Principales líneas de investigación actuales del DaSCI:
- Interpretabilidad y explicabilidad. Una de las demandas más destacadas de las empresas es la capacidad de comprensión del modelo que actúa como detector de anomalías. Esta meta implica dos objetivos complementarios: En primer lugar, mejorar la interpretabilidad del modelo; y en segundo lugar, proporcionar una visión del funcionamiento del modelo, haciéndolo explicable.
- Aprendizaje profundo (DL) para anomalías complejas. Deep Learning es una potente herramienta para la detección de anomalías, aplicada en dos escenarios: datos estáticos (mediante autoencoders) y series temporales (mediante redes neuronales convolucionales y recurrentes). Las GAN también han ganado popularidad en la detección de anomalías debido a su eficacia con datos etiquetados limitados.
- Mitigación de falsos positivos. Esta tarea tiene como objetivo reducir el número de falsos positivos etiquetados por el detector de anomalías.
- Escenarios de Big Data y fusión de modelos en entornos distribuidos. Con la explosión de datos, la popularización de los sensores y la automatización en la adquisición y almacenamiento de datos, el problema de la detección de anomalías se ha convertido en un problema de Big Data, donde la fusión de información/modelos tendrá un fuerte impacto en la calidad del sistema final.
