Banca de DEFESA: PEDRO HENRIQUE PARREIRA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : PEDRO HENRIQUE PARREIRA
Data: 26/05/2026
HORA: 14:00
LOCAL: meet.google.com/pme-anam-nzp
TÍTULO:

Classificação em fluxo de dados sob latência intermediária

PÁGINAS: 110
RESUMO:

Os avanços tecnológicos das últimas décadas ampliaram o uso de dispositivos capazes de gerar dados continuamente, como os celulares, resultando em um significativo aumento na produção de dados e, consequentemente, na proliferação de fluxos de dados. Fluxos de dados caracterizam-se pela chegada contínua, em grande volume e em alta velocidade de dados. Nesse contexto, pode ocorrer a mudança na distribuição dos dados ao longo do tempo, fenômeno conhecido como mudança de conceito, comum em aplicações reais, como na evolução dos hábitos de consumo dos usuários. Além disso, as características dos fluxos de dados impõem desafios aos modelos de classificação tradicionais de aprendizagem de máquina, que assumem acesso completo aos dados e um ambiente estacionário, impulsionando o interesse em mineração de fluxos de dados e no desenvolvimento de métodos de classificação específicos para esse contexto. Alguns modelos de classificação para fluxo de dados incorporam mecanismos para lidar com a mudança de conceito e foram amplamente avaliados em diferentes conjuntos de dados. No entanto, a maioria dessas avaliações assume que os rótulos estão disponíveis imediatamente após a predição, caracterizando o cenário de latência de verificação nula, ou simplesmente latência nula, o que representa uma condição otimista em relação às aplicações reais. Em diversas aplicações de fluxo de dados, há um intervalo entre a disponibilização da instância e a obtenção de seu rótulo verdadeiro, como na previsão de chuva para a próxima semana, em que o rótulo só é conhecido posteriormente. Esse cenário é denominado latência de verificação intermediária, ou simplesmente latência intermediária. No entanto, a maioria dos algoritmos de classificação para fluxos de dados assume latência nula. No cenário de latência nula, diante da ocorrência de mudança de conceito, os algoritmos de classificação para fluxos de dados têm acesso imediato às instâncias e aos seus respectivos rótulos, o que permite sua rápida adaptação. Dessa forma, os modelos são capazes de restaurar seu poder preditivo frente a esse fenômeno nesse cenário. Todavia, o desempenho preditivo desses modelos é significativamente reduzido no cenário de latência intermediária. Apesar de ser comum em aplicações reais de fluxos de dados, esse cenário ainda é pouco explorado na literatura. Diante desse contexto, esta tese propõe o desenvolvimento de modelos de classificação em fluxo de dados sob latência intermediária. Espera-se que os modelos propostos apresentem desempenho preditivo superior ao dos métodos existentes nesse cenário.

MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1673092 - RONALDO CRISTIANO PRATI
Membro Titular - Examinador(a) Interno ao Programa - 3008222 - PAULO HENRIQUE PISANI
Membro Titular - Examinador(a) Externo à Instituição - ELAINE RIBEIRO DE FARIA PAIVA - UFU
Membro Titular - Examinador(a) Externo à Instituição - JEAN PAUL BARDDAL
Membro Titular - Examinador(a) Externo à Instituição - VINICIUS MOURÃO ALVES DE SOUZA - PUCPR
Membro Suplente - Examinador(a) Interno ao Programa - 2196309 - CARLOS ALBERTO KAMIENSKI
Membro Suplente - Examinador(a) Externo à Instituição - DIEGO FURTADO SILVA - USP