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

18 Jul, 2022 | Ciencias de la imagen

Desarrollado un método matemático que reduce significativamente la tasa de error de las inteligencias artificiales en varias tareas.

Gracias a la computación hoy en día se pueden analizar inmensas cantidades de datos para extraer de ellos conclusiones, realizar predicciones o aprender a clasificar automáticamente los nuevos datos que nos lleguen sin necesidad de que los clasifique una persona.
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.
Estas características que se definen de una forma u otra para cada conjunto de datos normalmente están acopladas, es decir que tienen relaciones entre sí que dificultan el análisis, el procesamiento y la simulación por parte de la inteligencia artificial que los va a utilizar.
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 equipo de investigación de este trabajo que está formado por investigadores del Instituto de Óptica y de la Universidad Autónoma de Madrid ha desarrollado un método matemático para poder desacoplar características globales de un conjunto de datos, estudiando también las condiciones matemáticas bajo las cuales eso es posible.
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.

esquema con un corte de las capas en las que se ve el orden que ocupan y otro esquema en el que se ve cómo se deposita el material en distintos recipientes
  • 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
esquema con un corte de las capas en las que se ve el orden que ocupan y otro esquema en el que se ve cómo se deposita el material en distintos recipientes
Vídeo relacionado:

Algunas imágenes han sido cedidas por Universo formulas

Noticias relacionadas

Suscripción