Novas Arquiteturas para Classificação e Regressão Extrínseca de Séries Temporais

• Processo: 25/07753-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 31 de agosto de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Gabriel da Costa Merlin
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Classificação Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Classificação | Regressão Extrínseca | Séries Temporais | Inteligência Artifical

Resumo

O avanço de tecnologias como Internet das Coisas, cidades inteligentes e manufatura 4.0tem impulsionado a geração de grandes volumes de séries temporais por meio de senso-res aplicados em domínios diversos, como saúde e indústria. Nesse contexto, tarefas declassificação e regressão extrínseca tornam-se cada vez mais relevantes para a extraçãode conhecimento a partir desses dados. Este projeto propõe investigar o uso de arqui-teturas recentes de aprendizado profundo - especialmente Kolmogorov-Arnold Networks(KAN), baseadas em representações funcionais, e Mamba, fundamentada em modelos deespaço de estados seletivos - aplicadas a essas tarefas. Serão desenvolvidas e avalia-das adaptações dessas arquiteturas, com foco em sua aplicabilidade e desempenho frentea modelos consolidados como redes neurais convolucionais e Transformers. A pesquisautilizará repositórios de referência (UCR e TSER) para validação experimental e buscacontribuir com o avanço de técnicas robustas e eficientes para análise de séries temporais.O projeto também prevê um estágio de pesquisa no exterior (BEPE), junto ao pesquisadorTony Bagnall (University of Southampton), especialista na área. (AU)