Aprendizagem ativa em fluxo de dados com latência intermediária

Um fluxo de dados é caracterizado por uma produção massiva de exemplos devido à chegada contínua desses exemplos. Em problemas de classificação em fluxo de dados, normalmente o rótulo real do exemplo é necessário para a avaliação do desempenho ou a detecção de mudança de conceito. No entanto, em muitas aplicações, a obtenção de todos os rótulos verdadeiros é impraticável devido ao alto custo associado. Apesar de existirem diversos trabalhos que utilizam a aprendizagem ativa em fluxo de dados para obter uma porção de exemplos rotulados, normalmente eles consideram que o rótulo verdadeiro é disponibilizado de forma imediata na requisição, o que nem sempre é possível devido ao tempo necessário de análise do exemplo. Este artigo tem por objetivo a investigação de um novo cenário de fluxo de dados com latência intermediária e restrição de rotulagem, além de propor algumas estratégias de aprendizagem ativa para esse cenário e um framework de suporte teórico para essas estratégias.