Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado

Duarte, Victor Beltrão Valente; http://lattes.cnpq.br/9554079350246894; https://orcid.org/my-orcid?orcid=0000-0001-7884-317X

Dissertação

Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado

Muitos métodos de classificação de séries temporais são baseados em similaridade, o que às vezes não é o suficiente para discriminar séries temporais a partir das observações originais. Uma maneira de contornar essa dificuldade é utilizar uma representação alternativa dos dados na qual as caracterís...

ver descrição completa

Autor principal:	Duarte, Victor Beltrão Valente
Outros Autores:	http://lattes.cnpq.br/9554079350246894, https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2025
Assuntos:	CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Aprendizagem de máquina Classificação Séries temporais Seleção dinâmica Meta-Aprendizado
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/10747

id	oai:https:--tede.ufam.edu.br-handle-:tede-10747
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-107472025-03-11T05:09:09Z Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado Time series classification with dynamic representation selection through meta-learning Duarte, Victor Beltrão Valente Giusti, Rafael http://lattes.cnpq.br/9554079350246894 http://lattes.cnpq.br/0613781010575440 Souto, Eduardo James Pereira http://lattes.cnpq.br/3875301617975895 Carvalho, Moisés Gomes de http://lattes.cnpq.br/1840067885522796 https://orcid.org/my-orcid?orcid=0000-0001-7884-317X CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Aprendizagem de máquina Classificação Séries temporais Seleção dinâmica Meta-Aprendizado Muitos métodos de classificação de séries temporais são baseados em similaridade, o que às vezes não é o suficiente para discriminar séries temporais a partir das observações originais. Uma maneira de contornar essa dificuldade é utilizar uma representação alternativa dos dados na qual as características mais importantes para a classificação são enfatizadas. Neste trabalho, emprega-se mudança de representação de dados temporais para a classificação de séries temporais, como foco na escolha de uma representação adequada e em tempo real para cada objeto de classificação. A premissa é que cada série pode ser melhor discriminada em um domínio de representação específico. Portanto, se for possível escolher uma representação adequada dinamicamente, então resultados mais satisfatórios de classificação podem ser alcançados. Para tal fim, promove-se o estudo de domínios de representação de dados temporais, com o intuito de identificar como esses domínios fornecem uma visão alternativa de dados temporais que os diferem da visão tradicional. Os testes preliminares realizados focaram na avaliação de algoritmos k-NN e redes neurais convolucionais em 1D e 2D. O objetivo inicial era verificar como diferentes representações de dados podem afetar a qualidade de predição desses classificadores. Os resultados iniciais mostraram que utilizar diferentes representações melhora o desempenho da classificação em até 45%. Com base nisso, é criado um meta-classificador e um modelo de seleção dinâmica baseada em florestas aleatórias. Desta forma, para cada série é selecionada a representação mais adequada. Os resultados demonstram que a abordagem de escolha dinâmica de representações promove uma melhoria significativa na eficiência dos classificadores, tendo um ganho de até 16.21% contra os classificadores presentes na literatura. Many time series classification methods are based on similarity, which is sometimes not enough to discriminate time series from the original observations. One way around this difficulty is to use an alternative representation of the data in which the most important characteristics for classification are emphasized. In this work, a change in the representation of temporal data is employed for the classification of time series, focusing on the choice of a suitable, real-time representation for each classification object. The premise is that each series can be best discriminated in a specific representation domain. Therefore, if it is possible to choose a suitable representation dynamically, then more satisfactory classification results can be achieved. To this end, the study of temporal data representation domains is promoted, with the aim of identifying how these domains provide an alternative view of temporal data that differs from the traditional view. The preliminary tests carried out focused on evaluating k-NN algorithms and convolutional neural networks in 1D and 2D. The initial objective was to verify how different data representations can affect the prediction quality of these classifiers. Initial results showed that using different representations improves classification performance by up to 45%. Based on this, a meta-classifier and a dynamic selection model based on random forests were created. In this way, the most appropriate representation is selected for each series. The results indicate that the dynamic representation selection approach promotes a significant improvement in classifier efficiency, with a gain of up to 16.21% against classifiers in the literature. Todas as figuras do trabalho foram elaboradas em cores para melhorar a interpretação. Recomenda-se utilizar a versão colorida para impressão, pois na versão preto e branco os gráficos podem perder legibilidade. 2025-03-11T03:16:52Z 2025-02-05 Dissertação DUARTE, Victor Beltrão Valente. Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado. 2025. 89 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2025. https://tede.ufam.edu.br/handle/tede/10747 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	por
topic	CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Aprendizagem de máquina Classificação Séries temporais Seleção dinâmica Meta-Aprendizado
spellingShingle	CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Aprendizagem de máquina Classificação Séries temporais Seleção dinâmica Meta-Aprendizado Duarte, Victor Beltrão Valente Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
topic_facet	CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Aprendizagem de máquina Classificação Séries temporais Seleção dinâmica Meta-Aprendizado
description	Muitos métodos de classificação de séries temporais são baseados em similaridade, o que às vezes não é o suficiente para discriminar séries temporais a partir das observações originais. Uma maneira de contornar essa dificuldade é utilizar uma representação alternativa dos dados na qual as características mais importantes para a classificação são enfatizadas. Neste trabalho, emprega-se mudança de representação de dados temporais para a classificação de séries temporais, como foco na escolha de uma representação adequada e em tempo real para cada objeto de classificação. A premissa é que cada série pode ser melhor discriminada em um domínio de representação específico. Portanto, se for possível escolher uma representação adequada dinamicamente, então resultados mais satisfatórios de classificação podem ser alcançados. Para tal fim, promove-se o estudo de domínios de representação de dados temporais, com o intuito de identificar como esses domínios fornecem uma visão alternativa de dados temporais que os diferem da visão tradicional. Os testes preliminares realizados focaram na avaliação de algoritmos k-NN e redes neurais convolucionais em 1D e 2D. O objetivo inicial era verificar como diferentes representações de dados podem afetar a qualidade de predição desses classificadores. Os resultados iniciais mostraram que utilizar diferentes representações melhora o desempenho da classificação em até 45%. Com base nisso, é criado um meta-classificador e um modelo de seleção dinâmica baseada em florestas aleatórias. Desta forma, para cada série é selecionada a representação mais adequada. Os resultados demonstram que a abordagem de escolha dinâmica de representações promove uma melhoria significativa na eficiência dos classificadores, tendo um ganho de até 16.21% contra os classificadores presentes na literatura.
author_additional	Giusti, Rafael
author_additionalStr	Giusti, Rafael
format	Dissertação
author	Duarte, Victor Beltrão Valente
author2	http://lattes.cnpq.br/9554079350246894 https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
author2Str	http://lattes.cnpq.br/9554079350246894 https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
title	Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
title_short	Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
title_full	Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
title_fullStr	Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
title_full_unstemmed	Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
title_sort	classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
publisher	Universidade Federal do Amazonas
publishDate	2025
url	https://tede.ufam.edu.br/handle/tede/10747
_version_	1831970422754639872
score	11.753896

Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado

Registros relacionados