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

Página do item simplificado
dc.contributor.advisorZarpelão, Bruno Bogaz
dc.contributor.authorSakurai, Guilherme Yukio
dc.contributor.bancaAttrot, Wesley
dc.contributor.bancaMastelini, Saulo Martiello
dc.contributor.coadvisorBarbon Junior, Sylvio
dc.coverage.extent59 p.
dc.coverage.spatialLondrina
dc.date.accessioned2025-03-07T18:19:49Z
dc.date.available2025-03-07T18:19:49Z
dc.date.issued2025-02-04
dc.description.abstractA 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.
dc.description.abstractother1Data 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.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/18598
dc.language.isoeng
dc.relation.departamentCCE - Departamento de Computação
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computação
dc.subjectStream mining
dc.subjectConcept Drift
dc.subjectDrift Detection
dc.subjectTurning
dc.subjectEnsemble learning
dc.subjectInternet das coisas
dc.subjectAprendizado do computador
dc.subjectAlgoritmos computacionais
dc.subjectMineração de dados (Computação)
dc.subject.capesCiências Exatas e da Terra - Ciência da Computação
dc.subject.cnpqCiências Exatas e da Terra - Ciência da Computação
dc.subject.keywordsStream mining
dc.subject.keywordsConcept Drift
dc.subject.keywordsDrift Detection
dc.subject.keywordsTurning
dc.subject.keywordsEnsemble learning
dc.subject.keywordsInternet of things
dc.subject.keywordsMachine learning
dc.subject.keywordsComputer algorithms
dc.subject.keywordsData mining (Computing)
dc.titleDesempenho de Algoritmos e uma Estratégia de Ensemble para Detecção de Mudanças de Conceito Heterogêneos.
dc.title.alternativePerformance of Algorithms and an Ensemble Strategy for Detecting Heterogeneous Drifts.
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Ciências Exatas

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
CE_COM_Me_2025_SAKURAI_GUILHERME_Y.pdf
Tamanho:
1.04 MB
Formato:
Adobe Portable Document Format
Descrição:
Trabalho Completo id: 193236
Baixar
Nenhuma Miniatura disponível
Nome:
CE_COM_Me_2025_SAKURAI_GUILHERME_Y_TERMO.pdf
Tamanho:
174.39 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de Compromisso
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Ciência da Computação