Meta aprendizado para detecção de mudança de conceito não supervisionada

Abstract

O avanço tecnológico na geração e transmissão de dados impulsionou o surgimento de diversas aplicações de fluxos de dados. Esses ambientes altamente dinâmicos frequentemente enfrentam o desafio da mudança de conceito, em que as propriedades estatísticas das variáveis se alteram ao longo do tempo, resultando na perda de desempenho dos modelos de Aprendizado de Máquina. Neste estudo, é apresentada uma nova ferramenta para detecção de mudança de conceito em problemas de fluxo de dados com grande atraso na chegada da variável alvo, por meio do uso de meta aprendizado. Optou-se por empregar o meta aprendizado devido à sua capacidade de lidar adequadamente com ambientes de fluxo de dados e adaptabilidade em cenários com mudanças de conceito, dado que esta técnica é capaz de identificar padrões e tendências nos dados de forma dinâmica. No entanto, em oposição à abordagem tradicional de recomendação de algoritmos, utilizou-se um regressor no nível meta para prever o desempenho do modelo base em cada janela. Essa predição é então utilizada para gerar alertas de mudança de conceito antes da chegada da variável alvo. O treinamento do meta modelo foi realizado com base em diversos meta atributos não supervisionados descritos na literatura de meta aprendizado. Além disso, foram adicionadas medidas não supervisionadas de detecção de mudança de conceito como parte dos atributos, com o objetivo de aumentar a capacidade preditiva do modelo gerado. O algoritmo foi aplicado em bases de dados com mudança de conceito rotulada, e os alertas gerados foram comparados com métricas usuais da literatura de mudança de conceito. Ao final, foi realizado um teste de Friedman para comparação os resultados. O algoritmo proposto de meta aprendizado obteve uma precisão 15% superior à melhor baseline, com um p valor abaixo de 0.05 para os casos em que foram utilizados modelos base baseados em árvores.