Busca avançada
Ano de início
Entree

Adaptação de Algoritmos de Classificação para Regressão de Séries Temporais

Processo: 23/05041-9
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de maio de 2023
Vigência (Término): 31 de julho de 2024
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Diego Furtado Silva
Beneficiário:Andre Guarnier De Mitri
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:22/03176-1 - Aprendizado de máquina para séries temporais em aplicações de mHealth, AP.PNGP.PI
Bolsa(s) vinculada(s):23/11745-9 - Experimentando com estratégias baseadas em aprendizado profundo para lidar com tarefas multivariadas em séries temporais., BE.EP.IC
Assunto(s):Aprendizado computacional   Aprendizagem profunda   Regressão   Análise de séries temporais
Palavra(s)-Chave do Pesquisador:Aprendizado de Máquina | Deep Learning | Regressão | Séries Temporais | Aprendizado de Máquina

Resumo

Com o crescente interesse em séries temporais nas últimas décadas, que vem se intensificando nos últimos anos, pesquisadores propuseram dezenas de algoritmos específicos para a classificação e forecasting de séries temporais. No entanto, há ainda uma grande demanda de técnicas associadas à regressão extrínseca de séries temporais. Por "extrínseca", entende-se que o alvo da predição é um valor externo à série, ao contrário do que acontece com o forecasting. Por exemplo, ao considerar séries temporais de sinais fisiológicos, a regressão extrínseca teria por objetivo estimar parâmetros clínicos, como a saturação de oxigênio no sangue. Dado que a regressão extrínseca é uma tarefa muito importante no contexto do projeto em que este trabalho se inclui e considerando a falta de algoritmos para essa tarefa, esta atividade irá identificar os mecanismos utilizados na construção de algoritmos de classificação de séries temporais e adaptá-los à tarefa de regressão. Devido ao recente avanço de aprendizado profundo na tarefa de classificação de séries temporais, este trabalho terá como principal foco a análise de arquiteturas neurais no contexto de regressão extrínseca. Serão analisadas vantagens e desvantagens de diferentes abordagens, a fim de se definir guidelines para a utilização dessas redes na tarefa pesquisada.

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)