Banca de DEFESA: DIEGO SANTOS SOUZA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : DIEGO SANTOS SOUZA
DATA : 09/09/2025
HORA: 15:00
LOCAL: Online - https://conferenciaweb.rnp.br/sala/paulo-jorge-canas-rodrigues
TÍTULO:

Adaptação de domínio para modelos de machine learning em cenários com covariate shift: um estudo aplicado em modelos híbridos de doenças infecciosas

PALAVRAS-CHAVES:

Adaptação de Domínio, Covariate Shift, Machine Learning, Modelos Híbrido, Sistemas Dinâmicos Epidêmicos, Doenças Infeciosas.  

PÁGINAS: 70
RESUMO:

As doenças infecciosas sempre causaram grandes impactos na saúde, economia e sociedade. Para estudar e prever sua evolução, são usados três tipos principais de modelos: (1) modelos estatísticos clássicos, aplicados ao monitoramento de doenças endêmicas; (2) modelos matemáticos mecanísticos, usados para entender a dinâmica de epidemias; e (3) modelos de machine learning, úteis em previsões e capazes de lidar com dados diversos, como textos e imagens.

Apesar de seus avanços, esses modelos enfrentam desafios como a natureza não linear das doenças, a baixa qualidade dos dados e, muitas vezes, a ausência completa de informações. Para superar essas limitações, este trabalho propõe um modelo híbrido, chamado SDML, que combina um sistema dinâmico mecanístico com técnicas de machine learning. Essa combinação permite modelar epidemias, monitorar doenças e fazer previsões com mais flexibilidade e interpretabilidade.

O modelo híbrido usa estruturas SIRD e SIS estocásticas, funções autorregressivas, redes neurais recorrentes (RNN) e LSTM. Também foram aplicadas técnicas de adaptação de domínio para lidar com cenários sem dados de saída, aproveitando informações de outras regiões. Métodos como Kernel Mean Matching (KMM), classificadores probabilísticos e modelos de mistura gaussiana (GMM) foram avaliados.

Foram realizados estudos de simulação e uma aplicação com dados reais da COVID-19. Os resultados mostraram que o modelo proposto apresenta bom desempenho, especialmente o GMM, que superou outros métodos em várias situações. Além disso, observou-se que o uso de dados auxiliares melhora a generalização dos modelos em contextos com pouca ou nenhuma informação disponível.

MEMBROS DA BANCA:
Presidente - 2019094 - PAULO JORGE CANAS RODRIGUES
Interno - 1961783 - PAULO HENRIQUE FERREIRA DA SILVA
Externo à Instituição - MARCELO BOURGUIGNON PEREIRA - UFRN