Detección de Anomalías

A medida que el Machine Learning (ML) se aplica a tareas cada vez más sensibles, y se aplica a datos cada vez más ruidosos, se ha vuelto importante que los algoritmos que desarrollamos para el ML sean robustos para casos potencialmente ruidosos. En el Machine Learning robusto abordamos los avances recientes en una serie de temas relacionados, tanto teóricos como aplicados, incluyendo:

• Aprendizaje en presencia de outliers y ruido, creando modelos robustos y generalizables cuando nuestro conjunto de datos de entrenamiento está corrompido por el ruido. Esto incluye estadísticas robustas (no paramétricas), aprendizaje de listas, y ataques de envenenamiento de datos y marcas de agua.
• Aprendizaje con adversarios. Es conocido que los sistemas de visión artificial basados en Deep Learning pueden ser engañados perturbando una imagen de test en una cantidad imperceptible para el ojo humano. Se contempla cómo funcionan esos ataques, así como las defensas empíricas para esos ataques (por ejemplo, PGD).
• Machine Learning privado, donde intentamos responder a la cuestión ¿cómo podemos desarrollar algoritmos para el ML que respeten la privacidad de los usuarios que proporcionan los datos?

Contacto: Julián Luengo Martín

Investigadores relacionados:

Letra:
	Nombre	Email	Área	Cat.
	Benítez Sánchez, José Manuel	J.M.Benitez@decsai.u@HEWiOYgr.es	Ciencia de Datos y Big Data DaSCI, Inteligencia Computacional DaSCI	Doctor
	Herrera Triguero, Francisco	herrera@drXNYCbr_jecsai.ugr.es	Aplicaciones Tecnológicas DaSCI, Ciencia de Datos y Big Data DaSCI, Inteligencia Computacional DaSCI	Doctor
	Luengo Martín, Julián	julianlm@dWIgp.tb@R_ecsai.ugr.es	Ciencia de Datos y Big Data DaSCI	Doctor
	Romero Zaliz, Rocío	rocioCJFwLK88@ugr.es	Aplicaciones Tecnológicas DaSCI	Doctor