Ref: JAEINT21_EX_1091
Plan de formación ofrecido por el investigador Javier Portilla Muelas y titulado: Estudio y aplicación de características desacopladas al aprendizaje profundo
Plazo de inscripción hasta el 12 de abril
La reciente emergencia del llamado "aprendizaje profundo" mediante nuevos modelos de redes neuronales artificiales (RNAs) ha supuesto un hito tecnológico de primera magnitud, con aplicación directa a tareas como el reconocimiento de patrones y procesado de imágenes, donde ya representan el estado del arte. La comunidad científica relacionada y de matemáticas aplicadas se está volcado activamente en comprender mejor las propiedades de dichas RNAs. En particular, y a pesar de los éxitos espectaculares cosechados en los últimos años en problemas difíciles, preocupan aún los siguientes aspectos: (a) Las RNAs típicamente tienen un número altísimo de parámetros; (b) Para poder entrenar esa gran cantidad de parámetros es necesario presentar muchísimos datos etiquetados (por ejemplo, miles o incluso millones de imágenes), algo que sólo suele estar a disposición de grandes corporaciones de las TIC; (c) A pesar de la gran cantidad de datos utilizados para el entrenamiento, es posible generar en muchos casos ejemplos adversarios (comportamiento indeseado dependiente de pequeñas modificaciones de las imágenes), que demuestran falta de robustez debida a sobreajuste y una generalización deficiente. Esto indica la necesidad de avanzar en la introducción de modelos a priori que permitan reducir los grados de libertad de las RNAs.
Por otro lado, en el Instituto de Óptica hemos desarrollado recientemente un método de desacoplamiento de características [1,2,3], que ha demostrado ser muy prometedor en tareas de regresión, clasificación y síntesis. Hasta ahora hemos utilizado nuestro método sin aprender las características a partir de los datos. Sin embargo, pensamos que su mayor potencial se obtendrá al incluirlo en modelos de aprendizaje profundo.
[1] J. Portilla and E. Martínez-Enríquez, "Nested Normalizations for Decoupling Global Features," 2018 25th IEEE International Conference on Image Processing (ICIP), Athens, 2018, pp. 2112-2116.
[2] E. Martínez-Enríquez and J. Portilla, "Deterministic Feature Decoupling by Surfing Invariance Manifolds," ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, 2020, pp. 6049-6053.
[3] E. Martínez-Enríquez and J. Portilla, "Controlled Feature Adjustment for Image Processing and Synthesis," 2020 IEEE 22nd International Workshop on Multimedia Signal Processing (MMSP), Tampere, Finland, 2020, pp. 1-6
Para cualquier duda acerca de esta oferta por favor escribid a: javier.portilla@csic.es
Más información
Resto de ofertas JAE del instituto 
