Ponderação automática de algoritmos de classificação de séries temporais baseados em conjunto

• Processo: 22/12498-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Vigência (Início): 21 de novembro de 2022
• Vigência (Término): 20 de março de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Anderson Henrique Giacomini
• Supervisor: Anthony Bagnall
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Local de pesquisa: University of East Anglia (UEA), Inglaterra
• Vinculado à bolsa: 22/00302-6 - Meta-aprendizado para a escolha de algoritmos e de características para a classificação de séries temporais, BP.IC
• Assunto(s): Aprendizado computacional Meta-aprendizado computacional Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Meta-Aprendizado | Séries Temporais | Aprendizado de Máquina

Resumo

Dados de séries temporais estão se tornando onipresentes em nossas tarefas diárias. A crescente coleta de dados observados ao longo do tempo também aumentou o número de técnicas para classificação de séries temporais. Nesse cenário, quando um pesquisador ou praticante precisa de uma solução de classificação, há uma vasta gama de opções de algoritmos a serem aplicados. Quando apenas um algoritmo é escolhido, seu desempenho pode não alcançar resultados satisfatórios para a resolução do problema. No entanto, métodos baseados em ensemble tentam reduzir o impacto de uma má escolha de um algoritmo, evitando que uma escolha errada de algoritmo domine a classificação. Por exemplo, HIVE-COTE 2.0 é um meta-conjunto que usa conjuntos ponderados de diferentes categorias de algoritmos de classificação onde a contribuição de cada categoria para a decisão final depende de sua precisão estimada por meio de validação cruzada no conjunto de treinamento. Esta etapa de estimativa de peso é um gargalo relevante para o uso do HIVE-COTE 2.0 para grandes volumes de dados. Nesse contexto, para contornar esse gargalo, propomos o uso de modelos simples baseados em meta-aprendizagem para estimar de forma automática e eficiente os pesos dos algoritmos do HIVE-COTE 2.0. (AU)