Aprendizado de representação baseado em stacked autoencoders para dados temporais e trajetórias

• Processo: 19/06080-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de julho de 2019
• Vigência (Término): 31 de agosto de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Yuri Gabriel Aragão da Silva
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Sensores Banco de dados temporais Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | autoencoder | Dados temporais | Aprendizado de Máquina

Resumo

Com o desenvolvimento de sensores móveis, aplicações que coletam grandes volumes de dados temporais têm surgido em diferentes domínios de conhecimento. Em diversas dessas aplicações, a utilização de algoritmos para encontrar padrões frequentes e anômalos é uma alternativa para se obter conhecimento a partir de dados. Em se tratando de dados temporais de alta dimensão, a literatura aponta que medidas de similaridade mais adequadas para diversas aplicações possuem alta complexidade computacional. Duas opções nesse contexto são utilizar medidas de distância menos custosas ou aproximações, o que pode afetar negativamente os resultados obtidos. Como modo de contornar esse problema, este projeto propõe a utilização de autoencoders para se aprender representações reduzidas de séries temporais, a fim de melhorar a escalabilidade de algoritmos de descoberta de padrões baseados em similaridade sem causar perda significativa de qualidade dos resultados.

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)

ARAGAO DA SILVA, YURI GABRIEL; SILVA, DIEGO FURTADO; WU, XT; JERMAINE, C; XIONG, L; HU, XH; KOTEVSKA, O; LU, SY; XU, WJ; ALURU, S; et al. On Convolutional Autoencoders to Speed Up Similarity-Based Time Series Mining. 2020 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA), v. N/A, p. 10-pg., 2020-01-01. (19/06080-2, 17/24340-6)