G2 pii
-
Upload
ulises-cortes -
Category
Education
-
view
209 -
download
0
description
Transcript of G2 pii
GRUPO DE GESTIÓN Y PROCESADO DE INFORMACIÓN
G2PI
(DTSC-UCIIIM)
Aníbal R. Figueiras [email protected]
ÍNDICE
- 2 -
I. PRESENTACIÓN DEL G2PI
II. LÍNEAS DE I+D
III. CAMPOS DE APLICACIÓN
IV. UN EJEMPLO DE I+D: MoIE
V. EL GRAN DESAFÍO
VI. PUBLICACIONES
VII. PROYECTOS Y CONTRATOS RELEVANTES RECIENTES
VIII. ITECBAN
IX. I3MEDIA
X. FRAUDE
I. PRESENTACIÓN DEL G2PI
- 3 -
Componentes
- 12 Dres IT (2CU, 6TU, 4TUI/AD)
- ∼15 doctorandos
Medios
- Granja cómputo (∼ 600 núcleos, ∼ 4 Tflops sost., 30TB alm.)
- Apoyo técnicos lab.
Contactos activos:
- USA: Stanford, UCLA, Princeton, UF, …
- Europa: DTU, UCL, Cambridge, … (y PASCAL 2)
- Otros: Asia (Seoul TU, IIT Rajasthan, …), LA (UCSP, PUJB, USP,…)
Ámbito:
- Tratamiento y gestión de señales y datos
II. LÍNEAS DE I+D
- 4 -
DSP:
- Combinaciones adaptativas
- Adaptativos NLML:
- Núcleos (GP: interdominios;
SVM: series temporales)
- Conjuntos (MoE: extensiones
Boosting: variantes)
- Aprendizaje distribuido
- Preprocesado (Extracción de características)
- Complementos (Una clase/detección de novedad
Mecanismos atencionales)
III. CAMPOS DE APLICACIÓN
- 5 -
DSP para comunicaciones
DSP para acústica
Ayuda a la toma de decisiones
fMRI
CM en difusión/redes de comunicaciones
Redes de sensores
DM para CRM/negocio
KM en organizaciones
Filtrado colaborativo
IV. UN EJEMPLO DE I+D: MoIE (1)
- 6 -
(Regresión)
IV.UN EJEMPLO DE I+D: MoIE (2)
- 7 -
Localmente lineal (interpretable)
IV. UN EJEMPLO DE I+D: MoIE (3)
- 8 -
SVM RAB MoIE 1 MoIE 2 MoIE 3
aba 19.8 19.4±0.02 19.8±0.2 19.6 18.9
bre 3.2 2.6±0.5 2.9±0 2.1 3.2
con 29.3±1.4 29.0±0.2 28.6±1.1 29.7±0.8 28.8±1.2
cra 3.8 2.5±0 3.7±0 1.2 0
hep 14.5 8.6±1.6 13.8±2.3 6.4 14.5
ima 3.2 2.5±0.04 3.8±0.4 5.0 2.6
ion 2.0 4.9±0.9 3.6±0.8 5.3 5.3
kwo 12.1 11.7±0.01 11.8±0.06 12.4 12.1
pho 11.1±0.4 14.0±0.07 11.9±0.4 14.7±0.4 11.8±0.5
rip 9.6 9.7±0.01 9.6±0 9.6 9.1
spa 6.3±0.7 5.9±0.09 6.3±0.6 6.3±0.6 6.2±0.7
tic 1.6±0.5 0.8±0.19 0.8±06 26±0.8 22.9±4.3
V. EL GRAN DESAFÍO
∗ Nuestra visión
- 9 -
∗ Uso de HSAD: reluctancia (sicosociológica)
interpretabilidad de máquinas (“traducción dura”)
∗ Integración H-M: + coevolución
con: aprendizaje incremental
interacción
(y mecanismos atencionales: extracción características
ponderación)
EXP MAQ
FUS ⇐
∗ Candidatos naturales: MoIE
Conjuntos por “boosting” complementarios
∗ Necesidades: - transversalidad (sicólogos, sociólogos, matemáticos, ingenieros,…)
- experimentación
- apoyo y colaboración
VI. PUBLICACIONES (1)
- 10 -
∗ Previous (AA/T/R V,pp, a; Wok t/e, G t/e, JCR; t/e)
- J. Cid-Sueiro, A.R. Figueiras-VidalRecurrent radial basis function networks for optimal symbol-by-symbol equalizationSignal Proc. 40, 53-63, 1994 (23/19, 41/34, 17/13)
- F.J. González-Serrano, A.R. Figueiras-Vidal, A. Artés-RodríguezGeneralizing CMAC architecture and trainingIEEE TNN 9, 1509-1514, 1998 (43/41, 67/60, 24/22)
- A. Lyhyaoui, M. Martínez-Ramón, I. Mora-Rodríguez, M. Vázquez-Castro, J. L. Sancho-Gómez, A. R. Figueiras-VidalSample selection via clustering to construct support-vector like classifiersIEEE TNN 10, 1474-1481, 1999 (20/18, 35/28, 17/13)
- A. Navia-Vázquez, F. Pérez-Cruz, A. Artés-Rodríguez, A.R. Figueiras-VidalWeighted least squares training of support vector classifiers leading to compact and
adaptive schemesIEEE TNN 12, 1047-1059, 2001 (31/20, 46/32, 24/15)
- J.L. Rojo Álvarez, M. Martínez-Ramón, M. De Prado-Cumplido, A. Artés-Rodríguez, A.R. Figueiras-VidalSupport vector method for robust ARMA system identificationIEEE TSP 52,155-164; 2004 (34/22, 71/39, 24/13)
Media: ∼ 12 JCR(j)/año
VI. PUBLICACIONES (2)
- 11 -
∗ Recientes
- J. Arenas-García, A.R. Figueiras-Vidal, A. SayedMean-square performance of convex combinations of adaptive filtersIEEE TSP 54, 1078-1090; 2006 (34/18, 55/31, 13/5)
- V. Gómez-Verdejo, J. Arenas-García, A.R. Figueiras-VidalA dynamically adjusted mixed emphasis method for building boosting ensemblesIEEE TNN 19, 3-17; 2008
- M. Lázaro-Gredilla, L. Azpicueta-Ruiz, A.R. Figueiras-Vidal, J. Arenas-GarcíaAdaptively biasing the weights of adaptive filtersIEEE TSP 58, 3890-3895; 2010
- M. Lázaro-Gredilla, A.R. Figueiras-VidalMarginalized neural networks mixtures for large scale regressionIEEE TNN 21 1345-1351; 2010
- M. Lázaro-Gredilla, J. Quiñonero-Candela, C.E. Rasmussen, A.R. Figueiras-VidalSparse spectrum Gaussian process regressiont. a. J. Machine Learning Res., 2010
VII. PROYECTOS RELEVANTES RECIENTES
- 12 -
DIET (FET EU; BT): Ecosistemas para Comunicaciones
COST 276 (EU): Info Man. en comunicaciones
ITECBAN (CENIT; INDRA): KM en banca
i3media (CENIT; MediaPro, Alcatel): Audiovisiual CM
7 MEC, 2 CAM, 5 compl.( Fidelización
Ayuda acceso red discapacitadosEpilepsia)
VII. CONTRATOS RELEVANTES RECIENTES
- 13 -
Telefónica I+D: Fraude
Ericsson: DM en red
Meta 4: Clasificación de textos (IST “PEKING”, EU)
Tissat: Modelado de usuarios web
Telefónica Publ. e Info.: Búsqueda web
+ …
VIII. ITECBAN
- 14 -
UsuarioCreación parte+ enrutamiento
No
F.A.Q
Solución? ExpertoAyuda
búsqueda
Experto
Si
Detección consultas frecuentesRespuesta
Incidencia
Consulta
Objetivo: Optimizar funcionamiento del Centro de Atención de Incidencias internas (aplicativos, productos bancarios, procedimientos, etc.), mediante la introducción de módulos con aprendizaje máquina
Para ello se diseñan, desarrollan e implantan los siguientes componentes:
• Módulo facilitador de “queries”
• Módulo de ayuda a la tipificación de incidencias
• Módulo de detección de incidencias frecuentes
IX. I3MEDIA
15
Clasificación semántica de vídeo
1. Extracción de descriptores multimedia bajo nivel
2. Clasificación máquina (SVM / KOPLS)
Detección del momento de juego en partidos de fútbol
1. Extracción de descriptores multimedia bajo nivel
2. Extracción de conceptos de medio nivel (SVM / KOPLS)
3. Aprendizaje máquina con estructura temporal (HHMM)
X. FRAUDE
Identificación de perfiles de cada llamada Desagregación en modelos paralelos Detección de novedad con máquinas SVM monoclase Alarma on-line cuando se altera el perfil: ¿fraude? Análisis en mayor detalle: filtrado posterior de alarma
CAPTURA DE DATOS
PREPROCESAMIENTO Tablas PCA
ÁRBOL DE DESAGREGACIÓN
ENTRENAMIENTO one-class SVM
Máquinas entrenadas
CAPTURA DE DATOS
PREPROCESAMIENTO Tablas PCA
ÁRBOL DE DESAGREGACIÓN
DETECCIÓN DE NOVEDAD
Máquinas entrenadas
ENTRENAMIENTO DEL SISTEMA OPERACIÓN: DETECCIÓN DE NOVEDAD
- 16 -