Detecção de novidades para classificação de fluxos de dados multirrótulo

• Processo: 25/16355-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de abril de 2026
• Data de Término da vigência: 31 de março de 2027
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ricardo Cerri
• Beneficiário: Ricardo Cerri
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Município da Instituição Sede: São Carlos
• Vinculado ao auxílio: 22/02981-8 - Detecção de novidade em fluxos contínuos de dados multirrótulo, AP.PNGP.PI
• Assunto(s): Aprendizado ativo Classificação multirrótulo Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado Ativo | Classificacao Multirrotulo | Detecção de Novidade | fluxos contínuos de dados | Aprendizado de Máquina

Resumo

Os avanços tecnológicos geram enormes quantidades de dados diariamente, tornando o aprendizado de máquina mais desafiador, pois os modelos precisam se adaptar a fluxos rápidos, contínuos e dinâmicos. Esses desafios são abordados no aprendizado de fluxo de dados. Apesar da extensa literatura, a maioria dos trabalhos concentra-se em tarefas de saída única, como classificação binária, enquanto a classificação multirrótulo permanece pouco explorada. Um desafio fundamental nesse contexto é a detecção de novidades, visto que as distribuições de rótulos podem mudar ou novos rótulos podem surgir. Os métodos mais recentes na área pressupõem o surgimento de um novo rótulo se o modelo falhar em prever um rótulo para uma nova instância. No entanto, ele só consegue detectar um único rótulo emergente por vez, o que pode não ser realista, pois vários rótulos podem surgir ao mesmo tempo. Além disso, a maioria dos trabalhos pressupõe que os rótulos estarão imediatamente disponíveis. Ou seja, o modelo atual é avaliado e atualizado de acordo com o rótulo da nova instância, o que raramente ocorre em aplicações reais. Assim, neste projeto, desenvolveremos novos métodos de detecção de novidades para classificação de fluxo de dados multirrótulo. Ou seja, os novos métodos serão capazes de detectar a novidade e também adaptar seus classificadores para acomodar os rótulos emergentes. Além disso, abordaremos o problema de dados não rotulados investigando o aprendizado ativo, um subcampo do aprendizado de máquina que permite que modelos sejam construídos com menos dados, mas mais representativos. (AU)