@PhDThesis{Porto:2019:AlAgFl,
               author = "Porto, Sandy Moreira",
                title = "Rede prot{\'o}tipo: um algoritmo para agrupamento de fluxo de 
                         dados baseado em redes complexas",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2019",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2019-08-21",
             keywords = "Fluxo de dados, redes complexas, agrupamento, MODIS, 
                         observa{\c{c}}{\~a}o da Terra, data streams, complex network, 
                         clustering, Earth observing.",
             abstract = "Fluxo de dados s{\~a}o um novo conceito surgido a partir do 
                         grande avan{\c{c}}o tecnol{\'o}gico das {\'u}ltimas 
                         d{\'e}cadas. Data streams, como s{\~a}o chamados em ingl{\^e}s, 
                         s{\~a}o sequ{\^e}ncias de objetos que s{\~a}o gerados em tempo 
                         real e, portanto, trazem desafios {\'u}nicos aos algoritmos que 
                         pretendem process{\'a}-los. Este trabalho est{\'a} concentrado 
                         na tarefa de analisar os objetos que chegam com intuito de 
                         agrup{\'a}-los em conjuntos similares. Como os fluxos tendem ao 
                         infinito e, geralmente, os dados chegam com rapidez, os algoritmos 
                         de agrupamento para este tipo de dado, diferentemente das 
                         t{\'e}cnicas tradicionais, tem que desempenhar seus pap{\'e}is 
                         com restri{\c{c}}{\~o}es quanto ao espa{\c{c}}o de 
                         armazenamento e tempo de processamento que limitam sua 
                         atua{\c{c}}{\~a}o. Al{\'e}m disso, o algoritmo a tratar esses 
                         dados deve estar preparado para lidar com mudan{\c{c}}as e 
                         evolu{\c{c}}{\~o}es no conceito dos dados ao longo do tempo. A 
                         metodologia apresentada neste trabalho, nomeada Rede 
                         Prot{\'o}tipo, utiliza uma estrutura de dados baseada em Redes 
                         Complexas para armazenar um sum{\'a}rio inteligente dos dados do 
                         fluxo, inteligente porque ao mesmo tempo que agrupa os dados em 
                         conjuntos similares, consegue acompanhar os movimentos de conceito 
                         sem maiores interfer{\^e}ncias do usu{\'a}rio. A proposta deste 
                         trabalho tem como maior vantagem a depend{\^e}ncia de apenas dois 
                         par{\^a}metros, MAXV e H, sendo que o primeiro define a 
                         quantidade m{\'a}xima de v{\'e}rtices da rede e o segundo a 
                         quantidade de dados recentes do fluxo a serem considerados. Os 
                         experimentos relatados nesta tese avaliam o desempenho da Rede 
                         Prot{\'o}tipo contra algoritmos cl{\'a}ssicos na tarefa de 
                         agrupamento de fluxos como CluStream e DenStream, mas tamb{\'e}m 
                         contra outros algoritmos tamb{\'e}m baseados em Redes Complexas. 
                         Os algoritmos s{\~a}o testados com dados sint{\'e}ticos que 
                         simulam mudan{\c{c}}as e evolu{\c{c}}{\~o}es de conceito, 
                         al{\'e}m de dados provenientes de imagens de 
                         Observa{\c{c}}{\~a}o da Terra, que se mostraram ainda mais 
                         desafiadores para os algoritmos de agrupamento de fluxo de dados. 
                         ABSTRACT: Data streams are a new concept that emerged from the 
                         significant technological advances of the last decades. Those data 
                         are sequences of objects that are generated in real-time and 
                         therefore pose unique challenges to the algorithms that intend to 
                         process them. This work is focused on the task of analyzing the 
                         objects that arrive with the intent of group them into similar 
                         sets. Since data streams tend to infinity and data usually arrive 
                         quickly, clustering algorithms for this type of data, unlike 
                         traditional techniques, have to play their role with storage space 
                         and processing time constraints that limit their performance. In 
                         addition, the algorithm handling this data must be prepared to 
                         deal with changes and developments in the concept of data over 
                         time. The methodology presented in this thesis, called Prototype 
                         Network, uses a data structure based on Complex Networks to store 
                         an intelligent data stream summary, intelligent because while 
                         grouping the data into similar sets, it can follow the concept 
                         movements without major user interference. The purpose of this 
                         work has the most significant advantage of relying on only two 
                         parameters, MAXV and H, the first one defining the maximum amount 
                         of network vertices and the second the amount of recent stream 
                         data to be considered. The experiments reported in this thesis 
                         evaluate the performance of the Prototype Network against 
                         classical algorithms in the clustering task such as CluStream and 
                         DenStream, but also against other algorithms also based on Complex 
                         Networks. The algorithms are tested with synthetic data that 
                         simulate concept changes and evolution, as well as data from Earth 
                         Observation images, which have proven to be even more challenging 
                         for data streams clustering algorithms.",
            committee = "Vijaykumar, Nandamudi Lankalapalli (presidente) and Quiles, Marcos 
                         Gon{\c{c}}alves (orientador) and Macau, Elbert Einstein Nehrer 
                         and Lorena, Ana Carolina and Basgalupp, M{\'a}rcio Porto",
         englishtitle = "Prototype network: an algorithm for data stream clustering based 
                         on complex networks",
             language = "pt",
                pages = "133",
                  ibi = "8JMKD3MGP3W34R/3TR9CEL",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34R/3TR9CEL",
           targetfile = "publicacao.pdf",
        urlaccessdate = "16 abr. 2024"
}