No description available.

No description available.

Os jogos digitais têm evoluído drasticamente ao longo do tempo, e uma dessas evoluções deve-se sobretudo ao avanço tecnológico e ao cuidado dado no que toca ao aspeto visual. Esta dissertação investiga a importância da cor e do estilo visual no desenvolvimento de jogos digitais e o seu impacto na experiência do jogador. A pesquisa apresenta uma revisão da literatura sobre psicologia das cores, perceção visual e teoria da cor, bem como a influência do estilo visual na narrativa e identidade do jogo. A metodologia adotada combina análises de jogos populares a nível visual, com o objetivo de compreender diferentes abordagens usadas para enriquecimento desta área. Os resultados revelam que a cor desempenha um papel fundamental na criação de atmosferas e transmissão de informações, enquanto o estilo visual contribui para a identidade e a estética do jogo. Conclui-se que o uso estratégico desses elementos no game design pode potencializar a experiência do jogador, resultando em jogos mais envolventes e coesos. A compreensão do impacto da cor e do estilo visual auxilia os desenvolvedores na criação de videojogos que atendam aos objetivos estéticos e funcionais, considerando diversos fatores. / Digital games have evolved drastically over time, and one of these evolutions is mainly due to technological advancement and the care given when it comes to the visual aspect. This dissertation investigates the importance of color and visual style in the development of digital games and their impact on the player's experience. The research presents a review of the literature on color psychology, visual perception and color theory, as well as the influence of visual style on the game's narrative and identity. The methodology adopted combines analysis of popular games at a visual level, with the aim of understanding different approaches used to enrich this area. The results reveal that color plays a fundamental role in creating atmospheres and transmitting information, while visual style contributes to the game's identity and aesthetics. It is concluded that the strategic use of these elements in game design can enhance the player's experience, resulting in more engaging and cohesive games. Understanding the impact of color and visual style helps developers create video games that meet aesthetic and functional goals, considering several factors.

No description available.

No description available.

A detecção de anomalias em séries temporais é fundamental para identificar atividades fraudulentas, detetar falhas em processos e monitorizar a saúde de sistemas complexos. As Redes Adversariais Generativas (GANs) têm mostrado resultados promissores neste domínio, superando quer abordagens tradicionais, quer abordagens mais recentes baseadas em machine learning. No entanto, todos estes métodos apresentam dificuldades e limitações em detetar anomalias extremamente raras. Esta dissertação tem como objetivo modificar e estender o modelo TadGAN e investigar o potencial desta abordagem para detetar anomalias extremamente raras (XTadGAN). Além disso, argumentamos que não existe uma metodologia sistemática para avaliar e comparar o desempenho de diferentes métodos de detecção de anomalias, especificamente em relação à sua sensibilidade a variações na frequência de anomalias. Nesse sentido, esta tese também explora o desenvolvimento de um índice de sensibilidade para patamares crescentes de raridade de anomalias, a ser aplicado ao nosso modelo proposto e a outros métodos de referência. O trabalho desenvolvido contribuirá significativamente para o campo da deteção de anomalias, introduzindo uma metodologia robusta e precisa para comparar o desempenho de diferentes abordagens, preenchendo assim uma lacuna crucial na investigação atual. O índice de sensibilidade proposto neste estudo é relevante, uma vez que fornece uma métrica robusta que pode ser utilizada para desenvolver testes de comparação padronizados que permitam entender melhor as vantagens e limitações de cada modelo e orientar investigação futura no sentido de melhorar o desempenho em aplicações reais. Além disso, a análise proposta lançará luz sobre como as GANs em particular, e outros métodos em geral, podem ser otimizados para detetar anomalias extremamente raras em séries temporais de forma mais precisa. / Anomaly detection in time series data is critical for identifying fraudulent activities, detecting process failures, and monitoring the health of complex systems. Generative Adversarial Networks (GANs) have recently shown promising results in this domain, outperforming traditional as well as more recent machine learning approaches. However, all of these methods struggle with extremely rare anomalies. This thesis aims to modify and extend the TadGAN model and investigate the potential of this approach to better detect extremely rare anomalies (XTadGAN). Furthermore, we argue that there is an absence of a systematic methodology to assess and compare the performance of different anomaly detection methods, specifically with respect to their sensitivity to variations in the frequency of anomalies. Therefore, this thesis also explores the development of a sensitivity index for increasing orders of anomaly rarity, to be applied to our proposed extended model and other benchmark methods. The developed work will make a valuable contribution to the field of anomaly detection by introducing a robust and accurate framework for comparing the performance of different approaches, hopefully filling a crucial gap in current research. The sensitivity index proposed in this study is significant as it provides a robust metric that can be used to conduct standardized comparison tests to better understand the strengths and limitations of each model and guide future research to improve performance in real-world applications. Moreover, the proposed analysis will shed light on how GANs in particular, and other methods in general, can be optimized to more accurately detect extremely rare anomalies in time series data.

No description available.

No description available.

No description available.

No description available.