Modelos neurais com recursos limitados para classificação de séries temporais e regressão extrínseca

• Processo: 24/09747-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 30 de setembro de 2026
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Diego Furtado Silva
• Pesquisador Responsável no exterior: Gustavo Enrique de Almeida Prado Alves Batista
• Instituição Parceira no exterior: University of New South Wales (UNSW), Austrália
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Pesquisadores associados: Ricardo Cerri ; Ricardo Marcondes Marcacini
• Vinculado ao auxílio: 22/03176-1 - Aprendizado de máquina para séries temporais em aplicações de mHealth, AP.PNGP.PI
• Assunto(s): Inteligência artificial Redes neurais (computação) Análise de séries temporais Saúde
• Palavra(s)-Chave do Pesquisador: IA na Saúde | Redes Neurais Artificiais | Redução de modelos | Inteligência Artificial

Resumo

As séries temporais tornaram-se um tipo de dado fundamental em muitas aplicações, dada a crescente ubiquidade de dispositivos capazes de coletar e armazenar dados temporais. Os avanços mais notáveis em aprendizado de máquina para séries temporais estão na proposta de arquiteturas de aprendizado profundo. No entanto, essas redes neurais geralmente dependem de um enorme número de parâmetros, o que as torna computacionalmente dispendiosas. Por outro lado, muitas aplicações práticas dependem de modelos de baixo custo devido a limitações de hardware. Nesse cenário, este projeto de pesquisa propõe investigar diferentes técnicas para construir modelos neurais com restrições de recursos para classificação e regressão extrínseca de séries temporais. Em particular, a saúde é o principal domínio de aplicação de interesse nesta pesquisa. (AU)