Dados podem ser utilizados para extrair informações úteis. Alguns deles estão em um ambiente estático, no qual suas propriedades não mudam ao longo do tempo. Já outros estão inseridos em um ambiente dinâmico. Esse dinamismo gera um problema conhecido como desvio de conceito, no qual o conceito aprendido sobre os dados muda ao longo do tempo. A consequência desse fenômeno é que, um modelo treinado com dados antes da mudança de conceito estará potencialmente desatualizado, não refletindo mais o conceito e, portanto, apresentando baixo desempenho. Para resolver esse problema, existem diversos detectores de desvio, mas são raros os que identificam especificamente o tipo de mudança. Este trabalho analisa o estado da arte na classificação de desvio de conceito para ajudar os modelos a responderem melhor ao desvio e auxiliar os usuários na tomada de decisão, fornecendo mais detalhes sobre o que está acontecendo com os dados. Para isso, foi criada uma base sintética contendo diferentes tipos e causas de desvio de conceito. Depois, uma rede prototípica foi treinada com esse conjunto. A fim de testar o detector desenvolvido, vários experimentos foram executados, dentre eles estão: o comparativo do algoritmo feito com outros modelos, a detecção e identificação do desvio em um conjunto sintético e a detecção em conjuntos reais e sintéticos nas tarefas de classificação e agrupamento. Por fim, o algoritmo desenvolvido superou outros detectores em vários cenários.
|
