Mineração multi-alvos em fluxos de dados

Resumo

A quantidade de informações disponíveis aumentou grandemente nos últimos anos. O desenvolvimento de novas tecnologias e meios rápidos e baratos de comunicação impulsionaram esse fenômeno. Abordagens tradicionais de aprendizado de máquina, i.e., aprendizado em lote, se tornaram inadequadas em cenários onde, potencialmente, fluxos infinitos de informação podem existir. Assim, novas técnicas foram desenvolvidas para esse tipo de problema, tratando os dados de entrada como fluxos de informações. No entanto, a pesquisa em fluxos de dados ainda é um campo emergente, constantemente buscando soluções balanceadas entre a eficiência preditiva e o baixo custo computacional. Dessa forma, poucos trabalhos dessa área de pesquisa consideraram problemas preditivos mais sofisticados, como por exemplo, a predição de múltiplas saídas estruturadas. Dentre esses problemas, a área de pesquisa em regressão multi alvos foi reportada como um desafio existente e em aberto no contexto de fluxos de dados. As poucas soluções existentes nessa área empregaram técnicas que foram derivadas de problemas de classificação em tempo real, em sua maioria. No entanto, novas técnicas para classificação em tempo real foram propostas nos últimos anos, sendo elas passíveis de posterior adaptação. Além disso, novas soluções podem ser desenvolvidas, utilizando como base o conhecimento derivado das técnicas mais atuais para regressão multi alvos em lotes, bem como a exploração adicional das possíveis intercorrelações entre os alvos nesses tipos de problemas.