Desacoplamiento determinista de características globales y su aplicación al análisis de datos

Desarrollado un método matemático que reduce significativamente la tasa de error de las inteligencias artificiales en varias tareas.
De este modo, se pueden analizar por ejemplo las características de las imágenes de diagnóstico de cáncer para enseñar a una computadora a diferenciar rápida y automáticamente casos de cáncer.
Esta es la llamada inteligencia artificial, que puede trabajar en el llamado escenario clásico, donde son las personas las que marcan las características que debe buscar la máquina, o también está el escenario de aprendizaje profundo, o deep learning donde es la propia red neuronal la que una vez visto un gran conjunto de casos positivos y negativos decide por si misma en qué características debe fijarse para diferenciar un caso de otro.
Tener un conjunto de características con relaciones muy intrincadas es un obstáculo para interpretar el papel de cada característica por separado. También complica la manipulación de las muestras, en caso de que queramos estudiar el resultado de modificar el valor de una característica independientemente de las demás, o inventarnos datos nuevos fijando algunos valores a sus características.
Un ejemplo de características acopladas sería el diámetro de una pelota y su volumen, si se cambia uno de los valores el otro cambia también. Un ejemplo de características desacopladas sería el tamaño y el color, por ejemplo.
El estudio ha demostrado sus capacidades consiguiendo resolver un problema matemático con características de tipo estadístico: han desacoplado una característica llamada curtosis no solo de la media y la varianza, sino también de la asimetría, lo que no se había logrado hasta ahora.
Al trabajar con características desacopladas e independientes las unas de las otras se consigue una mejora significativa en el rendimiento de la inteligencia artificial en comparación con el uso de descriptores clásicos (no desacoplados), por ejemplo, reduciendo el porcentaje de errores en tareas de clasificación.
Otra utilidad de las características desacopladas es que al poderse modificar una de ellas sin alterar las demás características, se pueden modificar los datos fácilmente sin caer en valores antinaturales, lo que permite por ejemplo avances sustanciales en la edición de la imagen en fotografía o vídeo o en la generación automática de imágenes realistas por parte de una inteligencia artificial.

- La curtosis (o apuntamiento) es una medida de forma que mide cuán escarpada o achatada está una curva o distribución.
- La varianza (S2) mide la dispersión de los datos de una muestra (X1,X2,…,XN) respecto a la media (x)
- La asimetría mide la diferencia de casos que hay entre el lado derecho y el izquierdo de la media

Algunas imágenes han sido cedidas por Universo formulas
Noticias relacionadas
El próximo jueves 27 de febrero, café científico con Javier Portilla
La charla se titula "Acercando el Procesado de Imágenes a la Visión: Reflexiones, Retos, Oportunidades" Este la charla será el día 27 a las 11:00h...
Cursos de microscopía organizados por el Instituto de Óptica para el 2025
VIII Curso Microscopía y Aplicaciones 2025 VIII Curso Procesado Automático de Imagen Microscópica 2025 Madrid / 17 de diciembre de 2025El instituto...
Oferta de trabajo predoctoral de 4 años en el proyecto «Improved Deep Learning for Computer Vision»
Madrid / 20 de noviembre de 2024Buscamos candidatos/as para un contrato predoctoral de 4 años en el Instituto de Óptica.El objetivo del puesto es...