Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Lopes, Heitor Silvério | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-3984-1432 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4045818083957064 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Barreto, Guilherme de Alencar | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-7002-1216 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8902002461422112 | - |
Autor(es): dc.contributor | Ribeiro, Matheus Henrique Dal Molin | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-7387-9077 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2531836774466938 | - |
Autor(es): dc.creator | Marques, Leonardo de Marqui | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:35:43Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:35:43Z | - |
Data de envio: dc.date.issued | 2024-09-09 | - |
Data de envio: dc.date.issued | 2024-09-09 | - |
Data de envio: dc.date.issued | 2024-08-26 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/34729 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1115958 | - |
Descrição: dc.description | This master thesis investigates the application of Open-Set Recognition (OSR) methods to Time Series Classification (TSC), addressing a gap in the existing literature. While TSC involves labeling time series instances, OSR methods are designed to simultaneously classify known samples and detect unknown ones. This is relevant because it enables models to identify known and detect unknown patterns in dynamic and unpredictable environments, enhancing robustness and reliability in real-world applications that have no shortage of time series data. Despite their potential, OSR methods have seen limited application in TSC compared to other domains such as text or image classification. Recent research has introduced innovative methodologies to address this gap, each with its strengths and limitations. However, existing OSR methods in TSC often overlook the utilization of “known unknowns” during training, which could enhance model robustness. Moreover, the transfer-learning approach across various neural network models requires improvement, and experiments with benchmark datasets are limited in scope. In response to these challenges, this research proposes a novel approach that integrates neural networks, models that have a proven record of high performance in TSC, with OpenMax layers, designed to make neural networks capable of working in ope-set recognition, both providing features to train a blending model, while also incorporating known unknown instances during training. To rigorously evaluate the effectiveness of the proposed model, comprehensive and extensive experiments are conducted across various configurations using diverse time series datasets from different domains as well as comparing its performance against previous similar work. The results of these experiments provide valuable insights into the performance and applicability of the proposed approach in real-world scenarios and, contributing to the advancement of both Time Series Classification and Open-Set Recognition methodologies. | - |
Descrição: dc.description | Esta dissertação de mestrado investiga a aplicação de métodos de Open Set Recognition (OSR) na Classificação de Séries Temporais (TSC), abordando uma área pouco explorada na literatura existente. Enquanto a TSC envolve a classificação de instâncias de séries temporais, os métodos OSR são projetados para classificar simultaneamente amostras conhecidas e detectar as desconhecidas. Esse tema é relevante, pois permite que os modelos identifiquem padrões conhecidos e detectem padrões desconhecidos em ambientes dinâmicos e imprevisíveis, aumentando a robustez e a confiabilidade em aplicações do mundo real que estão repletas de dados de séries temporais. Apesar de seu potencial, os métodos OSR têm aplicação limitada na TSC em comparação com outras áreas, como classificação de texto ou imagem. Pesquisas recentes têm introduzido metodologias inovadoras para abordar essa lacuna, cada qual com seus pontos fortes e limitações. No entanto, os métodos OSR existentes na TSC muitas vezes ignoram o uso de “desconhecidos conhecidos” durante o treino, o que poderia aumentar a robustez do modelo. Além disso, a abordagem de transfer learning aplicado a vários modelos de rede neural requer melhorias, e os experimentos com conjuntos de dados de referência são limitados. Em resposta a esses desafios, esta pesquisa propõe uma abordagem inovadora que integra redes neurais, modelos que historicamente mostram boa performance em TSC, com camadas OpenMax, projetadas para dar às redes neurais a capacidade de trabalhar com ORS, fornecendo covariáveis para treinar um modelo de blending, e, ao mesmo tempo, incorporando instâncias “conhecidas desconhecidas” durante o treinamento. Para avaliar rigorosamente a eficácia do modelo proposto, são conduzidos experimentos abrangentes e extensos em várias configurações usando diversos conjuntos de dados de séries temporais de diferentes áreas, bem como comparando seu desempenho com trabalho anterior semelhante. Os resultados desses experimentos fornecem insights valiosos sobre o desempenho e a aplicabilidade da abordagem proposta em cenários do mundo real, contribuindo para o avanço tanto da Classificação de Séries Temporais quanto das metodologias de Reconhecimento de Conjuntos Abertos. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Análise de séries temporais | - |
Palavras-chave: dc.subject | Classificação | - |
Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado do computador) | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Sistemas de reconhecimento de padrões | - |
Palavras-chave: dc.subject | Time-series analysis | - |
Palavras-chave: dc.subject | Classification | - |
Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Pattern recognition systems | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Blending ensemble aplicado em reconhecimento de conjunto aberto para classificação de séries temporais | - |
Título: dc.title | Blending ensemble applied to open-set recognition for time series classification | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: