DC 4

Aprendizaje federado con modelos de reglas descriptivas supervisadas para extraer conocimiento explicable y confiable

María Asunción Padilla-Rascón (presenta el trabajo)

Aprendizaje de representaciones para una IA confiable y sostenible

David de la Rosa de la Rosa (presenta el trabajo)

Nuevos paradigmas para el diseño de arquitecturas de redes profundas híbridas explicables en series temporales

Manuel Germán Morales (presenta el trabajo)

Towards Trustworthy Recommender Systems through Uncertainty Quantification

Mateus Toledo da Silveira Leao (presenta el trabajo)

Algoritmos heurísticos para el embebido de grafos con signo en estructuras cíclicas

Marcos Robles (presenta el trabajo)

Machine Learning-Guided Metaheuristics for Solving Facility Location Problems

Lucas Martín-García (presenta el trabajo)

Interpretable Weak Labelling of Time Series through Motif Discovery and Structured Temporal Representations

Christian Luna (presenta el trabajo)