Busca avançada
Ano de início
Entree

Proposta de uma abordagem com garantias teóricas para a detecção de mudanças de conceito em fluxos de dados

Processo: 17/16548-6
Modalidade de apoio:Bolsas no Exterior - Pesquisa
Vigência (Início): 01 de agosto de 2018
Vigência (Término): 31 de janeiro de 2019
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Rodrigo Fernandes de Mello
Beneficiário:Rodrigo Fernandes de Mello
Pesquisador Anfitrião: Albert Bifet
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Local de pesquisa: ParisTech, França  
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Aprendizado computacional
Palavra(s)-Chave do Pesquisador:fluxos de dados | mudanças de conceito | Aprendizado de Máquina

Resumo

Com o objetivo de modelar variações em fluxos de dados, diversos pesquisadores têm proposto novas abordagens voltadas para a detecção de mudanças de conceito (do inglês, concept drift). Um conceito é caracterizado por uma sequência de observações produzidas por um mesmo processo gerador. Pesquisadores estão interessados em detectar mudanças de conceito a fim de apoiar especialistas na tomada de decisões sobre os fenômenos que produziram tais fluxos. Atualmente, há duas principais linhas de pesquisa voltadas para a detecção de mudanças de conceito: a primeira é baseada em aprendizado supervisionado, enquanto a segunda em estratégias não supervisionadas. Ambas sofrem por não oferecer garantias para a detecção de mudanças de conceito uma vez que a primeira relaxa a premissa de independência dos dados, necessária devido ao Princípio de Minimização do Risco Empírico definido no contexto da Teoria do Aprendizado Estatístico, e a segunda falha por não contar com um arcabouço teórico de sustentação, logo detecções são muitas vezes provenientes da forma com que o algoritmo é parametrizado e não das alterações efetivas nos dados. A fim de abordar essas limitações, este projeto de pesquisa visa a formulação de um arcabouço teórico para garantir que detecções de mudanças de conceito em fluxos de dados sejam decorrentes de alterações provenientes das observações coletadas ao longo do tempo e não do simples acaso ou da parametrização de algoritmos. Além disso, deve-se projetar e desenvolver um algoritmo para a detecção de mudanças de conceito que respeite tal arcabouço teórico. Experimentos serão conduzidos utilizando transições entre fluxos de dados produzidos por diferentes processos geradores sintéticos, bem como por fluxos produzidos por fenômenos reais.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (7)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
NAZARE, TIAGO S.; PARANHOS DA COSTA, GABRIEL B.; DE MELLO, RODRIGO F.; PONTI, MOACIR A.; IEEE. Color quantization in transfer learning and noisy scenarios: an empirical analysis using convolutional networks. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., . (15/05310-3, 17/16548-6, 13/07375-0, 15/04883-0, 16/16111-4)
DUARTE, FELIPE S. L. G.; RIOS, RICARDO A.; HRUSCHKA, EDUARDO R.; DE MELLO, RODRIGO F.; IEEE. Time Series Decomposition Using Spring System Applied on Phase Spaces. 2018 7TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., . (13/07375-0, 14/21636-3, 17/16548-6)
DE MELLO, RODRIGO E.; MANAPRAGADA, CHAITANYA; BIFET, ALBERT. Measuring the Shattering coefficient of Decision Tree models. EXPERT SYSTEMS WITH APPLICATIONS, v. 137, p. 443-452, . (17/16548-6)
DE MELLO, RODRIGO F.; VAZ, YULE; GROSSI, CARLOS H.; BIFET, ALBERT. On learning guarantees to unsupervised concept drift detection on data streams. EXPERT SYSTEMS WITH APPLICATIONS, v. 117, p. 90-102, . (17/16548-6)
DUARTE, FELIPE S. L. G.; RIOS, RICARDO A.; HRUSCHKA, EDUARDO R.; DE MELLO, RODRIGO F.. Decomposing time series into deterministic and stochastic influences: A survey. DIGITAL SIGNAL PROCESSING, v. 95, . (17/16548-6, 13/07375-0, 14/21636-3)
DE MELLO, RODRIGO F.; RIOS, RICARDO A.; PAGLIOSA, PAULO A.; LOPES, CAIO S.. Concept drift detection on social network data using cross-recurrence quantification analysis. Chaos, v. 28, n. 8, . (17/16548-6, 13/07375-0)
VAZ, YULE; DE MELLO, RODRIGO FERNANDES; GROSSI FERREIRA, CARLOS HENRIQUE. Coarse-refinement dilemma: On generalization bounds for data clustering. EXPERT SYSTEMS WITH APPLICATIONS, v. 184, . (17/16548-6)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.