Experimentando com estratégias baseadas em aprendizado profundo para lidar com tarefas multivariadas em séries temporais.

• Processo: 23/11745-9
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2023
• Data de Término da vigência: 29 de fevereiro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Andre Guarnier De Mitri
• Supervisor: Germain Forestier
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Université de Haute-Alsace, França
• Vinculado à bolsa: 23/05041-9 - Adaptação de Algoritmos de Classificação para Regressão de Séries Temporais, BP.IC
• Assunto(s): Aprendizagem profunda Dispositivos eletrônicos Análise multivariada Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Deep Learning | Regressão | Séries Temporais | Aprendizado de Máquina

Resumo

Com a crescente onipresença de smartphones, smartwatches e outros dispositivos capazes de coletar dados ao longo do tempo, os aplicativos que usam séries temporais como entrada, como monitoramento cardíaco e reconhecimento de atividade, tornaram-se cada vez mais populares. Vários desses cenários podem ser mapeados naturalmente como tarefas que envolvem séries temporais multivariadas. Assim, diversas técnicas de Aprendizado de Máquina aplicadas a séries temporais foram desenvolvidas. No entanto, a maioria das técnicas desenvolvidas para séries temporais multivariadas foram adaptadas de dados univariados. No entanto, não há diretrizes claras para escolher a melhor adaptação para classificação de séries temporais multivariadas de aprendizagem profunda e regressão extrínseca devido à falta de avaliação experimental padronizada. Considerando este cenário, esta pesquisa irá propor, implementar e executar um procedimento de avaliação experimental para avaliar diferentes técnicas de adaptação de redes neurais profundas projetadas para classificação e regressão de séries temporais univariadas para lidar com problemas multivariados. (AU)