Piotr Maciąg obronił pracę doktorską z wyróżnieniem

Streszczenie: W rozprawie zostały przedstawione nowe metody predykcji oraz detekcji anomalii w strumieniach czasowych z wykorzystaniem ewoluujących impulsowych sieci neuronowych oraz nowe metody odkrywania przestrzenno-czasowych wzorców sekwencyjnych. Na rozprawę składa się zbiór ośmiu publikacji, które zostały poprzedzone omówieniem ograniczeń dotychczas zaproponowanych w literaturze metod klasyfikacji i predykcji z wykorzystaniem ewoluujących impulsowych sieci neuronowych oraz odkrywania przestrzenno-czasowych wzorców sekwencyjnych, a także przedstawieniem tezy badawczej.Pierwsza z publikacji zawartych w rozprawie prezentuje nowy model predykcji zanieczyszczenia powietrza z szeregów czasowych z wykorzystaniem zespołu ewoluujących impulsowych sieci neuronowych. W zaproponowanym rozwiązaniu zespół ten jest trenowany w oparciu o grupowanie danych. Publikacje druga i trzecia zawierają opracowane przez autora rozprawy nowe metody i algorytmy, które stanowią adaptację ewoluujących impulsowych sieci neuronowych uczonych w trybie online do predykcji zanieczyszczenia powietrza oraz nienadzorowanej detekcji anomalii w strumieniach danych.Publikacje od czwartej do ósmej odnoszą się do problemu efektywnego odkrywania przestrzenno-czasowych wzorców sekwencyjnych. Publikacja czwarta zawiera omówienia typów danych przestrzenno-czasowych oraz metod grupowania danych przestrzenno-czasowych dostępnych w literaturze. Publikacja piąta zawiera nowy efektywny algorytm odkrywania przestrzenno-czasowych wzorców sekwencyjnych z wykorzystaniem mikrogupowania instancji zdarzeń. Publikacje szósta i siódma przedstawiają opracowane: nowy algorytm odkrywania zadanej liczby najbardziej znaczących przestrzenno-czasowych wzorców sekwencyjnych oraz nowy algorytm odkrywania wzorców tego typu wykorzystujący strategię wszerz generowania wzorców kandydujących. W ramach ósmej publikacji został przedstawiony opracowany przez autora rozprawy efektywny algorytm odkrywania wszystkich znaczących zamkniętych przestrzenno-czasowych wzorców sekwencyjnych, stanowiących bezstratną reprezentację wszystkich znaczących przestrzenno-czasowych wzorców sekwencyjnych.

Abstract: Thesis presents new methods of spatio-temporal sequential patterns discovery, detection of anomalies and prediction from time series data with particular use of evolving spiking neural networks. The thesis consists of eight publications, which are preceded by a review of limitations of the methods already proposed in the literature concerning classification and prediction using evolving spiking neural networks and spatio-temporal sequential patterns discovery as well as formulation of the thesis of this dissertation. 
 The first publication included in the thesis offers a new model of air pollution prediction from time series data with the use of an ensemble of evolving spiking neural networks, which was proposed by the thesis author. The distinctive feature of the proposed model is that each network in the ensemble is trained with a different group of input data samples obtained by clustering of air pollution time series. In the second and third publication, the thesis author offered new methods of air pollution prediction and unsupervised anomaly detection from data streams by adapting online evolving spiking neural networks.
 Publications four to eight included in the thesis are related to the problem of efficient discovery of spatio-temporal sequential patterns. In the fourth publication, the thesis author reviewed spatio-temporal datatypes proposed in the literature and methods of spatio-temporal data clustering. The fifth publication presents a new, efficient algorithm developed by the thesis author for the discovery of spatio-temporal sequential patterns with the use of a microclustering approach. The sixth and the seventh publication included in the thesis offer two algorithms designed by the thesis author for the discovery of spatio-temporal sequential patterns. The first algorithm discovers top most significant spatio-temporal sequential patterns. The second algorithm discovers significant spatio-temporal sequential patterns with the use of a breadth-first candidate patterns generation strategy. In the last publication, the thesis author proposed an algorithm for efficient discovery of all significant closed spatio-temporal sequential patterns, which constitute a lossless representation of all significant spatio-temporal sequential patterns