Aprendizado de Fluxo de Dados em Ambientes Não-Estacionários

A maioria das abordagens de aprendizado de máquina opera em modo
offline. Essas abordagens assumem que todos os dados de treinamento
usados para criar modelos de predição estão disponíveis antes do
aprendizado começar. Contudo, muitos problemas de classificação reais
são não-estacionários, ou seja, eles podem sofrer mudanças ao longo do
tempo. Se a abordagem de aprendizado de máquinas utilizada não reage
rapidamente a essas mudanças, produzindo adaptações baseadas em exemplos
de treinamento que chegam como parte de um fluxo de dados, os modelos de
predição podem se tornar obsoletos e com baixo desempenho preditivo.
Essas mudanças podem assumir várias formas, como surgimento de novas
classes (evolução de classes), mudanças na proporção de exemplos de
classes distintas e mudanças no relacionamento entre as variáveis de
entrada e saída. Por exemplo, no problema de classificação de tweets de
acordo com o tópico, novos tópicos podem surgir ao longo do tempo e as
palavras mais representativas de certos tópicos podem variar com o
tempo. Nesta palestra, eu irei apresentar uma abordagem proposta para
lidar com evolução de classes em aprendizado de fluxo de dados. Como a
abordagem deve operar em ambientes não-estacionários, ela também é
preparada para lidar com os outros tipos de mudanças mencionados acima.
Experimentos revelam que a abordagem é bem sucedida em vários cenários
não-estacionários envolvendo evolução de classes em comparação com
abordagens existentes.