Classificação em fluxo de dados: lidando com anomalias, novidades e escassez de dados rotulados

Resumo

Técnicas tradicionais de aprendizado de máquina aplicadas à classificação de dados baseiam-se essencialmente na premissa de que a distribuição dos dados é estacionária ao longo do tempo. No entanto, recentes avanços em hardware e software têm permitido a aquisição de enormes volumes de dados e de maneira contínua. Esse fenômeno deu origem a uma nova variedade de aplicações que necessitam processar um fluxo ininterrupto de dados em alta velocidade. Nesse cenário, raramente tal premissa é satisfeita; a distribuição dos dados é frequentemente alterada ao longo do tempo, e o fluxo contínuo dos dados implica em altos custos com processamento e memória. A classificação automática em domínios de dados com distribuição não estacionária somente é viável mediante a atualização constante do classificador, o que demanda dados rotulados referentes à nova distribuição. No entanto, no contexto de fluxo de dados, o processo de rotulagem torna-se recorrente e associa altos custos à aplicação. Além da atualização constante, a autonomia do classificador depende de mecanismos para diferenciar novidades - ou novo conhecimento que deve ser incorporado ao modelo - de anomalias - ou dados irrelevantes que devem ser descartados. Todavia, apenas recentemente e de forma muito restrita, esses problemas têm sido considerados. Este projeto, portanto, visa a contribuir com a pesquisa de algoritmos de classificação em fluxo de dados, focando nos problemas de escassez de dados rotulados e de detecção de novidades. O projeto considera aplicações reais e, como resultado, espera-se desenvolver métodos que possibilitem maximizar a autonomia do sistema classificador e minimizar a necessidade de dados rotulados. (AU)