Meta-aprendizado para a escolha de algoritmos e de características para a classificação de séries temporais

• Processo: 22/00302-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2022
• Data de Término da vigência: 28 de maio de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Anderson Henrique Giacomini
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 22/12498-2 - Ponderação automática de algoritmos de classificação de séries temporais baseados em conjunto, BE.EP.IC
• Assunto(s): Aprendizado computacional Redes neurais convolucionais Validação cruzada Análise de séries temporais Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Meta-Aprendizado | Séries Temporais | Aprendizado de Máquina

Resumo

Devido à crescente coleta de dados observados ao longo do tempo, séries temporais estão se tornando um tipo de dados onipresente no dia a dia dos seres humanos. Esse fato também causou um significativo aumento do número de técnicas para classificação de séries temporais nas últimas décadas. Nesse cenário, quando um pesquisador ou desenvolvedor precisa de uma solução baseada em um modelo de classificação, há uma ampla gama de opções de algoritmos a serem aplicados. Quando apenas um algoritmo é escolhido, seu desempenho pode não atingir resultados satisfatórios para o problema a ser resolvido. Mesmo métodos baseados em conjuntos, que tentam reduzir os impactos de uma escolha ruim do algoritmo, podem falhar em conjuntos de dados específicos. Portanto, a alternativa mais segura é realizar procedimentos de validação cruzada para orientar a escolha do algoritmo de classificação. Essa abordagem geralmente garante uma boa escolha, mas é muito cara computacionalmente. Neste contexto, propomos a criação de modelos de recomendação para algoritmos de classificação de séries temporais baseados em meta-aprendizado. A ideia por trás dessa proposta é descrever problemas (conjuntos de dados) analisados anteriormente, a fim de induzir meta-modelos de forma eficiente por meio de algoritmos de Aprendizado de Máquina. Esses meta-modelos serão utilizados para recomendar algoritmos de classificação para novos conjuntos de dados a fim de se evitar um procedimento muito custoso para a seleção. O meta-aprendizado será avaliado em dois níveis: seleção de um único algoritmo de classificação e seleção de parâmetros para compor um algoritmo baseado em extração de características por meio de kernels convolucionais aleatórios.(AU)