Proposta de uma abordagem com garantias teóricas para a detecção de mudanças de conceito em fluxos de dados

• Processo: 17/16548-6
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de agosto de 2018
• Data de Término da vigência: 31 de janeiro de 2019
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Rodrigo Fernandes de Mello
• Beneficiário: Rodrigo Fernandes de Mello
• Pesquisador Anfitrião: Albert Bifet
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: ParisTech, França
• 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: fluxos de dados | mudanças de conceito | Aprendizado de Máquina

Resumo

Com o objetivo de modelar variações em fluxos de dados, diversos pesquisadores têm proposto novas abordagens voltadas para a detecção de mudanças de conceito (do inglês, concept drift). Um conceito é caracterizado por uma sequência de observações produzidas por um mesmo processo gerador. Pesquisadores estão interessados em detectar mudanças de conceito a fim de apoiar especialistas na tomada de decisões sobre os fenômenos que produziram tais fluxos. Atualmente, há duas principais linhas de pesquisa voltadas para a detecção de mudanças de conceito: a primeira é baseada em aprendizado supervisionado, enquanto a segunda em estratégias não supervisionadas. Ambas sofrem por não oferecer garantias para a detecção de mudanças de conceito uma vez que a primeira relaxa a premissa de independência dos dados, necessária devido ao Princípio de Minimização do Risco Empírico definido no contexto da Teoria do Aprendizado Estatístico, e a segunda falha por não contar com um arcabouço teórico de sustentação, logo detecções são muitas vezes provenientes da forma com que o algoritmo é parametrizado e não das alterações efetivas nos dados. A fim de abordar essas limitações, este projeto de pesquisa visa a formulação de um arcabouço teórico para garantir que detecções de mudanças de conceito em fluxos de dados sejam decorrentes de alterações provenientes das observações coletadas ao longo do tempo e não do simples acaso ou da parametrização de algoritmos. Além disso, deve-se projetar e desenvolver um algoritmo para a detecção de mudanças de conceito que respeite tal arcabouço teórico. Experimentos serão conduzidos utilizando transições entre fluxos de dados produzidos por diferentes processos geradores sintéticos, bem como por fluxos produzidos por fenômenos reais.

Publicações científicas

(7)

(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)

DE MELLO, RODRIGO F.; VAZ, YULE; GROSSI, CARLOS H.; BIFET, ALBERT. On learning guarantees to unsupervised concept drift detection on data streams. EXPERT SYSTEMS WITH APPLICATIONS, v. 117, p. 90-102, MAR 1 2019. (17/16548-6)

DE MELLO, RODRIGO F.; RIOS, RICARDO A.; PAGLIOSA, PAULO A.; LOPES, CAIO S.. Concept drift detection on social network data using cross-recurrence quantification analysis. Chaos, v. 28, n. 8, AUG 2018. (17/16548-6, 13/07375-0)

DUARTE, FELIPE S. L. G.; RIOS, RICARDO A.; HRUSCHKA, EDUARDO R.; DE MELLO, RODRIGO F.. Decomposing time series into deterministic and stochastic influences: A survey. DIGITAL SIGNAL PROCESSING, v. 95, DEC 2019. (17/16548-6, 13/07375-0, 14/21636-3)

DE MELLO, RODRIGO E.; MANAPRAGADA, CHAITANYA; BIFET, ALBERT. Measuring the Shattering coefficient of Decision Tree models. EXPERT SYSTEMS WITH APPLICATIONS, v. 137, p. 443-452, DEC 15 2019. (17/16548-6)

NAZARE, TIAGO S.; PARANHOS DA COSTA, GABRIEL B.; DE MELLO, RODRIGO F.; PONTI, MOACIR A.; IEEE. Color quantization in transfer learning and noisy scenarios: an empirical analysis using convolutional networks. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., 2018-01-01. (15/05310-3, 17/16548-6, 13/07375-0, 15/04883-0, 16/16111-4)

DUARTE, FELIPE S. L. G.; RIOS, RICARDO A.; HRUSCHKA, EDUARDO R.; DE MELLO, RODRIGO F.; IEEE. Time Series Decomposition Using Spring System Applied on Phase Spaces. 2018 7TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), v. N/A, p. 6-pg., 2018-01-01. (13/07375-0, 14/21636-3, 17/16548-6)

VAZ, YULE; DE MELLO, RODRIGO FERNANDES; GROSSI FERREIRA, CARLOS HENRIQUE. Coarse-refinement dilemma: On generalization bounds for data clustering. EXPERT SYSTEMS WITH APPLICATIONS, v. 184, DEC 1 2021. (17/16548-6)