Transduction based approaches for dataset shift problems

Abstract

O problema do Dataset Drift ocorre em toda e qualquer área que utilize dados para criar ou ajustar modelos. É chamado de drift o fenômeno que faz com que haja alguma diferença entre os dados de treinamento e os de teste, além de se manisfestar em qualquer momento no ambiente de aplicação real do modelo. Nesse contexto são sugeridas abordagens utilizando aprendizado transdutivo para lidar com o Dataset Drift. Duas estratégias foram definidas e apresentam resultados satisfatórios com algumas limitações. A primeira é baseada em uma Abordagem Essencialmente Transdutiva que utiliza um algoritmo genético para a otimização da entropia dos dados. A outra é uma estratégia orientada a problemas espaciais bidimensionais, baseada em Grafos de Gabriel para a estimação de Modelos de Mistura Gaussiana. No entanto, a análise da qualidade dos modelos perante a presença do drift ainda não é realizada de forma sistemática, dessa forma os experimentos foram feitos com estudos de caso.