Busca avançada
Ano de início
Entree

Detecção de novidades por aprendizado de máquina

Processo: 15/03355-0
Modalidade de apoio:Bolsas no Brasil - Pós-Doutorado
Data de Início da vigência: 01 de agosto de 2015
Data de Término da vigência: 31 de julho de 2017
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:André Carlos Ponce de Leon Ferreira de Carvalho
Beneficiário:Isvani Inocencio Frías Blanco
Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
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:aplicações industriais | Aprendizado de Máquina | Detecção de Novidade | Fluxo contínuo de dados | aprendizado de maquina

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.

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

Publicações científicas
(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)
VERDECIA-CABRERA, ALBERTO; BLANCO, ISVANI FRIAS; CARVALHO, ANDRE C. P. L. F.. An online adaptive classifier ensemble for mining non-stationary data streams. Intelligent Data Analysis, v. 22, n. 4, p. 787-806, . (15/03355-0, 13/07375-0)
FRIAS-BLANCO, ISVANI; DEL CAMPO-AVILA, JOSE; RAMOS-JIMENEZ, GONZALO; CARVALHO, ANDRE C. P. L. F.; ORTIZ-DIAZ, AGUSTIN; MORALES-BUENO, RAFAEL. Online adaptive decision trees based on concentration inequalities. KNOWLEDGE-BASED SYSTEMS, v. 104, p. 179-194, . (15/03355-0)