Algoritmos Anytime para Classificação de Fluxos de Dados com Aplicação em Classificação de Insetos

• Processo: 13/16081-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de dezembro de 2013
• Data de Término da vigência: 30 de agosto de 2015
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Gustavo Enrique de Almeida Prado Alves Batista
• Beneficiário: Cristiano Inácio Lemes
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 14/14174-3 - Método para extração de conhecimento de fluxos de dados - algoritmo k- vizinhos mais próximos anytime incremental, BE.EP.MS
• Assunto(s): Aprendizado computacional Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Classificação Anytime | Classificação de Insetos | Entomologia Computacional | Inteligência Artificial

Resumo

Aprendizado de Máquina é uma das áreas de pesquisa mais influentes em Inteligência Artificial, com diversas aplicações práticas nos mais variados domínios. Inicialmente, as técnicas de Aprendizado de Máquina assumiam que o processamento poderia ser feito em lote. O processamento em lote possui o pressuposto de que o aprendizado e a classificação podem ser realizados sem maiores restrições de tempo de processamento. Mais recentemente, tem havido um interesse crescente em domínios de aplicação que geram dados em fluxos. O processamento em fluxo possui como principal característica a necessidade por respostas que atendam restrições severas de tempo. Por exemplo, um classificador aplicado a um fluxo de dados deve prover uma resposta a um determinado evento antes que o próximo evento ocorra. Caso isso não ocorra, alguns eventos do fluxo podem ficar sem classificação. Ainda mais desafiador é que muitos fluxos geram eventos em uma taxa de chegada com grande variabilidade, ou seja, o intervalo de tempo de ocorrência entre dois eventos sucessivos pode variar muito. Um exemplo de aplicação que possui as características de um fluxo de dados com tempo de chegada variável é a armadilha inteligente que estamos desenvolvendo. Essa armadilha utiliza um sensor para identificar e capturar espécies de insetos potencialmente perigosas para a agricultura e saúde pública. A classificação das espécies de insetos feitas a partir desta armadilha requer algoritmos capazes de prover respostas sob severas restrições de tempo de classificação e com grande variabilidade no tempo de chegada dos eventos. Uma maneira de lidar com essas restrições é por meio de classificadores anytime. Esses classificadores são capazes de prover respostas com tempo variável de processamento, por sua vez a qualidade da resposta aumenta em função desse tempo. Neste projeto, tem-se interesse em investigar métodos de classificação anytime que sejam capazes de lidar com fluxo de dados, aplicados na classificação de insetos. Nossa hipótese é que as versões anytime de alguns algoritmos tradicionais sejam capazes de prover algoritmos eficientes para classificação de fluxo de dados sem perda significativa de precisão. Os métodos pesquisados serão comparados com classificadores tradicionais em termos de desempenho de classificação. Os algoritmos anytime também serão comparados entre si tanto em termos de eficácia de classificação quanto eficiência de processamento em bases de dados reais como as coletadas a partir do sensor, e bases de benchmark.

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

LEMES, Cristiano Inácio. Algoritmos anytime baseados em instâncias para classificação em fluxo de dados. 2016. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.