Aprendizaje Automático en problemas no estándar

En los últimos años han aparecido nuevos problemas y paradigmas en el ámbito del aprendizaje automático que, de algún modo, no se ajustan a la representación clásica (vector de datos de entrada, valor de salida), o que no siguen la dinámica convencional de los paradigmas de clasificación y/o regresión.

Así, en lo que se refiere a representaciones no estándar, en el aprendizaje multi-instancia (multi-instance learning, MIL), cada patrón está representado por una bolsa que contiene un número variable de instancias, teniendo cada instancia el mismo número de atributos. Por otra parte, el aprendizaje relacional (relational learning, RL) tiene como objetivo trabajar directamente con datos almacenados en un sistema relacional, lo cual contrasta con la mayoría de las técnicas desarrolladas hasta la fecha, que tratan con una única tabla que contiene todos los datos. Por último, los paradigmas de aprendizaje multi-salida (multi-output learning, MTL) presentan el espacio de salida de un modo más flexible, a saber, con un vector que representa varias salidas simultáneas, que se corresponden a comportamientos o funcionalidades que se aprenden de forma concurrente.

En cuanto a problemas que no se ajustan a la dinámica clásica del proceso de aprendizaje, existen problemas el aprendizaje semi-supervisado (semi-supervised learning) o el aprendizaje activo (active learning), donde se utilizan tanto conjuntos de datos etiquetados como no etiquetados para llevar a cabo un aprendizaje más efectivo. Por otra parte, en clasificación monotónica (monotonic classification), la variable objetivo no es de un tipo numérico, pero presenta un ordenamiento implícito, lo que puede utilizarse para mejorar el proceso de aprendizaje en lugar de considerar a este problema como uno de clasificación convencional. Otro caso de interés es el del aprendizaje multi-fuente (multi-source learning, MSL) y el aprendizaje multi-vista (multi-view learning, MVL), que persiguen combinar información heterogénea y complementaria, obtenida a partir de varios conjuntos de datos, para aprender modelos que obtengan mejores resultados que modelos independientes generados a partir de informaciones independientes.

Contacto: Sebastián Ventura Soto

Investigadores relacionados:

Letra:

  Nombre Email Área Cat.
Cano de Amo, José Ramón jrcano@ujaXHYn_56qen.es Ciencia de Datos y Big Data DaSCI Doctor
Cano de Amo, José Ramón jrcano@ujaen.au1OjBaes Ciencia de Datos y Big Data DaSCI Doctor
Fernández Hilario, Alberto alberto@decsaQmqnIVCVhtNi.ugr.es Ciencia de Datos y Big Data DaSCI Doctor
García López, Salvador salvagl@decsai.ugroPeN.T8G.es Ciencia de Datos y Big Data DaSCI Doctor
Gibaja Galindo, Eva Lucrecia egibaja@uco.__HWGBKes Ciencia de Datos y Big Data DaSCI Doctor
Gibaja Galindo, Eva Lucrecia egibaja@AoIdr9SjgRuco.es Ciencia de Datos y Big Data DaSCI Doctor
Herrera Triguero, Francisco herrera@decsai.ugQF4bj8sJmPr.es Aplicaciones Tecnológicas DaSCI, Ciencia de Datos y Big Data DaSCI, Inteligencia Computacional DaSCI Doctor
Romero Zaliz, Rocío rocio2Aoa7U@ugr.es Aplicaciones Tecnológicas DaSCI Doctor
Zafra Gómez, Amelia azafra@ucoTIozeS.es Ciencia de Datos y Big Data DaSCI Doctor
Zafra Gómez, Amelia azafra@cYjIT7z.uY77uco.es Ciencia de Datos y Big Data DaSCI Doctor
Scroll Up