O Departamento de Ciência da Computação (DCC) da UFMG teve dois trabalhos reconhecidos no Concurso de Teses e Dissertações do Simpósio Brasileiro de Bancos de Dados (SBBD) 2026. A tese de Gabriel Pereira de Oliveira conquistou o primeiro lugar na categoria, enquanto a dissertação de Gestefane Rabbi Magalhães recebeu Menção Honrosa. Os dois trabalhos serão apresentados durante o evento, que ocorre em setembro deste ano.
A tese premiada em primeiro lugar, desenvolvida sob orientação das professoras do DCC, Mirella M. Moro e Ana Paula Couto da Silva, analisa a dinâmica da viralização de músicas e sua relação com o sucesso comercial a partir de uma abordagem em ciência de dados. O estudo considera que, embora a viralização não seja um fenômeno recente, a web e as plataformas digitais ampliaram seu alcance global. A pesquisa examina o problema em três frentes: caracterização dos fenômenos, análise de causalidade e modelagem temporal. Os resultados indicam que atributos relacionados aos artistas e ao tempo são os que melhor distinguem viralização e sucesso, que permanecem fenômenos distintos, mas que podem, em alguns casos, apresentar capacidade preditiva mútua. O trabalho também mostra que modelos inspirados na epidemiologia descrevem melhor a dinâmica de propagação de músicas virais do que explicam o desempenho de longo prazo no mercado, evidenciando diferenças e interações entre esses dois aspectos.
A dissertação de Gestefane, orientada pelo professor do DCC, Marcos André Gonçalves e coorientada pelo professor do IFG, Daniel Xavier de Sousa, propõe o FedRisk, uma abordagem para aprendizado federado aplicada a modelos de ranqueamento em cenários com dados distribuídos de forma heterogênea e não independente. O método incorpora um mecanismo de agregação sensível ao risco, que ajusta o peso das contribuições dos clientes de acordo com a variabilidade dos erros de predição, e utiliza memória histórica dos parâmetros globais para aumentar a estabilidade do treinamento. Em experimentos com o conjunto de dados MSLR-WEB10K, o modelo apresentou ganho de 15,6% em nDCG@5 em comparação com o FedProx, desempenho semelhante ao de abordagens centralizadas em nDCG@10 e redução da variabilidade entre rodadas. O trabalho também apresenta evidências do impacto da memória histórica na convergência e na consistência dos resultados em sistemas federados de ranqueamento.
O SBBD é um dos principais eventos científicos da área de bancos de dados no Brasil, reunindo pesquisadores, estudantes e profissionais para apresentação e discussão de trabalhos acadêmicos, além de promover o Concurso de Teses e Dissertações, que reconhece pesquisas de destaque concluídas no país.
