QD102 | Aplicações de Deep Learning na Modelagem e Projeção de Mortalidade | Filipe Duarte (UFPB)

A palestra parte das limitações dos métodos estatísticos tradicionais para expor métodos de fronteira do conhecimento em Inteligência Artificial na modelagem de riscos biométricos. O objetivo é demonstrar como a evolução do modelo clássico de Lee-Carter para arquiteturas de Deep Learning permitiu capturar complexidades como as interações não lineares e a coerência entre múltiplas populações. A discussão aborda, inicialmente, o uso de máquinas que aprendem como corretores de resíduos e previsores de parâmetros de modelos clássicos. A partir disso, são detalhadas as Redes Neurais Feedforward (FNN) e camadas de Embedding, que substituem variáveis categóricas por representações latentes mais ricas de idade e tempo. Em seguida, apresentada-se as redes neurais recorrentes, como a LSTM (Long Short-Term Memory), que capturam dependências temporais de curto e longo prazo e dinâmicas não lineares na evolução das taxas de mortalidade. Na sequência, destaca-se a inovação das Redes Neurais Convolucionais (CNN); ao aplicar filtros (kernels) que deslizam sobre a grade de dados, essas redes funcionam como extratores automáticos de características, sendo capazes de identificar o efeito de coorte de forma autônoma, superando a rigidez das parametrizações manuais. Por fim, explora-se o estado da arte com Transformers, Redes de Grafos (GNN), Multi-task Learning e Modelos de Fundação — ferramentas que elevam a precisão, a robustez e a adaptabilidade das projeções de mortalidade. Esse é um tema central para a pesquisa na área de demografia e diversas outras áreas que dialogam com os temas da saúde, mortalidade, estimativas populacionais e afins. Vai ser no canal do YouTube do PPGDem (   / demografiaufrn  , quarta-feira, dia 08 de abril de 2026, às 14h30.