A medida que la potencia computacional y la Aprendizaje automático avanzadodisponibilidad de datos continúan creciendo exponencialmente, investigadores han logrado ir más allá de los límites de las técnicas tradicionales de aprendizaje automático (ML) y adentrarse en las complejidades de las arquitecturas de aprendizaje profundo (DL). Estos estudios de vanguardia se enfocan en mejorar el rendimiento, la interpretabilidad y la generalización de los modelos, así como en abordar desafíos como el sobreajuste, tareas no convencionales y ataques adversarios. Además, los avances en arquitecturas de redes neuronales, como los transformadores, han revolucionado el aprendizaje y las tareas de visión por computadora, permitiendo a las máquinas comprender cualquier tipo de datos y generar texto e imágenes de manera similar a los humanos. A medida que la comunidad de investigación se adentra más en este campo, se abren posibilidades para sistemas autónomos, medicina personalizada, ciudades inteligentes e interacciones mejoradas entre humanos y computadoras, prometiendo un futuro en el que la IA potencie las capacidades humanas y revolucione numerosas industrias.
Principales líneas actuales de investigación de DaSCI:
- Aprendizaje Automático Avanzado: Avanzar en técnicas de aprendizaje automático para manejar entradas de datos no convencionales, modelos predictivos con conocimiento previo para decisiones confiables e imparciales, enfatizando el procesamiento eficiente de Big Data, explorando hibridaciones con computación suave, con el objetivo de revolucionar el campo y enfocarse en AutoML para desafíos de aprendizaje no convencionales.
- Aprendizaje Profundo en Visión por Ordenador: Nuestra investigación se centra en la visión por computadora, explorando modelos generativos basados en difusión para el envejecimiento facial y aprovechando los Transformers de Visión para el aprendizaje semi-supervisado para mejorar las aplicaciones de visión por computadora en diversos contextos industriales.
- Aprendizaje Profundo y Inteligencia Artificial Simbólica: Avanzar en la inteligencia artificial a través de contribuciones teóricas y combinando el aprendizaje profundo con la IA simbólica, explorando redes neuronales de grafos para la satisfacción de restricciones y análisis de redes sociales, y utilizando máquinas de lógica neuronal para la planificación automática, estableciendo vínculos entre técnicas simbólicas y sub-simbólicas de IA.
