El nuevo regionalismo y el Consejo de Defensa Suramericano

Pós-graduação em Relações Internacionais (UNESP - UNICAMP - PUC-SP) - FFC

Caracterização de práticas de governança territorial no processo de desenvolvimento contemporâneo em Timor-Leste: análise a partir da questão da formação profissionalizante

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

A Vale em Moçambique: uma etnografia das relações entre brasileiros e moçambicanos no cotidiano dos megaprojetos

Pós-graduação em Ciências Sociais - FCLAR

Tráfico de drogas ilícitas nos Andes: a dimensão regional da cooperação e da segurança

Pós-graduação em Relações Internacionais (UNESP - UNICAMP - PUC-SP) - FFC

Cooperación internacional en ciencia, tecnología e innovación entre Brasil y Colombia durante los gobiernos Lula da Silva (2003 - 2010)

Pós-graduação em Relações Internacionais (UNESP - UNICAMP - PUC-SP) - FFC

O confisco sem condenação penal como medida de recuperação dos bens e valores instrumentos ou produtos da lavagem de ativos

Pós-graduação em Direito - FCHS

Estudo comparativo dos programas de habitação social nas cidades de Franca/Brasil e Praia/Cabo Verde: convergências e discrepâncias

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

Segurança na América do Sul: uma abordagem histórico-conceitual

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Controle e autonomia nas gestões Kirchner e Fernández de Kirchner (2003-2011): a Argentina na construção do Conselho de Defesa Sul-Americano

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Particle Competition and Cooperation in Networks for Semi-Supervised Learning with Concept Drift

Concept drift is a problem of increasing importance in machine learning and data mining. Data sets under analysis are no longer only static databases, but also data streams in which concepts and data distributions may not be stable over time. However, most learning algorithms produced so far are based on the assumption that data comes from a fixed distribution, so they are not suitable to handle concept drifts. Moreover, some concept drifts applications requires fast response, which means an algorithm must always be (re) trained with the latest available data. But the process of labeling data is usually expensive and/or time consuming when compared to unlabeled data acquisition, thus only a small fraction of the incoming data may be effectively labeled. Semi-supervised learning methods may help in this scenario, as they use both labeled and unlabeled data in the training process. However, most of them are also based on the assumption that the data is static. Therefore, semi-supervised learning with concept drifts is still an open challenge in machine learning. Recently, a particle competition and cooperation approach was used to realize graph-based semi-supervised learning from static data. In this paper, we extend that approach to handle data streams and concept drift. The result is a passive algorithm using a single classifier, which naturally adapts to concept changes, without any explicit drift detection mechanism. Its built-in mechanisms provide a natural way of learning from new data, gradually forgetting older knowledge as older labeled data items became less influent on the classification of newer data items. Some computer simulation are presented, showing the effectiveness of the proposed method.