Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.208
Aluno: Lucas Rabelo de Araujo Morais
Orientadora: Profa. Teresa Bernarda Ludermir
Título: Bitcoin and Cryptocurrencies: COMTE-LEFTIST Hybrid Explanations and Time-Series Classification.
Data: 17/07/2025
Hora/Local: 17h:30m – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Profa. Teresa Bernarda Ludermir (UFPE / Centro de Informática)
Prof. Sergio Fernandovitch Chevtchenko (University of Western Sydney / MARCS
Institute)
Profa. Gecynalda Soares da Silva Gomes (UFBA/Departamento de Estatística)
RESUMO:
A “Corrida Global pela IA” incentivou uma estratégia conhecida como “IA para a sociedade”. Um dos principais resultados dessa estratégia foi o Regulamento Geral de Proteção de Dados (GDPR), uma regulamentação europeia aplicada em 28 de maio de 2018, que estabeleceu o “direito à explicação”. Essa regulamentação contribuiu significativamente para o avanço da Inteligência Artificial Explicável (XAI). Em meio a essas inovações tecnológicas, o mercado de ativos digitais, conhecidos como criptomoedas, se beneficiaram de pesquisas sobre sistemas de trade com Inteligência Artificial (IA) e Aprendizado de Máquina (AM). No entanto, esses sistemas frequentemente dependem de modelos caixa-preta, tornando a explicabilidade um aspecto crucial. Nesse contexto, este trabalho aplica modelos de Aprendizado de Máquina especificamente desenhados para Classificação de Séries Temporais (CST) e propõe um novo método híbrido que fornece explicações baseadas em séries temporais. Após a coleta de dados de Bitcoin e outras criptomoedas de uma exchange, os dados são processados e treinados utilizando modelos de AM tabular, modelos de AM para séries temporais e modelos de Aprendizado Profundo (AP). O estudo avalia incerteza, performance dos modelos e a explicabilidade por meio de um modelo híbrido de explicabilidade, que combina COMTE (método contrafactual de explicação para CST) e LEFTIST (método baseado em ondaletas que fornece a importância de cada janela de tempo). Os resultados mostram que o modelo de CST MRSQM obteve um desempenho robusto, enquanto os modelos AM tabular não apresentaram diferenças significativas em relação aos modelos de CST. No entanto, os modelos de AP tiveram um desempenho fraco, especialmente no segundo experimento. A análise de incerteza revelou diferenças notáveis na estimativa de incerteza dentre os modelos, e o modelo híbrido de explicabilidade COMTE-LEFTIST conseguiu fornecer explicações híbridas com sucesso. O modelo híbrido teve um desempenho particularmente bom no primeiro experimento, que focou em séries temporais univariadas, já no segundo experimento, envolvendo múltiplas séries temporais em formato tabular, apresentou desafios adicionais. Em conclusão, este trabalho está entre os primeiros a aplicar métodos de CST ao Bitcoin e a diferentes criptomoedas, além de propor um método híbrido de explicação para CST, incentivando pesquisas e desenvolvimentos adicionais na área.
Palavras-chave: IA Explicável. Classificação de Séries Temporais. COMTE. LEFTIST. Hybrid XAI.
Comentários desativados