Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 523
Aluno: Rohgi Toshio Meneses Chikushi
Orientador: Prof. Roberto Souto Maior de Barros
Co-orientadora: Profa. Marilú Gomes Netto Monte da Silva (UFPE/Eng. Biomédica)
Título: Aplicando Ferramentas de Análise de Séries Temporais não Lineares
para a Detecção e Mudanças de Conceito no Contexto do Aprendizado Adaptativo Supervisionado
Data: 25/08/2021
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Germano Crispim Vasconcelos (UFPE / Centro de Informática)
Prof. Paulo Mauricio Gonçalves Junior (IFPE )
Prof. Wilson Rosa de Oliveira Junior (UFRPE / Depto. de Estatística e Informática)
Prof. Jean Paul Barddal (PUC/PR / Escola Politécnica)
Prof. João Roberto Bertini Junior (UNICAMP / Faculdade de Tecnologia)
RESUMO:
Atualmente, algoritmos de Aprendizado de Máquina são aplicados em diversos domínios para a extração de informação em grandes volumes de dados. Apesar de modelos consolidados lidarem de forma efetiva com dados identicamente e independentemente distribuídos (i.i.d.), algoritmos aplicados a fluxos de dados devem lidar com distribuições não estacionárias. O desafio é manter um modelo de decisão atualizado, preciso e consistente, mesmo sujeito a mudanças nas distribuições de probabilidade dos dados, um fenômeno conhecido como mudança de conceito. Neste contexto, os algoritmos combinam um classificador e um detector para identificar mudanças na distribuição do erro das predições a fim de adaptar ou substituir rapidamente o modelo preditivo. Diversas propostas têm sido apresentadas na literatura para a detecção de mudanças de conceito com base na taxa de erro dos modelos preditivos. Em geral, a distribuição da taxa de erro fundamenta a maioria das abordagens baseadas em metodologias como a análise sequencial, o controle estatístico do processo, ou pelo monitoramento das distribuições por meio de janelas deslizantes, as quais assumem que os erros de predição são gerados de forma independente. Apesar da vasta aplicação desses detectores, estudos empíricos têm mostrado que a taxa de erro pode ser influenciada pela dependência temporal. Além disso, abordagens supervisionadas requerem dados rotulados, os quais podem ser difíceis de obter em muitas aplicações do mundo real. Nesta tese, ferramentas da Análise Não Linear de Séries Temporais foram utilizadas com o objetivo de prover detectores não restritos ao pressuposto de observações i.i.d., e mais apropriados para lidar com fluxos de dados sujeitos à dependência temporal.
Neste sentido, foram propostos três detectores: Spectral Entropy Drift Detector (SEDD), Permutation Entropy Drift Detector (PEDD), e Recurrence Quantification Analysis Drift Detector (RQADD). Também foi proposta uma abordagem de rotulação simbólica (Symbolic Labeling Adapter (SLA)) com o intuito de expandir a aplicação de modelos adaptativos supervisionados a domínios onde fluxos de dados não são rotulados, visando a detecção de mudanças de conceito. Diversos experimentos computacionais usando bases de dados reais e artificiais mostram que os detectores propostos foram competitivos na maioria dos cenários, e que a abordagem de rotulação é uma ferramenta promissora.
Palavras-chave: Aprendizado de Máquina. Fluxos de Dados. Mudança de
Conceito. Séries Temporais Não Lineares.
Comentários desativados