Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2025-212180
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!Este trabalho investiga a aplicação de técnicas de aprendizado de máquina supervisionado na resolução aproximada do problema da diversidade máxima. Foram explorados modelos como Regressão Logística, k-Vizinhos mais Próximos, árvores de decisão, floresta randômica e redes neurais, treinados a partir de 315 instâncias da MDPLib. As instâncias foram pré-processadas com extração de características estruturais dos grafos e balanceamento de classes, além da técnica PCA para redução de dimensionalidade. Os modelos foram avaliados com base na proximidade das soluções obtidas em relação aos valores ótimos fornecidos por um método exato e soluções de uma meta-heurística. Os resultados demonstram que, mesmo com acurácias moderadas, os modelos atingiram até 95.66% da diversidade máxima em instâncias com até 3000 vértices, evidenciando a viabilidade e escalabilidade da abordagem. Este estudo abre caminho para o uso de aprendizado supervisionado em problemas combinatórios de grande escala, reforçando seu potencial como ferramenta complementar às abordagens heurísticas tradicionais.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo