Busca avançada
Ano de início
Entree

Recuperação de séries temporais baseada em aprendizado não supervisionado

Processo: 22/01359-1
Modalidade de apoio:Bolsas no Brasil - Mestrado
Data de Início da vigência: 01 de abril de 2022
Data de Término da vigência: 17 de junho de 2024
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Daniel Carlos Guimarães Pedronette
Beneficiário:Bionda Rozin
Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
Vinculado ao auxílio:18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
Bolsa(s) vinculada(s):23/08087-0 - Representações de séries temporais baseadas em grafos e em modelos de transferência de aprendizado, BE.EP.MS
Assunto(s):Análise de séries temporais   Recuperação da informação   Análise de dados   Aprendizado de máquina não supervisionado   Estudo comparativo
Palavra(s)-Chave do Pesquisador:Recuperação | Séries Temporais | Recuperação de Informação

Resumo

Muitas aplicações em ciência, comércio eletrônico e monitoramento de vigilância dependem do registro de informações de sensores em intervalos de tempo regulares. Como consequência, os dados de séries temporais vêm crescendo tremendamente. Essa massiva produção de dados requer gerenciamento para armazenamento e recuperação. Assim, a pesquisa de similaridade em dados de séries temporais é um requisito típico para tais bancos de dados. Além da modelagem de séries temporais, a medida de similaridade adotada para comparar diferentes séries temporais também desempenha um papel importante, afetando diretamente a qualidade dos resultados obtidos. As soluções tradicionais geralmente realizam apenas análises de pares, ou seja, a medida de similaridade considera apenas as informações fornecidas pelos pares de séries temporais que estão sendo comparadas. Nesse cenário, os relacionamentos entre os objetos modelados pela série temporal não são considerados. Portanto, a estrutura intrínseca da coleção é ignorada. No contexto deste projeto, pretendemos considerar: (i) Uso de métodos de aprendizado não supervisionado para aumentar a eficácia das tarefas de recuperação de séries temporais considerando informações contextuais e relacionamentos entre itens de dados; (ii) Estudo comparativo considerando diferentes métodos de aprendizado não supervisionado para recuperação de séries temporais. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)