Hyperdimensional Computing para Detecção de Fake News: Uma Abordagem de Alta Eficiência em Dados de Larga Escala

Defesa de: Dissertação de Mestrado
Candidato(a): Naoki Teixeira Yokoyama
Data: 14 de setembro de 2026, às 15h00
Local: Por videoconferência
Link para a defesa: https://meet.google.com/qgf-oekx-usm

Resumo

A disseminação massiva de desinformação em ambientes digitais, intensificada durante a pandemia de COVID-19, evidenciou a necessidade de sistemas automatizados de detecção de fake news capazes de operar em larga escala. Entretanto, o estado da arte da área tem sido dominado por arquiteturas baseadas em Deep Learning, Transformers e Large Language Models (LLMs), que apresentam elevado custo computacional, alto consumo energético e limitada aplicabilidade em cenários de borda. Diante desse contexto, esta dissertação investiga a viabilidade da Computação Hiperdimensional (Hyperdimensional Computing – HDC) como paradigma alternativo, fundamentado em vetores de alta dimensão e operações algébricas leves, sob a perspectiva do trade-off entre acurácia preditiva e eficiência energética. A pesquisa adota abordagem quantitativa-experimental e avalia o desempenho de cinco variantes de HDC (Vanilla HDC, AdaptHD, OnlineHD, NeuralHD e DistHD) frente a modelos de referência de Aprendizado de Máquina clássico (Logistic Regression, SVM, Random Forest, Árvore de Decisão e KNN) e ao estado da arte em Transformers (BERT e RoBERTa), em três benchmarks consolidados: ISOT Fake News Dataset, COVID-19 Fake News Dataset e FEVER Dataset, totalizando 160.051 instâncias processadas. Os resultados demonstram que, embora os Transformers preservem vantagem em acurácia (até 99,79% no ISOT e 91,47% no COVID), os modelos HDC operam com complexidade linear de treinamento, mantêm desempenho competitivo no cenário balanceado (até 95,56% no ISOT) e oferecem reduções de consumo energético entre 18× e mais de 1.100× em relação ao BERT, conforme o cenário avaliado, evidenciando trade-off favorável para cenários de Big Data, Edge Computing e Green AI. Conclui-se que a álgebra hiperdimensional não substitui os Transformers em precisão absoluta, mas constitui alternativa eficiente e sustentável para triagem em larga escala de desinformação, sobretudo em ambientes com restrição de recursos computacionais.

Abstract

The massive dissemination of misinformation in digital environments, intensified during the COVID-19 pandemic, highlighted the need for automated fake news detection systems capable of operating at large scale. However, the current state of the art has been dominated by Deep Learning, Transformer, and Large Language Model (LLM) architectures, which entail high computational cost, significant energy consumption, and limited applicability in edge computing scenarios. In this context, this dissertation investigates the feasibility of Hyperdimensional Computing (HDC) as an alternative paradigm grounded in high-dimensional vector representations and lightweight algebraic operations, framed as a trade-off between predictive accuracy and energy efficiency. The research adopts a quantitative-experimental approach and evaluates the performance of five HDC variants (Vanilla HDC, AdaptHD, OnlineHD, NeuralHD, and DistHD) against classical Machine Learning baselines (Logistic Regression, SVM, Random Forest, Decision Tree, and KNN) and state-of-the-art Transformers (BERT and RoBERTa), across three consolidated benchmarks: the ISOT Fake News Dataset, the COVID-19 Fake News Dataset, and the FEVER Dataset, totaling 160,051 processed instances. Results show that, although Transformers retain an accuracy advantage (up to 99.79% on ISOT and 91.47% on COVID), HDC models exhibit linear training complexity, achieve competitive performance on the balanced scenario (up to 95.56% on ISOT), and deliver energy savings ranging from 18× to over 1,100× compared to BERT, depending on the evaluated scenario, indicating a favorable trade-off for Big Data, Edge Computing, and Green AI scenarios. It is concluded that hyperdimensional algebra does not replace Transformers in absolute precision, but constitutes an efficient and sustainable alternative for large-scale misinformation triage, particularly in resource-constrained environments.

Banca Examinadora

• Prof. Leandro Santiago de Araújo, UFF
• Profa. Aline Marins Paes Carvalho, UFF
• Prof. Leopoldo André Dutra Lusquino Filho, UNESP

---

Leitura Recomendada em Metodologia de Pesquisa

Para quem está iniciando ou revisando os fundamentos metodológicos de uma pesquisa em Ciência da Computação, seguem algumas referências clássicas e amplamente utilizadas em Mestrados e Doutorados da área:

1. Wazlawick, R. S. (2017). Metodologia de Pesquisa para Ciência da Computação. Editora Campus/Elsevier.
2. Creswell, J. W., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. SAGE Publications.
3. Yin, R. K. (2018). Case Study Research and Applications: Design and Methods. SAGE Publications.
4. Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., & Wesslén, A. (2012). Experimentation in Software Engineering. Springer.
5. Basili, V. R., Caldiera, G., & Rombach, H. D. (1994). The Goal Question Metric Approach. Encyclopedia of Software Engineering, Wiley.
6. Glass, R. L., Ramesh, V., & Vessey, I. (2004). An Analysis of Research in Computing Disciplines. Communications of the ACM, 47(6).
7. Shaw, M. (2003). Writing Good Software Engineering Research Papers. Proceedings of the 25th International Conference on Software Engineering (ICSE).
8. Easterbrook, S., Singer, J., Storey, M.-A., & Damian, D. (2008). Selecting Empirical Methods for Software Engineering Research. In Guide to Advanced Empirical Software Engineering, Springer.
9. Kitchenham, B., & Charters, S. (2007). Guidelines for Performing Systematic Literature Reviews in Software Engineering. EBSE Technical Report.
10. Booth, W. C., Colomb, G. G., & Williams, J. M. (2016). The Craft of Research. University of Chicago Press.

---

Publicado por Maiquel Gomes — maiquelgomes.com.br