Minha graduação foi em Ciência da Computação e, durante esse período, desenvolvi dois projetos de iniciação científica, ambos voltados ao estudo de redes complexas. O primeiro projeto, intitulado “Análise de Robustez em Redes de Mobilidade”, teve como objetivo investigar a robustez dessas redes, buscando identificar estratégias de maior impacto a partir da remoção de nós que mais contribuem para sua eficiência. Esse tipo de estudo pode servir como base para a identificação de áreas topologicamente mais vulneráveis, subsidiando políticas públicas voltadas à melhoria da infraestrutura de mobilidade. Pesquisas desse tipo contribuem para aumentar a resiliência, a eficiência e a segurança das redes de mobilidade, impactando diretamente áreas como transporte, saúde pública, segurança e planejamento urbano.

O segundo projeto, “Redes Complexas com Múltiplas Camadas”, abordou modelos em que diferentes tipos de interações ou conexões coexistem entre os mesmos conjuntos de nós. Um exemplo é a rede de mobilidade multimodal, em que cada modal de transporte (táxi, ônibus, bicicleta, deslocamento a pé, entre outros) é representado como uma camada distinta. Na rede de mobilidade da cidade de Belo Horizonte, por exemplo, os lugares (bairros ou regiões da cidade) correspondem aos nós, enquanto as vias ou rotas que os conectam são representadas pelas arestas. Dessa forma, cada camada descreve as conexões específicas de um modal de transporte, mantendo os mesmos nós em todas as camadas.

Atualmente, no mestrado, minha linha de pesquisa está voltada à Inteligência Artificial e Ciência de Dados. O projeto que desenvolvo, intitulado “Diferentes Noções de Vizinhança para a Predição de Séries Temporais em Nível de Nó”, tem como objetivo investigar métodos de definição e extração do backbone (processo de simplificação de uma rede densa com muitas conexões espúrias). A proposta é identificar a metodologia que gera os melhores resultados na predição de séries temporais em nível de nó, utilizando redes neurais de grafos (Graph Neural Networks – GNNs), arquiteturas de aprendizado profundo projetadas para processar dados estruturados em forma de grafos. Esse estudo busca avaliar diferentes abordagens de extração do backbone e seu impacto no desempenho de modelos de predição.