Desacoplamiento determinista de características: un marco de normalización para la ciencia de datos y señales
Machine learning in Madrid (zoom)
Lunes, 20 de diciembre de 2021, 12-13h
Ponente: Javier Portilla (Instituto de Óptica «Daza de Valdés» – CSIC)
En los últimos años, estamos siendo testigos de un desarrollo explosivo y de avances impresionantes en el aprendizaje automático, el procesamiento de señales y la simulación. Gran parte de estos avances se basan, directa o indirectamente, en el concepto de “características”, un conjunto de valores que se extraen de los datos para capturar información relevante. Las características extraídas se utilizan para clasificar, identificar o detectar patrones, y también para modificar los datos / señales en sí mismos, por ejemplo, “modulando” los valores de esas características a nuestra voluntad, o transfiriéndolos de una observación a otra (por ejemplo, para cambiar el “estilo” de una imagen).
Los enfoques tradicionales del análisis de datos se han centrado principalmente en las estadísticas.
Aquí seguimos un enfoque diferente, basado en estudiar y compensar el acoplamiento algebraico existente entre funciones diferenciables (por ejemplo, estadísticas de muestra expresadas como promedios) que desempeñan el papel de características globales en modelos de señales. Después del desacoplamiento, los gradientes de las nuevas funciones se vuelven mutuamente ortogonales, una restricción muy fuerte que abre posibilidades interesantes para el aprendizaje automático.
Aquí nos enfocamos en dos familias de características ampliamente utilizadas en el análisis y síntesis de señales: (1) momentos marginales y (2) momentos en la salida de un conjunto de filtros. Presentaremos tanto un marco teórico como un algoritmo práctico, que permiten un desacoplamiento de características perfecto o aproximado.
Trabajo conjunto con Mar González (matemáticas) y Eduardo Martínez (aplicaciones de ingeniería)
