Classificação multirrótulo em fluxo contínuo de dados

• Processo: 17/11513-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de março de 2018
• Data de Término da vigência: 01 de julho de 2019
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
• Pesquisador responsável: Ricardo Cerri
• Beneficiário: Joel David Costa Júnior
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 18/11321-6 - Avaliação de algoritmos de detecção de novidade para classificação multirrótulo em fluxos contínuos de dados, BE.EP.MS
• Assunto(s): Aprendizado computacional Mineração de dados Fluxo de dados Classificação hierárquica multirrótulo
• Palavra(s)-Chave do Pesquisador: Classificacao Multirrotulo | Detecção de Novidade | Evolução de Conceitos | Fluxo contínuo de dados | Aprendizado de Máquina e Mineração de Dados

Resumo

Fluxo contínuo de dados (FCDs) são sequências de dados de tamanho ilimitado, geradas de forma contínua, não-estacionária, e em muitos casos, em alta velocidade. Detecção de novidade é uma tarefa de classificação que consiste em reconhecer que um exemplo ou conjunto de exemplos em um fluxo de dados diferem significativamente de conceitos conhecidos. Essa é uma importante tarefa para FCDs, principalmente porque novos conceitos podem aparecer, desaparecer ou evoluir ao longo do tempo (evolução de conceito). O MINAS é um algoritmo de detecção de novidades em FCD que considera a tarefa de classificação como multi-classe e é capaz de detectar os tipos de mudanças citadas anteriormente. A maioria das aplicações envolvendo FCDs abordam problemas multirrótulo, no entanto, na literatura há poucos trabalhos sobre classificação multirrótulo em FCDs. Com isso, o objetivo deste projeto é adaptar o algoritmo MINAS para classificação multirrótulo considerando mudanças e evoluções de conceitos. Além disso, técnicas que reconheçam dependências entre rótulos serão estudadas para melhorar a performance do classificador. Os métodos propostos serão comparados com os existentes na literatura e avaliados por meio de medidas de metodologias específicas para problemas de classificação multirrótulo e detecção de evolução de conceitos. (AU)

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)

COSTA JUNIOR, JOEL D.; FARIA, ELAINE R.; SILVA, JONATHAN A.; GAMA, JOAO; CERRI, RICARDO; IEEE. Pruned Sets for Multi-Label Stream Classification without True Labels. 2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 8-pg., 2019-01-01. (17/11513-0, 18/11321-6)