Banca de DEFESA: DENISSON AUGUSTO BASTOS LEAL

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : DENISSON AUGUSTO BASTOS LEAL
DATA : 03/03/2022
HORA: 15:00
LOCAL: Virtual
TÍTULO:

Ensembles Dinâmicos para Detecção de Concept Drift em Séries 
Temporais

PALAVRAS-CHAVES:

Séries Temporais. Concept Drift. Aprendizado de Máquina. 
Ensemble.

PÁGINAS: 63
RESUMO:

Séries temporais são medições realizadas em um intervalo fixo de tempo, que 
podem ser usadas em diversos tipos de problemas. Elas são estudadas por 
diversas áreas a fim de compreender as características de sua geração. 
Existe uma área mais específica de previsão de séries temporais que busca 
capturar a tendência e encontrar um padrão dos movimentos em situações que 
já ocorreram para prever a próxima observação da série. Porém, ao longo do 
tempo podem acontecer alguns eventos que mudam todo o contexto da série, o 
concept drift, e o conhecimento armazenado da série pode não refletir mais 
a realidade da série após esse evento. Então, quando um modelo de 
aprendizado de máquina é treinado para realizar previsões e um concept 
drift acontece, esse modelo passa a ficar defasado e para a atualização do 
modelo, alguns pontos do novo conceito precisam ser capturados e 
armazenados, até serem suficientes para um novo treinamento. Durante esse 
período de coleta de dados os modelos aumentam exponencialmente seu erro, 
afetando o desempenho geral do sistema de previsão e dependendo da 
frequência em que o concept drift aconteça, pode inviabilizar o seu uso. O 
objetivo deste trabalho é propor um método para previsão de séries 
temporais na presença de concept drift, minimizando o impacto da redução do 
desempenho preditivo durante o processo de adaptação ao novo conceito. Para 
isso foram propostos três métodos que usam o conceito antigo para melhorar 
o desempenho nessa fase de adaptação. Os métodos usam PSO para otimização 
do treinamento de partículas ELM, que são usadas na previsão e como 
sensores para detecção concept drift. O primeiro método usa um ensemble com 
todas as partículas treinadas. O segundo usa uma combinação, usando o 
algoritmo guloso, das melhores partículas quando o concept drift é 
detectado até a sua adaptação. E o terceiro usa a melhor combinação das 
partículas desde o início e atualiza a combinação depois da detecção de um 
concept drift. Todos os métodos propostos fazem adaptação para o novo 
conceito depois de ter dados suficientes para o treinamento. Nos 
experimentos foram usadas sete séries, sendo elas quatro geradas 
sinteticamente com concept drift conhecidos e três séries reais de índices 
do mercado financeiro com concept drift desconhecidos. Os resultados do 
experimento foram comparados com métodos disponíveis na literatura e os 
métodos propostos que se adaptam usando uma combinação das melhores 
partículas conseguiram resultados melhores com significância estatística. 
Mostrando que, o período de adaptação do método ao novo conceito é 
relevante no erro geral da previsão e que o treinamento anterior pode 
ajudar a reduzir esse erro.

MEMBROS DA BANCA:
Interno - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Externo à Instituição - JARLEY PALMEIRA NOBREGA - MCTI
Presidente - 1890208 - PAULO SALGADO GOMES DE MATTOS NETO