Uncertainty, interpretability and dataset limitations in deep learning

• Autores: Guillem Pascual Guinovart
• Directores de la Tesis: Santiago Seguí Mesquida (dir. tes.) , Jordi Vitrià Marca (codir. tes.)
• Lectura: En la Universitat de Barcelona ( España ) en 2023
• Idioma: inglés
• Tribunal Calificador de la Tesis: Oriol Pujol Vila (presid.) , Jordi González Sabaté (secret.) , David Masip Rodó (voc.)
• Enlaces
  • Tesis en acceso abierto en: TESEO
• Resumen

  • Esta tesis explora los campos de la incertidumbre, la interpretabilidad y la falta de datos en el contexto de Deep Learning. Para ello se propone la creación de métodos y algoritmos aplicables a casos reales. En primer lugar se desarrolla un método para la obtención de incertidumbre en imágenes satélite. Mediante su uso se crean modelos más robustos a la par de dar resultados interpretables al usuario. En segundo lugar se emplean redes recurrentes para la obtención de información contextual con la que combatir le falta de datos en imágenes satélite y en Wireless Capsule Endoscopy (WCE). Finalmente, se propone el uso de Self-supervised Learning para crear modelos capaces de usar información implícita en datos con carácter temporal con elobjetivo de combatir la falta de datos y el desbalanceo de las clases.