GRUPO DE GESTIÓN Y PROCESADO DE INFORMACIÓN

G2PI

(DTSC-UCIIIM)

Aníbal R. Figueiras Vidalarfv@tsc.uc3m.es91.624.9923

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 -