Mineração multi-alvos em fluxos de dados

• Processo: 18/07319-6
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2018
• Data de Término da vigência: 31 de janeiro de 2023
• Área de 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
• Bolsa(s) vinculada(s): 21/10488-7 - Busca por vizinhos próximos de forma online, BE.EP.DR
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: concept drift | Data Stream | machine learning | Multi-target regression | Real-time applications | Time changing data | Aprendizado de máquina

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

(8)

(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)

CASSAR, R. DANIEL; MASTELINI, SAULO MARTIELLO; BOTARI, TIAGO; ALCOBACA, EDESIO; DE CARVALHO, C. P. L. F. ANDRE; ZANOTTO, D. EDGAR. Predicting and interpreting oxide glass properties by machine learning using large datasets. CERAMICS INTERNATIONAL, v. 47, n. 17, p. 23958-23972, SEP 1 2021. (18/14819-5, 13/07375-0, 17/12491-0, 13/07793-6, 18/07319-6)

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. (16/18615-0, 12/23114-9, 13/07375-0, 18/07319-6)

MASTELINI, SAULO MARTIELLO; CARVALHO, ANDRE CARLOS PONCE DE LEON FERREIRA DE. Using dynamical quantization to perform split attempts in online tree regressors. PATTERN RECOGNITION LETTERS, v. 145, p. 37-42, MAY 2021. (18/07319-6)

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. (13/07375-0, 18/07319-6)

MASTELINI, SAULO MARTIELLO; MONTIEL, JACOB; GOMES, HEITOR MURILO; BIFET, ALBERT; PFAHRINGER, BERNHARD; DE CARVALHO, ANDRE C. P. L. F.; XUE, B; PECHENIZKIY, M; KOH, YS. Fast and lightweight binary and multi-branch Hoeffding Tree Regressors. 21ST IEEE INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS ICDMW 2021, v. N/A, p. 9-pg., 2021-01-01. (18/07319-6)

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. (17/12491-0, 13/07375-0, 18/07319-6, 17/06161-7, 17/20265-0, 13/07793-6, 18/14819-5)

MASTELINI, SAULO MARTIELLO; CASSAR, DANIEL R.; ALCOBACA, EDESIO; BOTARI, TIAGO; DE CARVALHO, ANDRE C. P. L. F.; ZANOTTO, EDGAR D.. Machine learning unveils composition-property relationships in chalcogenide glasses. ACTA MATERIALIA, v. 240, p. 13-pg., 2022-09-09. (18/14819-5, 13/07793-6, 17/12491-0, 18/07319-6, 17/06161-7, 13/07375-0)

SANTANA, EVERTON JOSE; DOS SANTOS, FELIPE RODRIGUES; MASTELINI, SAULO MARTIELLO; MELQUIADES, FABIO LUIZ; BARBON JR, SYLVIO. Improved prediction of soil properties with multi-target stacked generalisation on EDXRF spectra. CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, v. 209, FEB 15 2021. (18/07319-6)

Publicações acadêmicas

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

MASTELINI, Saulo Martiello. Algoritmos incrementais e eficientes para árvores e regras de decisão e algoritmos baseados em proximidade. 2023. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.