Distribuições não estacionárias e imprevisíveis em classificação e quantificação

Autor(es)

Denis Moreira dos Reis

• Tipo de documento: Tese de Doutorado
• Imprenta: São Carlos.
• Instituição: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB)
• Data de defesa: 2020-04-08

Membros da banca

Elaine Parros Machado de Sousa; Renato Martins Assunção; Robson Leonardo Ferreira Cordeiro; Fabrício Enembreck

• Orientador: Gustavo Enrique de Almeida Prado Alves Batista; Elaine Parros Machado de Sousa

Resumo

Nos últimos anos, é crescente a preocupação da academia com dados não estacionários. Por um lado, diferenças entre as distribuições dos dados disponíveis em laboratório, para treino e avaliação, e dos dados encontrados posteriormente, após implantação dos modelos para uso prático na aplicação, levam ao decréscimo de performance em diversas tarefas, como classificação. Por outro, em outras tarefas, como quantificação, há o interesse explícito em mensurar como a distribuição dos dados se altera ao longo do tempo. Em quaisquer casos, porém, é comum a existência de premissas que tornam as soluções disponíveis ao mesmo tempo possíveis em seus campos de estudo, e impráticas para aplicações reais. Esta tese de doutorado propõe soluções com premissas menos restritivas e/ou mais realistas, que possibilitem seu emprego em aplicações reais. Na área de detecção de mudança de conceito, são introduzidas técnicas de detecção não supervisionada que possibilitam classificação e quantificação sem a necessidade de requisitar rótulos verdadeiros após implantação do modelo. Em quantificação, é iniciada uma nova sub-área de pesquisa, one-class quantification. De forma similar à one-class classification, em one-class quantification não é assumida uma distribuição particular para a classe negativa, sendo considerada, portanto, imprevisível. Os resultados obtidos pela avaliação experimental empregada são promissores e demonstram a viabilidade de alternativas mais focadas em solucionar os problemas existentes em aplicações do mundo real. (AU)

• Processo FAPESP: 17/22896-7 - Detecção de Contexto Não-Supervisionada em Fluxos de Dados para Classificação
• Beneficiário: Denis Moreira dos Reis
• Modalidade de apoio: Bolsas no Brasil - Doutorado