Seleção Adaptativa de Hiperparâmetros com Aprendizado por Reforço para Modelos de Detecção de Anomalias em Séries Temporais Multivariadas

Título: Seleção Adaptativa de Hiperparâmetros com Aprendizado por Reforço para Modelos de Detecção de Anomalias em Séries Temporais Multivariadas

Autores: Rodrigo Marcel Araujo Oliveira, Angelo Marcio Oliveira Sant’Anna & Paulo Henrique Ferreira da Silva

Resumo: Resumo—A seleção de hiperparâmetros em modelos de aprendizado de máquina é um fator crítico para assegurar a eficácia de sua performance. No contexto de modelos não supervisionados, esse desafio se torna ainda mais complexo, especialmente na tarefa de detecção de anomalias, dado que o processo de treinamento ocorre sem orientação explícita de classes. Este trabalho propõe uma abordagem inteligente para a seleção automática de hiperparâmetros de modelos não supervisionados de detecção de anomalias em séries temporais multivariadas, utilizando o algoritmo Soft Actor-Critic, baseado em aprendizado por reforço. Foram estudados os modelos: Isolation Forest, Principal Component Analysis, Local Outlier Factor, Lightweight on-line detector of anomalies. O estudo de caso explora dados de séries temporais oriundos do monitoramento de poços de produção de petróleo. Os resultados obtidos são promissores e evidenciam a robustez da metodologia proposta em potencializar a performance de modelos para a tarefa de detecção de anomalias.

Palavras-chave: unsupervised learning; reinforcement learning; anomaly detection; hyperparameter optimization; time series.

Páginas: 8

Código DOI: 10.21528/CBIC2025-1162938

Artigo em PDF: CBIC_2025_paper1162938.pdf

Arquivo BibTeX:
CBIC_2025_1162938.bib