Classificação de séries temporais de única classe e com exemplos positivos e não rotulados

• Processo: 20/14344-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de março de 2021
• Data de Término da vigência: 31 de dezembro de 2021
• Área de 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 Aprendizado semissupervisionado Análise de séries temporais Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Semi-supervisionado | Classificação de Uma Classe | Séries Temporais | Aprendizado de Máquina

Resumo

A coleta de grandes volumes de dados temporais emergiu em diferentes domínios de aplicação. Uma forma de extrair conhecimento desses dados é pelo aprendizado de modelos de classificação. Um caso particular nesse contexto ocorre quando os dados de apenas umas classes do problema podem ser obtidas ou, devido a um especial interesse nessa classe, ela é a única que será rotulada. Esse cenário estabelece duas tarefas: classificação de única classe e aprendizado a partir de exemplos positivos e não rotulados. Apesar das suas relevâncias, essas tarefas são pouco exploradas no domínio das séries temporais. Nos poucos estudos em que isso acontece, as técnicas "clássicas'' de aprendizado de máquina são frequentemente utilizadas. Ademais, esses estudos avaliam seus métodos em aplicações específicas, mesmo com a disponibilidade de bases de dados de \textit{benchmarking} para classificação de séries temporais. Considerando esse contexto, o principal objetivo desta pesquisa é adaptar e avaliar a aplicabilidade de técnicas de classificação de séries temporais nas tarefas de classificação de única classe e aprendizado a partir de exemplos positivos e não rotulados. Para tanto, esta proposta é baseada na adaptação de métodos conhecidos e uma extensiva avaliação experimental.