UMA ABORDAGEM DE ENSEMBLES DE AUTOENCODERS PARA DETECÇÃO DE MUDANÇAS DE CONCEITO DE FORMA NÃO SUPERVISIONADA

INTRODUÇÃO: a mudança de conceito ocorre quando a distribuição dos dados de um fluxo contínuo se altera ao longo do tempo, o que pode tornar obsoletos os modelos previamente treinados. As abordagens de detecção podem ser supervisionadas, dependentes dos rótulos das instâncias, ou não supervisionadas, baseadas na distribuição dos dados. Autoencoders, redes neurais que aprendem representações compactas dos dados, são promissores nesse cenário por identificarem padrões que se desviam do comportamento observado. OBJETIVOS: desenvolver e avaliar um algoritmo não supervisionado de detecção de mudanças de conceito baseado em ensemble de autoencoders para fluxos de dados, além de levantar o estado da arte, projetar um protocolo experimental e comparar o algoritmo com alternativas da literatura. MATERIAIS E MÉTODO: após o estudo dos conceitos de fluxos de dados, mudança de conceito e protocolo prequential de validação, foram feitos experimentos com autoencoders em PyTorch e com a biblioteca River. No experimento final, autoencoders com camadas lineares e função de ativação ReLU foram treinados por classe e integrados a fluxos de 100 mil instâncias construídos com diferentes gerados de dados. Foram testados os detectores ADWIN, KSWIN e PageHinkley, além de uma adaptação unidirecional do ADWIN, sensível apenas ao aumento do erro. RESULTADOS: a adaptação unidirecional do ADWIN apresentou o melhor desempenho, com detecções consistentes com os pontos de mudança e com a evolução do erro de reconstrução nos quatro fluxos avaliados. CONSIDERAÇÕES FINAIS: o erro de reconstrução de autoencoders treinados por classe mostrou-se um sinal viável para a detecção de mudanças de conceito. Abordagens puramente não supervisionadas não atingiram resultados satisfatórios. O levantamento, a implementação e o protocolo experimental foram concluídos; a comparação com a literatura e a construção de um ensemble permanecem parciais e, ao lado do uso de bases reais e de métricas quantitativas, constituem as principais direções para trabalhos futuros.

PALAVRAS-CHAVE: Mudança de conceito; Fluxos de dados; Autoencoders; Aprendizagem não supervisionada; Detecção de mudanças.