Banca de DEFESA: ROHGI TOSHIO MENESES CHIKUSHI

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : ROHGI TOSHIO MENESES CHIKUSHI
DATA : 25/08/2021
HORA: 08:00
LOCAL: Google Meet
TÍTULO:

Aplicando ferramentas de análise de séries temporais não lineares para a detecção de mudanças de conceito no contexto do aprendizado adaptativo supervisionado

PALAVRAS-CHAVES:

Aprendizado de Máquina. Fluxos de Dados. Mudança de Conceito.  Séries Temporais Não Lineares.

PÁGINAS: 197
RESUMO:

Atualmente, algoritmos de Aprendizado de Máquina são aplicados em diversos 
domínios para a extração de informação em grandes volumes de dados. Apesar 
de modelos consolidados lidarem de forma efetiva com dados identicamente e 
independentemente distribuídos (i.i.d.), algoritmos aplicados a fluxos de 
dados devem lidar com distribuições não estacionárias. O desafio é manter 
um modelo de decisão atualizado, preciso e consistente, mesmo sujeito a 
mudanças nas distribuições de probabilidade dos dados, um fenômeno 
conhecido como mudança de conceito. Neste contexto, os algoritmos combinam 
um classificador e um detector para identificar mudanças na distribuição do 
erro das predições a fim de adaptar ou substituir rapidamente o modelo 
preditivo. Diversas propostas têm sido apresentadas na literatura para a 
detecção de mudanças de conceito com base na taxa de erro dos modelos 
preditivos. Em geral, a distribuição da taxa de erro fundamenta a maioria 
das abordagens baseadas em metodologias como a análise sequencial, o 
controle estatístico do processo, ou pelo monitoramento das distribuições 
por meio de janelas deslizantes, as quais assumem que os erros de predição 
são gerados de forma independente. Apesar da vasta aplicação desses 
detectores, estudos empíricos têm mostrado que a taxa de erro pode ser 
influenciada pela dependência temporal. Além disso, abordagens 
supervisionadas requerem dados rotulados, os quais podem ser difíceis de 
obter em muitas aplicações do mundo real. Nesta tese, ferramentas da 
Análise Não Linear de Séries Temporais foram utilizadas com o objetivo de 
prover detectores não restritos ao pressuposto de observações i.i.d., e 
mais apropriados para lidar com fluxos de dados sujeitos à dependência 
temporal.
Neste sentido, foram propostos três detectores: Spectral Entropy Drift 
Detector (SEDD), Permutation Entropy Drift Detector (PEDD), e Recurrence 
Quantification Analysis Drift Detector (RQADD). Também foi proposta uma 
abordagem de rotulação simbólica (Symbolic Labeling Adapter (SLA)) com o 
intuito de expandir a aplicação de modelos adaptativos supervisionados a 
domínios onde fluxos de dados não são rotulados, visando a detecção de 
mudanças de conceito. Diversos experimentos computacionais usando bases de 
dados reais e artificiais mostram que os detectores propostos foram 
competitivos na maioria dos cenários, e que a abordagem de rotulação é uma 
ferramenta promissora.

MEMBROS DA BANCA:
Externo à Instituição - JEAN PAUL BARDDAL - PUCPR
Externo à Instituição - JOÃO ROBERTO BERTINI JUNIOR - UNICAMP
Presidente - 1277250 - GERMANO CRISPIM VASCONCELOS
Externo à Instituição - PAULO MAURICIO GONÇALVES JUNIOR - IFPE
Externo à Instituição - WILSON ROSA DE OLIVEIRA JUNIOR - UFRPE