Banca de QUALIFICAÇÃO: SAMUEL DE OLIVEIRA RIBEIRO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: SAMUEL DE OLIVEIRA RIBEIRO
DATA: 31/10/2025
HORA: 09:00
LOCAL: Sala de videoconferências do PPGCC
TÍTULO: Classificação de coleções NFT: Uma abordagem multimodal integrando metadados e incorporações textuais com aprendizagem supervisionada
PALAVRAS-CHAVES: NFTs, classificação, embeddings, aprendizado supervisionado, mineração de dados
PÁGINAS: 56
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Teleinformática
RESUMO:

Token não fungível, ou NFT, é um objeto digital registrado em redes blockchain, com atributos que lhe conferem identificação única e posse por uma pessoa ou organização. O crescimento da adoção de NFTs para registro de autoria e de direitos sobre conteúdo multimídia vem impulsionando o mercado de compra e venda de NFTs entre artistas e colecionadores. Já existem grandes plataformas para a negociação de NFTs, que os classificam por tipo de conteúdo para facilitar sua identificação e valoração. Contudo, há falta de critérios claros das plataformas nessa classificação, o que pode confundir colecionadores quanto ao valor de seus NFTs e artistas ao definir seu estilo criativo e público-alvo. Pesquisas relacionadas vêm avançando na análise de perfis de usuários e na segurança de redes blockchain, mas ainda há uma lacuna em métodos para caracterizar e classificar coleções de NFTs. Os desafios para desenvolver esses métodos recaem no custo computacional de processar imagens ou na dependência exclusiva de estatísticas de compra e venda de NFTs com alta variabilidade temporal e baixo poder discriminativo. Para preencher essa lacuna, neste trabalho propomos uma abordagem de aprendizado supervisionado multimodal para a classificação automática de coleções de NFTs em categorias já conhecidas pela comunidade que os negociam. A abordagem concentra-se no desenvolvimento e na avaliação dos classificadores em três cenários de atributos: (i) o uso exclusivo de estatísticas de compra e venda, (ii) o uso exclusivo de embeddings derivados das descrições das coleções, e (iii) a combinação de ambos. Foram avaliados diferentes algoritmos de classificação com oito técnicas de pré-processamento textual e quatro estratégias de balanceamento de dados. Os resultados demonstram a eficácia da abordagem combinada, alcançando acurácia e F1-score superiores a 75%, superando as abordagens baseadas apenas em atributos estatísticos (62%) ou em embeddings textuais (67%). Esse ganho valida a relevância da integração de tipos de atributos para a classificação de NFTs e viabiliza futuras aplicações de recomendação de classes de NFTs nos trabalhos de criação dos artistas e de busca dos colecionadores. 

MEMBROS DA BANCA:
Presidente - 2413428 - GLAUBER DIAS GONCALVES
Interno - 1226761 - RAIMUNDO SANTOS MOURA
Externo à Instituição - 114.***.***-90 - GIOVANNI VENTORIM COMARELA - UFES
Externo à Instituição - 097.***.***-45 - JOHNNATAN MESSIAS PEIXOTO AFONSO - MPI-SWS
Externo à Instituição - 041.***.***-69 - SAULO MORAES VILLELA - UFRJ