shown to have varying degrees of success in aiding speech intelligibility and sound localization. As hearing impairment has wide-ranging adverse impacts to physical and mental health, social activity, and cognition, the task of localization improvement must be urgently addressed. Toward this end, neural modelling techniques are used to determine neural representations of ILD cues for linked and unlinked bilateral WDRC hearing aids. Findings suggest that wirelessly-linked WDRC is preferable over unlinked hearing aids or unaided, hearing-impaired listening, although parameters for optimal benefit are dependent on sound level, frequency content, and preceding sounds. / Thesis / Master of Applied Science (MASc)