1. GRUPO DE GESTIÓN Y PROCESADO DE INFORMACIÓN
G2PI
(DTSC-UCIIIM)
Aníbal R. Figueiras Vidal
arfv@tsc.uc3m.es
91.624.9923
2. 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
3. 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
4. II. LÍNEAS DE I+D
- 4 -
DSP:
- Combinaciones adaptativas
- Adaptativos NL
ML:
- 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)
5. 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
9. 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
10. 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-Vidal
Recurrent radial basis function networks for optimal symbol-by-symbol equalization
Signal Proc. 40, 53-63, 1994 (23/19, 41/34, 17/13)
- F.J. González-Serrano, A.R. Figueiras-Vidal, A. Artés-Rodríguez
Generalizing CMAC architecture and training
IEEE 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-Vidal
Sample selection via clustering to construct support-vector like classifiers
IEEE TNN 10, 1474-1481, 1999 (20/18, 35/28, 17/13)
- A. Navia-Vázquez, F. Pérez-Cruz, A. Artés-Rodríguez, A.R. Figueiras-Vidal
Weighted least squares training of support vector classifiers leading to compact and
adaptive schemes
IEEE 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-Vidal
Support vector method for robust ARMA system identification
IEEE TSP 52,155-164; 2004 (34/22, 71/39, 24/13)
Media: ∼ 12 JCR(j)/año
11. VI. PUBLICACIONES (2)
- 11 -
∗ Recientes
- J. Arenas-García, A.R. Figueiras-Vidal, A. Sayed
Mean-square performance of convex combinations of adaptive filters
IEEE TSP 54, 1078-1090; 2006 (34/18, 55/31, 13/5)
- V. Gómez-Verdejo, J. Arenas-García, A.R. Figueiras-Vidal
A dynamically adjusted mixed emphasis method for building boosting ensembles
IEEE TNN 19, 3-17; 2008
- M. Lázaro-Gredilla, L. Azpicueta-Ruiz, A.R. Figueiras-Vidal, J. Arenas-García
Adaptively biasing the weights of adaptive filters
IEEE TSP 58, 3890-3895; 2010
- M. Lázaro-Gredilla, A.R. Figueiras-Vidal
Marginalized neural networks mixtures for large scale regression
IEEE TNN 21 1345-1351; 2010
- M. Lázaro-Gredilla, J. Quiñonero-Candela, C.E. Rasmussen, A.R. Figueiras-Vidal
Sparse spectrum Gaussian process regression
t. a. J. Machine Learning Res., 2010
12. 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 discapacitados
Epilepsia)
13. 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
+ …
14. VIII. ITECBAN
- 14 -
Usuario
Creación parte
+ enrutamiento
No
F.A.Q
Solución? Experto
Ayuda
búsqueda
Experto
Si
Detección
consultas
frecuentes
Respuesta
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
15. 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)
16. 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 -
