Busca avançada
Ano de início
Entree

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

Processo: 17/16548-6
Linha de fomento:Bolsas no Exterior - Pesquisa
Vigência (Início): 01 de agosto de 2018
Vigência (Término): 31 de janeiro de 2019
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Rodrigo Fernandes de Mello
Beneficiário:Rodrigo Fernandes de Mello
Anfitrião: Albert Bifet
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Local de pesquisa : ParisTech, França  
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Aprendizado computacional

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
(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. Citações Web of Science: 0.
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. Citações Web of Science: 0.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.