Observatorio de I+D+i UPM

Memorias de investigación
Research Project:
NUEVAS APROXIMACIONES PARA EL APRENDIZAJE MULTIOBJETIVO DE MODELOS DE CLASIFICACION SUPERVISADA Y PARA LA SINTESIS DE CONCIMIENTO EN MODELOS DE ANALISIS DE DECIS
Year:2010
Research Areas
  • Artificial intelligence
Information
Abstract
El objetivo de este proyecto es llevar a cabo nuevos desarrollos metodológicos que conduzcan a la creación de sistemas inteligentes y de ayuda a la decisión más robustos y útiles. Los modelos de regresión logística y los modelos gráficos probabilísticos como los diagramas de influencia y las redes Bayesianas han demostrado ser fundamentales en el desarrollo de estos sistemas. Más específicamente, el proyecto pretende aportar avances en el aprendizaje supervisado de modelos y en la síntesis del conocimiento cuantitativo contenido en estos modelos. Respecto al aprendizaje supervisado, se pretende desarrollar nuevos métodos de clasificación supervisada basados en redes Bayesianas y regresión logística a partir de estrategias multiobjetivo, que tengan en cuenta varias medidas de rendimiento. Otro objetivo es analizar dos marcos dentro de la regresión logística avanzada de mucho interés para los datos contemporáneos: el marco problemático de "/muchas variables y pocas observaciones/" y el marco multivariante de más de una variable de clasificación. Para ello se realizará un estudio teórico tomando como punto de partida estrategias de regularización como la regresión penalizada. Asimismo, se plantean nuevas aportaciones más eficientes para el aprendizaje discriminativo de clasificadores basados en redes Bayesianas utilizando transformaciones que permiten que éstos se conviertan precisamente en problemas equivalentes de regresión logística. Respecto a la síntesis de conocimiento, se pretende continuar con el desarrollo de las denominadas /listas KBM2L/ que introdujimos para estructurar y explicar las tablas de decisiones óptimas de un diagrama de influencia. Por una parte, se pretende mejorar la optimización (combinatoria) de las listas para poder enfrentarse a problemas de mayor envergadura. Por otra parte, se persigue dotar a las listas de otras prestaciones sobre el resto de conocimiento incluido en un diagrama de influencia: sintetizar el conocimiento de las distribuciones a posteriori, responder a preguntas (tal vez imprecisas) del usuario sobre las decisiones óptimas y ofrecer un marco para realizar análisis de sensibilidad de las probabilidades y utilidades del diagrama. Finalmente, se probarán y evaluarán los nuevos desarrollos metodológicos de este proyecto resolviendo problemas reales de medicina.
International
No
Project type
Proyectos y convenios en convocatorias públicas competitivas
Company
Ministerio de Innovación y Ciencia
Entity Nationality
ESPAÑA
Entity size
Pequeña Empresa (11-50)
Granting date
Participants
  • Director: Maria Concepcion Bielza Lozoya (UPM)
  • Participante: Ruben Armañanzas Arnedillo (UPM)
  • Participante: Hanen Borchani (UPM)
  • Participante: Pedro Luis Lopez Cruz (UPM)
  • Participante: Roberto Santana Hermida (UPM)
  • Participante: Diego Vidaurre Henche (UPM)
  • Participante: Juan Antonio Fdez del Pozo De Salamanca (UPM)
  • Participante: Hossein Karshenas Najafabadi (UPM)
  • Participante: Alfonso Ibáñez Martín (UPM)
Research Group, Departaments and Institutes related
  • Creador: Grupo de Investigación: COMPUTATIONAL INTELLIGENCE GROUP
S2i 2020 Observatorio de investigación @ UPM con la colaboración del Consejo Social UPM
Cofinanciación del MINECO en el marco del Programa INNCIDE 2011 (OTR-2011-0236)
Cofinanciación del MINECO en el marco del Programa INNPACTO (IPT-020000-2010-22)