Objetivos

Aprendizaje multietiqueta

Diseño de modelos Deep Learning para la obtención de "Common Latent Space to Attributes" y etiquetas en MLL.

Afrontar el problema de desbalanceo in MLL a través de la capacidad de nuevos algoritmos de producir muestras sintéticas de técnicas Deep Learning.

Reducir el tiempo necesario para construir modelos MLL distribuyendo la carga de trabajo usando acercamientos Big Data, y proponiendo procedimientos para lograr la fusión de modelos parciales

646x504
Flujos de datos y predicciones de series temporales.

Diseñar métodos basados en "CROSS-SECTIONAL LEARNING" con kNN y modelos de redes neuronales.

Estudiar la aplicación de técnicas de preprocesado de series temporales clásicas en los nuevos métodos de series temporales de Deep Learning y diseñado de propuestas evolutivas para la selección automática de topología y parámetros de modelos Deep Learning.

Desarrollo de métodos de ensamblado para predicciones de series temporales usando acercamientos de ensamblado de aprendizaje dinámico.

Obtención de acercamientos Big Data basados en redes neuronales y DL, para abordar tareas de minado predictivo en grandes volúmenes de flujos de datos, teniendo en cuenta problemas tales como conceptos derivados y etiquetado.

Estudio y desarrollo de métodos predictivos en datos continuos que permitan la emisión de alarmas en "Edge Computing Environments" y fusión de "Local Edge Models"

Inducción supervisada o descripción de reglas
Inducción supervisada o descripción de reglas.

Desarrollo de modelos para detección de patrones emergentes en diferentes periodos de tiempo, mas comúnmente conocido como minado de cambio.

Análisis y diseño de descubrimiento de reglas de aprendizaje supervisado para problemas de regresión a través de sistemas evolutivos difusos.

Métodos de extracción de modelos transparentes en el contexto de XAI
Métodos de extracción de modelos transparentes en el contexto de XAI.

Análisis de evaluación de métricas y métodos para reglas explicables en XAI/ ML explicable. Desarrollo de proposiciones para evaluación de métodos y métricas que consideren especificaciones del contexto.

Diseño de sistemas basados en reglas explicables usando características mas informativas y significativas.

Análisis y desarrollo de acercamientos a la composición de métodos explicables: fusión de diferentes modelos ML explicables y conocimiento de expertos.

Aplicaciones
Aplicaciones

Predicción de series temporales, modelización y explicabilidad en un servicio de urgencias hospitalario.

Deep Learning para la identificación y clasificación de objetos en imágenes: análisis de imágenes de dispositivos de fototrampeo vinculados a la protección del lince ibérico

SIMIDAT