EIFuzzCND: uma estratégia incremental para classificação multiclasse e detecção de novidades em fluxos de dados

• Ano de defesa: 2023
• Autor(a) principal: Bruzzone, Lucas Ricardo Duarte
• Orientador(a): Camargo, Heloisa de Arruda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de São Carlos; Câmpus São Carlos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação - PPGCC
• Palavras-chave em Inglês: Novelty detection algorithm; Streaming data classification; Concept drift detection methods; Outlier detection in data streams; Cluster-based anomaly detection
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
• Link de acesso: https://repositorio.ufscar.br/handle/20.500.14289/18959

The study addresses novelty detection in data streams, emphasizing the significance of this task in high-volume and high-velocity information environments. It proposes substantial improvements to the EFuzzCND algorithm, leading to the development of EIFuzzCND. These enhancements encompass an incremental approach, a reduction in dependence on true labels, and the implementation of the Incremental Confusion Matrix. Experiments validate the efficacy of EIFuzzCND across diverse scenarios, and result analysis underscores its capability to handle specific challenges, such as sudden concept shifts. The work contributes to advancing novelty detection in data streams by providing an innovative and practical approach, concluding with recommendations for future research.