Representações de séries temporais baseadas em grafos e em modelos de transferência de aprendizado

• Processo: 23/08087-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de outubro de 2023
• Data de Término da vigência: 17 de dezembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Bionda Rozin
• Supervisor: Ricardo da Silva Torres
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Instituição Anfitriã: Wageningen University & Research, Holanda
• Vinculado à bolsa: 22/01359-1 - Recuperação de séries temporais baseada em aprendizado não supervisionado, BP.MS
• Assunto(s): Recuperação da informação Redes neurais (computação) Transferência de aprendizado de máquina Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Feature Extraction | graph | Information Retrieval | neural networks | Time Series | Transfer Learning | Machine Learning

Resumo

Com a ampla aplicabilidade das séries temporais em diversos domínios, como medicina, agricultura, economia e ciência, a necessidade de analisar e processar esses dados tem aumentado significativamente. A recuperação de informações aplicada às séries temporais desempenha um papel crucial na identificação de padrões e na classificação de dados com base em similaridade, tornando-se um aspecto fundamental nessa área. Tarefas de aprendizado de máquina, como recuperação de informações, classificação e clustering, dependem fortemente de representações computacionais eficientes dos dados para obter resultados mais precisos e conclusões bem fundamentadas. Portanto, um dos principais desafios nesse campo é encontrar representações eficientes para as séries temporais. Neste projeto, nosso principal objetivo é explorar abordagens inovadoras para a representação de séries temporais. Pretendemos modelar problemas utilizando técnicas baseadas em grafos, bem como obter uma representação multivariada das séries temporais, decompondo cada dimensão e tratando-a como uma série temporal univariada. Em seguida, realizaremos uma tarefa de agregação, combinando cada representação em uma única resultante. Além disso, buscaremos desenvolver um extrator de características para séries temporais utilizando métodos de aprendizado profundo, baseados nos progressos alcançados na extração de características de imagens utilizando Redes Neurais Convolucionais (CNNs). Essa tarefa em particular é esperada como o aspecto mais desafiador do nosso projeto. Ao abordar esses objetivos, pretendemos avançar no campo da análise de séries temporais e contribuir para o desenvolvimento de técnicas mais robustas e eficazes para tarefas de aprendizado de máquina na área. (AU)