Convolução cruzada para tarefas com séries temporais multivariadas

• Processo: 23/11775-5
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• 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: José Gilberto Barbosa de Medeiros Júnior
• 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: 23/02680-0 - Transferência de Aprendizado para Lidar com Heterogeneidade entre Dispositivos, BP.MS
• Assunto(s): Aprendizado computacional Aprendizagem profunda Análise de séries temporais Smartphone Dispositivos eletrônicos
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | mHealth | 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. Porém, a maioria das técnicas desenvolvidas são adaptadas de problemas univariados para multivariados, portanto, não estão totalmente adaptadas a séries multivariadas. Considerando este cenário, esta pesquisa irá propor um mecanismo de convolução cruzada adaptado para problemas de séries temporais capaz de capturar a relação estrutural e temporal dos dados. (AU)