Defesa de Proposta de Dissertação (18/06/2026): Rodrigo Machado

Discente: Rodrigo Machado

Título: Gestão de Modelos em Situação de Concept Drift

Orientadores: Eduardo Soares Ogasawara (Orientador) e Rafaelli de Carvalho Coutinho (Co-orientadora)

Banca: Eduardo Soares Ogasawara (PPCIC-Cefet/RJ),  Rafaelli de Carvalho Coutinho (PPCIC-Cefet/RJ), Jorge de Abreu Soares (PPCIC-Cefet/RJ) e Kele Teixeira Belloze (PPCIC-Cefet/RJ)

Dia/hora:  18 de junho de 2026, às 18h

Sala: https://teams.microsoft.com/meet/247121373601878?p=zs0anjErjq3FL9OgbZ

Resumo: Ambientes de aprendizado em fluxo de dados são caracterizados por não estacionariedade, na qual mudanças na distribuição dos dados ao longo do tempo, conhecidas como desvio de conceito, degradam o desempenho de modelos preditivos. Em cenários com conceitos recorrentes, o desafio inclui decidir entre reutilizar modelos previamente aprendidos ou induzir novos modelos. Esta dissertação propõe a arquitetura REMIND (Recurrent Evidence-based Model reuse with Integrated Drift adaptation), voltada à investigação sistemática de estratégias de adaptação ao desvio de conceito com ênfase no reuso de modelos. O REMIND integra quatro camadas: detecção de desvio, gestão de conceitos, gestão de memória e aprendizado de máquina, coordenadas por uma lógica unificada de decisão. Cada conceito é representado como uma entidade estruturada composta por modelo, dados de referência, pipeline de pré-processamento e metadados. A adaptação é acionada por detecção de desvio (regime reativo) ou continuamente (regime passivo), comparando o contexto corrente a conceitos históricos por meio de três estratégias: (i) similaridade distributiva baseada no Population Stability Index (PSI) (PSI), (ii) desempenho preditivo baseado na acurácia relativa ao histórico (ACC) e (iii) estratégia híbrida (HYB) que combina ambas as evidências. Se um conceito compatível for identificado, ele é reutilizado; caso contrário, induz-se um novo conceito, que é incorporado ao repositório, cuja gestão considera capacidade limitada e políticas de descarte baseadas em frequência de reutilização. A avaliação experimental, conduzida na previsão horária de precipitação no Miami International Airport (MIA), mostrou que o REMIND apresentou resultados promissores em diversas configurações, com desempenho preditivo competitivo e elevada eficiência operacional; em alguns cenários, seu comportamento foi semelhante ao retreinamento por lote, sem diferenças estatisticamente significativas, indicando que o reuso pode sustentar a qualidade preditiva ao mesmo tempo em que reduz o custo de adaptação em fluxos dinâmicos com recorrência de padrões. Entre as estratégias avaliadas, abordagens baseadas em desempenho (ACC) e em combinação de evidências (HYB) destacaram-se em diferentes situações, enquanto a similaridade distributiva (PSI) favoreceu maior reutilização e menor custo de treinamento. Assim, os resultados evidenciam que a efetividade do reuso depende da interação entre o contexto observado, o classificador e o critério de adaptação, reforçando o potencial do REMIND como arquitetura para aprendizado contínuo com conceitos recorrentes.