Detección de anomalías & Análisis en tiempo real

En un mundo cada vez más conectado, gracias a paradigmas como Internet de las Cosas (IoT), Big Data y eHealth, se generan cada vez más datos. En este contexto, encontramos instancias (anomalías) que no siguen el comportamiento o los patrones esperados. La detección de anomalías es la disciplina que consiste en identificar estos patrones raros o inusuales en los datos. Es fundamental en muchas aplicaciones recientes como la sanidad, la vigilancia de redes, la monitorización de sensores IoT y la industria.

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.

Investigadores relacionados:

Letra:

  Nombre Email Área Cat.
Espinilla Estévez, Macarena mestevez@ujaen.ymSTTPpnes
García Gil, Diego Jesús djgarcia@decanC1RZrRLcHsai.ugr.es
García López, Salvador salvagl@dec7VWwVe8cAsai.ugr.es
Segovia Román, Fermín fsegovia9PBh7tpb@ugr.es
Ventura Soto, Sebastián sventura@ucow1E_UT9LatQ.es