Detecção de novidades por aprendizado de máquina

Resumo

Técnicas tradicionais de classificação de dados baseiam-se essencialmente na premissa de que a distribuição futura dos dados permanecerá consistente à distribuição disposta no conjunto de treinamento, i.e., a distribuição dos dados é estacionária ao longo do tempo. No entanto, ao longo dos últimos anos, cada vez mais novas aplicações precisam processar um volume crescente de dados. Neste cenário raramente tal premissa é satisfeita; a distribuição futura dos dados frequentemente é alterada e o fluxo contínuo de dados associa altos custos com processamento e memória. Um problema relacionado à classificação de dados, particular ao processamento de fluxo de dados não estacionários, consiste em identificar novas classes ao longo do fluxo de dados - uma tarefa chamada detecção de novidades. Neste contexto, algoritmos de detecção de novidades devem apresentar algumas características essenciais, tais como, processar uma instância de dado uma única vez, garantir estabilidade na precisão de classificação e apresentar baixos custos com processamento e memória. Em vista deste recente cenário, este trabalho propõe investigar métodos do estado da arte sobre detecção de novidades bem como propor novos modelos. Os métodos estudados e desenvolvidos deverão ser testados em aplicações industriais reais, tais como monitoramento e controle.