Invariância à complexidade em classificação, agrupamento e descoberta de motifs em séries temporais

• Processo: 12/07295-3
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de julho de 2012 - 30 de junho de 2014
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Gustavo Enrique de Almeida Prado Alves Batista
• Beneficiário: Gustavo Enrique de Almeida Prado Alves Batista
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Pesquisadores associados: Eamonn John Keogh ; Ronaldo Cristiano Prati ; Solange Oliveira Rezende
• Auxílios(s) vinculado(s): 13/50379-6 - Research on geo-spatial marine biology data mining using time series, text mining and visualization, AP.R
• Assunto(s): Inteligência artificial Aprendizado computacional Algoritmos Invariantes Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Complexidade | Inteligência Artificial | Invariância | medidas de distância | Séries Temporais | Aprendizado de Máquina

Resumo

Há recentemente um crescente interesse no processamento de séries temporais devido a grande quantidade de domínios de aplicação que geram dados com essa característica. Esse interesse pode ser medido pela vasta quantidade de métodos recentemente propostos na literatura para tarefas como classificação, agrupamento, sumarização, detecção de anomalias e descoberta de motifs. Estudos recentes têm mostrado que para muitos problemas, os métodos baseados em similaridade apresentam uma eficácia difícil de ser superada, mesmo por métodos mais sofisticados. Isso se deve em grande parte pelo fato de que a comunidade tem estudado e proposto diversas invariâncias para medidas de distância entre séries temporais. As invariâncias fazem com que as medidas de distância ignorem determinadas características indesejadas dos dados. O exemplo mais conhecido é a invariância às diferenças locais na escala de tempo, obtida pela técnica de warping. Outras invariâncias incluem a invariância às diferenças de amplitude e offset, fase e oclusão. Recentemente foi demonstrado à comunidade científica que métodos de classificação de séries temporais por similaridade podem ser muito beneficiados por uma nova invariância: invariância à complexidade. O principal objetivo deste projeto de pesquisa é investigar novas medidas de distância invariantes à complexidade e avaliar o quanto essas medidas podem melhorar a eficácia, sobretudo de algoritmos de agrupamento e descoberta de motifs. (AU)

Publicações científicas

(4)

(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)

BATISTA, GUSTAVO; SILVA, DIEGO; PRATI, RONALDO; WANI, MA; KHOSHGOFTAAR, T; ZHU, X; SELIYA, N. An Experimental Design to Evaluate Class Imbalance Treatment Methods. 2012 11TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA 2012), VOL 2, v. N/A, p. 7-pg., 2012-01-01. (12/07295-3, 11/04054-2)

BATISTA, GUSTAVO E. A. P. A.; KEOGH, EAMONN J.; TATAW, OBEN MOSES; DE SOUZA, VINICIUS M. A.. CID: an efficient complexity-invariant distance for time series. DATA MINING AND KNOWLEDGE DISCOVERY, v. 28, n. 3, p. 634-669, MAY 2014. (09/06349-0, 12/07295-3)

PRATI, RONALDO C.; BATISTA, GUSTAVO E. A. P. A.; SILVA, DIEGO F.. Class imbalance revisited: a new experimental setup to assess the performance of treatment methods. KNOWLEDGE AND INFORMATION SYSTEMS, v. 45, n. 1, p. 247-270, OCT 2015. (12/07295-3)

SILVA, DIEGO FURTADO; ALVES DE SOUZA, VINICIUS MOURAO; PRADO ALVES BATISTA, GUSTAVO ENRIQUE DE ALMEIDA. A comparative study between MFCC and LSF coefficients in automatic recognition of isolated digits pronounced in Portuguese and English. ACTA SCIENTIARUM-TECHNOLOGY, v. 35, n. 4, p. 621-628, 2013. (11/04054-2, 12/07295-3, 11/17698-5, 12/50714-7)