Banca de DEFESA: PEDRO HENRIQUE MEIRA DE ANDRADE

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : PEDRO HENRIQUE MEIRA DE ANDRADE
DATA : 30/08/2024
HORA: 08:00
LOCAL: Remoto
TÍTULO:

Abordagem de Aprendizado Incremental em TinyML para Processamento de Outliers e Previsão

 

PALAVRAS-CHAVES:

Internet das Coisas, Computação na Borda, TinyML, Tiny Machine Learning, Aprendizado Incremental, Aprendizado Contínuo, Detecção de Outliers, Correção de Outliers, Microcontroladores.

PÁGINAS: 100
RESUMO:

A Internet das Coisas (IoT) é um paradigma em que a capacidades de processamento e conexão são incorporadas em objetos, conectando-os à Internet. Reconhecida como uma área tecnológica emergente crucial, a IoT possui potencial significativo para melhorar a qualidade de vida, otimizar processos industriais e oferecer mais aplicações a objetos cotidianos. Com o aumento da quantidade de objetos conectados à Internet, surge a necessidade de infraestrutura para gerenciar o grande volume de dados gerado. Nesse contexto, a Computação na Borda (Edge Computing) se destaca ao processar dados próximo à sua fonte geradora, deixando apenas o processamento mais pesado para servidores centrais. O processamento na borda possibilita o desenvolvimento de algoritmos otimizados de aprendizado de máquina, conhecidos como Tiny Machine Learning (TinyML). Ao empregar algoritmos leves e otimizados, o paradigma TinyML oferece vantagens como menor latência, maior eficiência energética e maior autonomia para dispositivos operando em aplicações remotas ou isoladas. No campo do TinyML, a implementação de técnicas de aprendizado de máquina em dispositivos com recursos limitados, como microcontroladores, apresenta desafios significativos, incluindo a detecção e correção de outliers. Este trabalho aborda o problema de outliers, relevante tanto para pesquisa acadêmica quanto para aplicações industriais em áreas como medições de energia, dados de saúde, sistemas industriais e aplicações automotivas. Foram desenvolvidos, portanto, três algoritmos: TEDA-RLS e TEDA-Forecasting para processamento de outliers, com foco em detecção e correção, e TEDA-Ensemble para previsão. Todos os algoritmos estão dentro do campo do Aprendizado Incremental, pois dispõem da capacidade de aprender continuamente com a entrada de novos dados. Os algoritmos propostos foram comparados com técnicas já consolidadas na literatura como XGBoosting, Long Short-Term Memory (LSTM), Linear Regression, k-Nearest Neighbors (KNN) algorithm, obtendo resultados relevantes por apresentarem baixos erros e pouco consumo de energia. Por fim, os algoritmos de processamento de outliers foram embarcados com êxito em um microcontrolador, confirmando a viabilidade da abordagem TinyML.

 

MEMBROS DA BANCA:
Presidente - 2885532 - IVANOVITCH MEDEIROS DANTAS DA SILVA
Interno - 1153006 - LUIZ AFFONSO HENDERSON GUEDES DE OLIVEIRA
Externo ao Programa - 3216921 - TIAGO TAVARES LEITE BARROS - UFRNExterno à Instituição - DANIEL GOUVEIA COSTA - FEUP
Externo à Instituição - JUAN MOISES MAURICIO VILLANUEVA - UFPB