Mejoras a la capacidad de generalización de la inteligencia artificial

• Autores: Javier Fumanal-Idocin
• Directores de la Tesis: Humberto Bustince Sola (dir. tes.) , Óscar Cordón García (dir. tes.)
• Lectura: En la Universidad Pública de Navarra ( España ) en 2023
• Idioma: español
• Número de páginas: 242
• Enlaces
  • Tesis en acceso abierto en: Academica-e
• Resumen
  • español

    La fusión de información es un aspecto crucial del análisis moderno de datos y la toma de decisiones. Implica la integración de múltiples fuentes de información para obtener una com prensión más completa y precisa de un tema determinado. Este proceso es especialmente importante en campos como la informática, la ingeniería y las ciencias naturales, donde se generan grandes cantidades de datos procedentes de diversas fuentes que deben sintetizarse para tomar decisiones con conocimiento de causa. La fusión de información también es esencial en el diseño y la implantación de sistemas inteligentes, ya que permite integrar diversos sensores y fuentes de datos para hacer predicciones y recomendaciones más precisas. Desde un punto de vista matemático, una forma de estudiar este problema es a través de la idea de funciones de fusión, que toman como entrada un vector de números y devuelven uno solo, representativo de ellos. Un tipo relevante de funcion de fusión es la familia de funciones de agregación. Estas funciones mantienen dos condiciones de contorno y monotonicidad con respecto a las entradas, que inducen algunas propiedades deseables a la salida de la función. Sin embargo, la fusión de información en los sistemas aplicados comprende algo más que esta noción teórica. A medida que la heterogeneidad, la estructura y el volumen de los datos adquieren mayor relevancia, han surgido otros enfoques para abordar este problema. Por ejemplo, en una estructura de red, las distintas entradas se asocian entre sí según un conjunto preestablecido de relaciones; en las series temporales, los datos presentan dependencias temporales. Cuando se trata de datos no estructurados, como texto, audio e imagen, los enfoques de aprendizaje profundo han tenido mucho exito en la transformación de este tipo de datos en representaciones vectoriales de números reales utilizando series de transformaciones afines. A pesar de los esfuerzos previos en este campo, el problema de combinar eficazmente fuentes de información diversas y heterogéneas, sigue siendo un área de investigación abierta y activa. Esto se debe a los desafíos inherentes a la integracion de múltiples fuentes que pueden estar en diferentes formatos y pueden tener información contradictoria o incompleta. Por ejemplo, el modo en que la información medida se relaciona con otras fuentes de datos y la fiabilidad de esas medidas dependen en gran medida del procedimiento de medición. De hecho, los sistemas que fusionan la información de esas distintas fuentes presentarán también complejidades adicionales al tener en cuenta las particularidades de cada característica considerada. En esta tesis, proponemos un conjunto de funciones y algoritmos para tener en cuenta las posibles interacciones, heterogeneidades e incertidumbres cuando se trabaja con distintas fuentes de información. Lo hacemos mediante la teoría de agregaciones y el análisis de redes sociales, y nos centramos especialmente en aquellos casos en los que los enfoques de aprendizaje profundo no tienen tanto éxito. Aplicamos estos resultados a una amplia gama de problemas, incluyendo la clasificación de se ñales de interfaz cerebro-ordenador, la clasificación de datos tabulares estándar y la detección de anomalías.

  • English

    Information fusion is a crucial aspect of modern data analysis and decision making. It involves the integration of multiple sources of information in order to form a more complete and accurate understanding of a given subject. This process is particularly important in fields such as computer science, engineering, and natural sciences, where large amounts of data are generated from a variety of sources and must be synthesised to make informed decisions. Information fusion is also essential in the design and implementation of intelligent systems, as it allows the integration of various sensors and data sources to make more accurate predictions and recommendations. From a mathematical point of view, one way to study this problem is through the idea of fusion functions, which take as input a vector of numbers and return a single one, representative of them. A relevant kind of fusion function is the family of aggregation functions. These functions hold two boundary conditions and monotonicity with respect to the inputs, which induce some desirable properties to the function output. However, information fusion in applied systems comprises more than this theoretical notion. As the heterogeneity, the structure, and the volume of the data become more relevant, other approaches to tackle this problem have arisen. For example, in a network structure, the different inputs are associated among each other according to a pre-established set of relationships; in time series, data present temporal dependencies. When dealing with non-structured data, like text, audio, and image, deep learning approaches have been very successful in transforming this kind of data into vectorial representations of real numbers using series of affine transformations. Despite previous efforts in the field, the problem of effectively combining diverse and heterogeneous sources of information, remains an open and active area of research. This is due to the challenges inherent in integrating multiple sources that may be in different formats and may have conflicting or incomplete information. For example, how the information measured relates to other sources of data and how reliable those measures are is highly dependent on the measurement procedure. Indeed, systems that fuse the information from those different sources shall present additional complexities as well when taking into account the particularities of each feature considered. In this dissertation, we propose a collection of functions and algorithms to take into account possible interactions, heterogeneities, and uncertainties when working with different sources of information. We do so by means of aggregation theory and social network analysis, and we focus especially on those cases where deep learning approaches are not so successful. We apply these results to a wide range of problems, including the classification of brain computer interface signals, the classification of standard tabular data, the detection of anomalies, and the detection of communities in social networks.