Regressão Transdutiva Baseada em Grafos Aplicada à Previsão de Indicadores de Desenvolvimento Sustentável

• Ano de defesa: 2025
• Autor(a) principal: Nespolo, Renan Guilherme
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado Semissupervisionado; Baseado em Grafos; Complex networks; Graph-based; Indicadores de desenvolvimento sustentável; Redes Complexas; Regressão; Regression; Semi-supervised learning; Sustainable development indicators
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-28042025-134532/

Os métodos de regressão desempenham um papel importante em muitas aplicações do mundo real, como econometria, reconhecimento de padrões e previsão de cadeias de proteínas, para citar apenas algumas tarefas. Embora alguns estudos tenham explorado a predição baseada em grafos de valores contínuos, também chamados de problemas de regressão, no contexto semissupervisionado, eles ainda não exploraram o formalismo e o potencial da teoria de redes complexas e, geralmente, abordam apenas o problema de classificação (rótulos discretos). Além disso, tais abordagens não consideram fatores como o impacto do uso de diferentes métodos de construção de grafos no resultado da regressão, exploração de características da representação topológica adotada, como a inferência é realizada ou que tipo de estratégia de propagação de rótulos é adotada. Deste modo, o presente estudo apresentou a Regressão Transdutiva baseada em Grafos, concentrando-se na construção de uma rede híbrida, fundida em uma única rede, características de uma rede regular e uma rede espectral ao mesmo tempo, com o objetivo de favorecer o uso da regressão. Em seguida, foi proposta uma inferência baseada em regressão transdutiva semissupervisionada, utilizando os métodos de Random-Walks e Regressão Linear Simples, para essa tarefa. Após este primeiro passo, os conjuntos de dados foram combinados com dados geolocalizados, aplicados na previsão de índices de desenvolvimento sustentável, e na construção da rede, foram propostas variações para três diferentes topologias: Rede Regular, Rede Pequeno Mundo e Rede Livre de Escala. Para a inferência, além das técnicas Random- Walks e Regressão Linear foi combinada uma adaptação do método de Gibbs-Sampling, para tarefas de Regressão na propagação dos indicadores. Por fim, o estudo seguiu adicionando o coeficiente de correlação de Pearson semissupervisionado, na etapa de inferência, controlando a previsão dos indicadores e diminuindo a variância nos resultados. Constatou-se que a combinação de diferentes topologias e a aplicação das técnicas de Random-Walks e Gibbs-Sampling trazem vantagens para realizar previsões, utilizando Regressão principalmente com muito poucos indicadores valorados inicialmente. Assim, o que torna a proposta apresentada, para a tarefa de regressão transdutiva, uma contribuição inédita, com resultados comparáveis às principais técnicas atuais quando aplicadas no contexto de tarefa de regressão em redes geolocalizadas, que é o caso de previsão de indicadores geolocalizados.