Unsupervised drift detection using quadtree spatial mapping

Abstract

A análise de fluxos de dados não estacionários representa um desafio significativo no campo de aprendizado de máquina devido às mudanças de distribuição de dados, conhecidas como mudanças de conceito. Esta dissertação propõe o método QTS (QuadTree Summarized Drift Detection), um detector de mudanças de conceito não supervisionado baseado no mapeamento espacial utilizando a estrutura de quadtree. O método monitora mudanças em dados multivariados através da ocupação do espaço, simplificando a análise com representações visuais e testes estatísticos simples. O desempenho do QTS foi avaliado em bases de dados sintéticas e reais, apresentando resultados competitivos em comparação com métodos consagrados, com destaque para sua eficiência em cenários de drift gradual e abrupto. Uma extensão visual do método, o IQT (Image QuadTree Drift Detector), foi desenvolvida para complementar a análise e se mostrou especialmente eficaz em problemas de alta dimensionalidade e aqueles com mudanças sutis na distribuição de dados. Os resultados demonstram o potencial do QTS e do IQT em aplicações práticas, como no diagnóstico de falhas em sistemas industriais, validando sua capacidade de adaptação a ambientes dinâmicos.