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

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Duarte, Victor Beltrão Valente
Outros Autores: http://lattes.cnpq.br/9554079350246894, https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Amazonas
Instituto de Computação
Brasil
UFAM
Programa de Pós-graduação em Informática
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO
Aprendizagem de máquina
Classificação
Séries temporais
Seleção dinâmica
Meta-Aprendizado
Link de acesso: https://tede.ufam.edu.br/handle/tede/10747
Resumo: 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.
id UFAM_0d736dcfddcc60ba80283c7bf8532b60
oai_identifier_str oai:https://tede.ufam.edu.br/handle/:tede/10747
network_acronym_str UFAM
network_name_str Biblioteca Digital de Teses e Dissertações da UFAM
repository_id_str
spelling Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizadoTime series classification with dynamic representation selection through meta-learningCIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAOAprendizagem de máquinaClassificaçãoSéries temporaisSeleção dinâmicaMeta-AprendizadoMuitos 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.Universidade Federal do AmazonasInstituto de ComputaçãoBrasilUFAMPrograma de Pós-graduação em InformáticaGiusti, Rafaelhttp://lattes.cnpq.br/0613781010575440Souto, Eduardo James Pereirahttp://lattes.cnpq.br/3875301617975895Carvalho, Moisés Gomes dehttp://lattes.cnpq.br/1840067885522796Duarte, Victor Beltrão Valentehttp://lattes.cnpq.br/9554079350246894https://orcid.org/my-orcid?orcid=0000-0001-7884-317X2025-03-11T03:16:52Z2025-02-05info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfDUARTE, 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/10747porhttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2025-03-11T05:09:09Zoai:https://tede.ufam.edu.br/handle/:tede/10747Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922025-03-11T05:09:09Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false
dc.title.none.fl_str_mv Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
Time series classification with dynamic representation selection through meta-learning
title Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
spellingShingle Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
Duarte, Victor Beltrão Valente
CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO
Aprendizagem de máquina
Classificação
Séries temporais
Seleção dinâmica
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
author Duarte, Victor Beltrão Valente
author_facet Duarte, Victor Beltrão Valente
http://lattes.cnpq.br/9554079350246894
https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
author_role author
author2 http://lattes.cnpq.br/9554079350246894
https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
author2_role author
author
dc.contributor.none.fl_str_mv Giusti, Rafael
http://lattes.cnpq.br/0613781010575440
Souto, Eduardo James Pereira
http://lattes.cnpq.br/3875301617975895
Carvalho, Moisés Gomes de
http://lattes.cnpq.br/1840067885522796
dc.contributor.author.fl_str_mv Duarte, Victor Beltrão Valente
http://lattes.cnpq.br/9554079350246894
https://orcid.org/my-orcid?orcid=0000-0001-7884-317X
dc.subject.por.fl_str_mv CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO
Aprendizagem de máquina
Classificação
Séries temporais
Seleção dinâmica
Meta-Aprendizado
topic 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.
publishDate 2025
dc.date.none.fl_str_mv 2025-03-11T03:16:52Z
2025-02-05
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 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
identifier_str_mv 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.
url https://tede.ufam.edu.br/handle/tede/10747
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Amazonas
Instituto de Computação
Brasil
UFAM
Programa de Pós-graduação em Informática
publisher.none.fl_str_mv Universidade Federal do Amazonas
Instituto de Computação
Brasil
UFAM
Programa de Pós-graduação em Informática
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFAM
instname:Universidade Federal do Amazonas (UFAM)
instacron:UFAM
instname_str Universidade Federal do Amazonas (UFAM)
instacron_str UFAM
institution UFAM
reponame_str Biblioteca Digital de Teses e Dissertações da UFAM
collection Biblioteca Digital de Teses e Dissertações da UFAM
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)
repository.mail.fl_str_mv ddbc@ufam.edu.br||ddbc@ufam.edu.br
_version_ 1851781319887945728

Registros relacionados