Busca avançada
Ano de início
Entree

Mineração multi-alvos em fluxos de dados

Processo: 18/07319-6
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de agosto de 2018
Vigência (Término): 31 de julho de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:André Carlos Ponce de Leon Ferreira de Carvalho
Beneficiário:Saulo Martiello Mastelini
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Aprendizado computacional

Resumo

A quantidade de informações disponíveis aumentou grandemente nos últimos anos. O desenvolvimento de novas tecnologias e meios rápidos e baratos de comunicação impulsionaram esse fenômeno. Abordagens tradicionais de aprendizado de máquina, i.e., aprendizado em lote, se tornaram inadequadas em cenários onde, potencialmente, fluxos infinitos de informação podem existir. Assim, novas técnicas foram desenvolvidas para esse tipo de problema, tratando os dados de entrada como fluxos de informações. No entanto, a pesquisa em fluxos de dados ainda é um campo emergente, constantemente buscando soluções balanceadas entre a eficiência preditiva e o baixo custo computacional. Dessa forma, poucos trabalhos dessa área de pesquisa consideraram problemas preditivos mais sofisticados, como por exemplo, a predição de múltiplas saídas estruturadas. Dentre esses problemas, a área de pesquisa em regressão multi alvos foi reportada como um desafio existente e em aberto no contexto de fluxos de dados. As poucas soluções existentes nessa área empregaram técnicas que foram derivadas de problemas de classificação em tempo real, em sua maioria. No entanto, novas técnicas para classificação em tempo real foram propostas nos últimos anos, sendo elas passíveis de posterior adaptação. Além disso, novas soluções podem ser desenvolvidas, utilizando como base o conhecimento derivado das técnicas mais atuais para regressão multi alvos em lotes, bem como a exploração adicional das possíveis intercorrelações entre os alvos nesses tipos de problemas.

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)
MASTELINI, SAULO MARTIELLO; SANTANA, EVERTON JOSE; CERRI, RICARDO; BARBON JR, SYLVIO. DSTARS: A multi-target deep structure for tracking asynchronous regressor stacking. APPLIED SOFT COMPUTING, v. 91, JUN 2020. Citações Web of Science: 0.
ALCOBACA, EDESIO; MASTELINI, SAULO MARTIELLO; BOTARI, TIAGO; PIMENTEL, BRUNO ALMEIDA; CASSAR, DANIEL ROBERTO; DE LEON FERREIRA DE CARVALHO, ANDRE CARLOS PONCE; ZANOTTO, EDGAR DUTRA. Explainable Machine Learning Algorithms For Predicting Glass Transition Temperatures. ACTA MATERIALIA, v. 188, p. 92-100, APR 15 2020. Citações Web of Science: 0.
AGUIAR, GABRIEL JONAS; MANTOVANI, RAFAEL GOMES; MASTELINI, SAULO M.; DE CARVALHO, ANDRE C. P. F. L.; CAMPOS, GABRIEL F. C.; BARBON JUNIOR, SYLVIO. A meta-learning approach for selecting image segmentation algorithm. PATTERN RECOGNITION LETTERS, v. 128, p. 480-487, DEC 1 2019. Citações Web of Science: 0.

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