Defesa de doutorado do discente Dênis Ricardo, dia 04/03/26 às 10:00.

Defesa de doutorado do discente Dênis Ricardo, dia 04/03/26 às 10:00.

Título: Algoritmos de Aprendizado por Reforço para Detecção de Clusters Espaciais Irregulares.

Resumo: Estudos sobre o processo de detecção de clusters espaciais irregulares despertam interesse em diversas áreas do conhecimento, e consistem em ferramentas valiosas para a análise de surtos de doenças e outros fenômenos. A estatística de varredura espacial de Kulldorff consolidou-se como uma das principais estratégias para identificar esses padrões; entretanto, sua eficiência tende a diminuir para clusters candidatos de formas irregulares. Para ampliar a flexibilidade, novas abordagens vêm ganhando destaque. O Aprendizado por Reforço (RL), constitui um dos paradigmas do Aprendizado de Máquina, que tem se mostrado relevante é aplicado a uma ampla variedade de problemas, inclusive nos relacionados à otimização combinatória. O RL modela problemas como processos sequenciais de tomada de decisão, nos quais um agente inteligente interage com um ambiente, observa estados, executa ações e recebe recompensas. Este estudo propõe novas abordagens para a detecção de clusters espaciais irregulares, fundamentadas em RL. São apresentados dois frameworks, um mono-objetivo e outro multi-objetivo, baseados, respectivamente, no Markov Decision Process (MDP) e no Multi-Objective Markov Decision Process (MOMDP). No mono-objetivo, a estatística de varredura de Kulldorff é usada como mecanismo de recompensa ao longo da coleta de experiências. O agente acumula recompensas enquanto aprende uma política que, quando interpretada, permite construir candidatos a clusters no mapa analisado. No multi-objetivo, a função de recompensa é um vetor composto por dois objetivos conflitantes: maximizar a estatística de Kulldorff e minimizar a penalização por dispersão. O agente interage com um conjunto de ambientes, e aprimora um conjunto de políticas eficientes segundo o critério de Pareto. A interpretação dessas políticas resulta na geração de um conjunto de candidatos a clusters. Para operar sobre os frameworks propostos, foram introduzidos três algoritmos de RL. No framework mono objetivo, são propostos os algoritmos QLE-SCAN e SAR-SCAN, baseados nos métodos Q-Learning e SARSA, respectivamente. No framework multi-objetivo, propõe-se o algoritmo PQL-SCAN, fundamentado no método Pareto Q-Learning. Para validar os RLAs, experimentos computacionais foram conduzidos inicialmente em dois conjuntos de dados artificiais. O primeiro conjunto é um mapa sintético de hexágonos com um padrão populacional e uma série de clusters artificiais. O segundo conjunto corresponde a um mapa populacional realista com incidências de câncer no nordeste dos EUA, no qual foram projetados clusters artificiais irregulares. Uma série de métricas foram utilizadas para avaliar a eficiência e a qualidade dos métodos testados. Os resultados demonstram alta eficiência e uma perceptível adaptação dos RLAs para a detecção de clusters irregulares. Por fim, as abordagens foram aplicadas em dois conjuntos de dados reais: um referente à doença de Chagas em mulheres parturientes do estado de Minas Gerais e outro sobre às ocorrências de diabetes na população do mesmo estado, confirmando a aplicabilidade dos RLAs em contextos realistas.

• Data: 04/03/2026
• Horário: 10:00h

Banca Examinadora:

• Prof. Gladston Juliano Prates Moreira (Orientador, UFOP)

• Prof. Anderson Ribeiro Duarte (Co-orientador, UFOP)
• Prof. André Luiz Carvalho Ottoni (UFOP)
• Prof. André Luiz Fernandes Cançado (UNB)
• Prof. Luiz Henrique Duczmal (UFMG)