Classificação em fluxo de dados com mudança de conceito e latência de verificação extrema

Resumo

Apesar do grau relativamente alto de maturidade existente na área de pesquisa de aprendizado supervisionado em lote, na qual são utilizados dados originários de problemas estacionários, muitas aplicações reais lidam com fluxos de dados cujas propriedades se alteram com o tempo, ocasionando mudanças de conceito. Para tais aplicações, diversas pesquisas vêm sendo realizadas nos últimos anos com o objetivo de criar modelos precisos mesmo na presença de mudanças de conceito. A maioria delas, no entanto, assume que tão logo um evento seja classificado pelo algoritmo de aprendizado, seu rótulo verdadeiro se torna conhecido, mesmo com algum atraso. Este projeto pesquisa apresenta soluções em um novo paradigma, no qual os dados são adaptados aos conceitos originalmente aprendidos, sendo possível efetuar o aprendizado na presença de mudanças de conceito incrementais, mesmo na ausência de rótulos verdadeiros, mantendo alto desempenho tanto em acurácia quanto em custo computacional. Resultados parciais são promissores e demonstram que o paradigma descrito é viável. (AU)