Desempenho de Algoritmos e uma Estratégia de Ensemble para Detecção de Mudanças de Conceito Heterogêneos.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorZarpelão, Bruno Bogaz-
Autor(es): dc.contributorAttrot, Wesley-
Autor(es): dc.contributorMastelini, Saulo Martiello-
Autor(es): dc.contributorBarbon Junior, Sylvio-
Autor(es): dc.creatorSakurai, Guilherme Yukio-
Data de aceite: dc.date.accessioned2025-05-15T12:55:45Z-
Data de disponibilização: dc.date.available2025-05-15T12:55:45Z-
Data de envio: dc.date.issued2025-03-07-
Data de envio: dc.date.issued2025-03-07-
Data de envio: dc.date.issued2025-02-03-
Fonte completa do material: dc.identifierhttps://repositorio.uel.br/handle/123456789/18598-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/977316-
Descrição: dc.descriptionA mineração de dados tem se tornado cada vez mais popular devido à sua capacidade de oferecer algoritmos e metodologias que atendem demandas da Internet das Coisas (IoT) e dos sistemas modernos de aprendizado de máquina. Dentro desse contexto, a detecção de mudanças de conceito é primordial, especialmente para identificar alterações na distribuição dos dados durante a operação de soluções de aprendizado de máquina. Um dos maiores desafios enfrentados por algoritmos de detecção de mudanças de conceito é a capacidade de lidar com diferentes tipos de mudanças, como mudanças abruptas, graduais e incrementais. Este trabalho atua em duas frentes para melhorar a detecção dessas mudanças heterogêneas. Primeiramente, realizamos um estudo que estabelece um benchmark para quatro algoritmos de detecção de mudanças de conceito (EDDM, DDM, HDDMW e HDDMA), avaliando seu desempenho em termos de detecção, tempo de resposta e atraso na detecção, utilizando conjuntos de dados sintéticos. Os resultados indicam que o HDDMW oferece o melhor equilíbrio entre os indicadores de desempenho, especialmente na detecção de mudanças de conceito abruptas, embora apresente limitações em termos de tempo de resposta e detecção de mudanças incrementais. Na segunda frente de atuação, propomos o método Self-tuning Drift Ensemble (StDE), um novo algoritmo de ensemble para detecção de mudanças de conceito que utiliza mecanismos dinâmicos para adaptar-se às mudanças nas características dos fluxos de dados em tempo real. Diferente de outros detectores de mudanças de conceito baseados em ensemble, o StDE ajusta dinamicamente o número de detectores base, mantendo uma solução leve e eficiente. Experimentos realizados em diversos cenários de mudança de conceito demonstram que o método proposto supera os algoritmos estabelecidos, apresentando alta taxa de precisão na detecção de mudanças.-
Descrição: dc.descriptionData mining has become increasingly popular due to its ability to offer algorithms and methodologies that address the challenges of the Internet of Things (IoT) and modern machine learning systems. In this context, concept drift detection is crucial, especially for identifying changes in data distribution during the operation of machine learning solutions. One of the biggest challenges faced by concept drift detection algorithms is the ability to handle different types of drifts, such as abrupt, gradual, and incremental changes. This work addresses this issue in two ways to improve the detection of these heterogeneous drifts. First, we conduct a study that establishes a benchmark for four drift detection algorithms (EDDM, DDM, HDDMW, and HDDMA), evaluating their performance in terms of detection accuracy, response time, and detection delay using synthetic datasets. The results indicate that HDDMW offers the best balance among performance indicators, especially in detecting abrupt drifts, although it has limitations in terms of response time and incremental drift detection. Secondly, we propose the Self-tuning Drift Ensemble (StDE) method, a novel ensemble algorithm for drift detection, which utilizes dynamic mechanisms to adapt to real-time changes in data stream characteristics. Unlike Other ensemble-based drift detectors, StDE dynamically adjusts the number of base detectors, maintaining a lightweight and efficient solution. Experiments conducted in various concept drift scenarios demonstrate that the proposed method outperforms established algorithms, showing high precision in drift detection.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Relação: dc.relationCCE - Departamento de Computação-
Relação: dc.relationPrograma de Pós-Graduação em Ciência da Computação-
Relação: dc.relationUniversidade Estadual de Londrina - UEL-
Palavras-chave: dc.subjectStream mining-
Palavras-chave: dc.subjectConcept Drift-
Palavras-chave: dc.subjectDrift Detection-
Palavras-chave: dc.subjectTurning-
Palavras-chave: dc.subjectEnsemble learning-
Palavras-chave: dc.subjectInternet das coisas-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAlgoritmos computacionais-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectCiências Exatas e da Terra - Ciência da Computação-
Palavras-chave: dc.subjectCiências Exatas e da Terra - Ciência da Computação-
Palavras-chave: dc.subjectStream mining-
Palavras-chave: dc.subjectConcept Drift-
Palavras-chave: dc.subjectDrift Detection-
Palavras-chave: dc.subjectTurning-
Palavras-chave: dc.subjectEnsemble learning-
Palavras-chave: dc.subjectInternet of things-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectComputer algorithms-
Palavras-chave: dc.subjectData mining (Computing)-
Título: dc.titleDesempenho de Algoritmos e uma Estratégia de Ensemble para Detecção de Mudanças de Conceito Heterogêneos.-
Título: dc.titlePerformance of Algorithms and an Ensemble Strategy for Detecting Heterogeneous Drifts.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional da UEL - RIUEL

Não existem arquivos associados a este item.