Cs. de la Computación

Fecha: 01/01/2022

Resumen:Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de visión por computadora.Muchos de los problemas para los cuales las Redes Convolucionales son el estado del arte requieren que los modelos se comporten de cierta manera ante transformaciones de su entrada. Existen dos propiedades fundamentales que capturan dicho requerimiento; la invarianza y la equivarianza. La invarianza nos dice que la salida del modelo no es afectado por las transformaciones. La equivarianza permite que la salida sea afectada, pero de una manera controlada y útil.Si bien los modelos tradicionales de Redes Convolucionales son equivariantes a la traslación por diseño, no son ni invariantes a dicha transformación ni equivariantes a otras en los escenarios usuales de entrenamiento y uso. Existen dos opciones principales para otorgar invarianza o equivarianza a un modelo de red neuronal. La tradicional ha sido modificar el modelo para dotarlo de esas propiedades. La otra opción es entrenarlo con aumentación de datos utilizando como transformaciones el mismo conjunto al que se desea la equivarianza.No obstante, no está claro cómo los modelos adquieren estas propiedades, tanto al usar aumentación de datos como al modificar el modelo. Tampoco está claro como las modificaciones de modelos afectan la eficiencia y el poder de representación de los mismos. Más aún, en los modelos tradicionales tampoco es conocido cómo se adquieren dichas propiedades con aumentación de datos, así como cuál es la mejor estrategia para aumentar los datos con este fin.Esta línea de investigación busca contribuir al entendimiento y mejora de la equivarianza de los modelos de redes neuronales, en particular aplicados a la clasificación de formas de mano para la lengua de seña y otros tipos de gestos mediante modelos de redes convolucionales.Realizamos las siguientes contribuciones:* Un análisis de estrategias para lograr equivarianza a las rotaciones en redes neuronales:* Un conjunto de métricas para analizar empíricamente la equivarianza de las redes neuronales, así como de cualquier otro modelo basado en representaciones latentes.* Análisis del cambio en la estructura de la equivarianza de distintos modelos ante cambios de los hiperparámetros, transformaciones y conjuntos de datos. Finalmente, creamos la libería de Métricas transformacionales, de código abierto, para computar métricas transformacionales como las definidas para modelos de redes neuronales, utilizando el framework PyTorch y Numpy (https://github.com/facundoq/transformational_measures). Creemos que es posible aprender más acerca de las Redes Neuronales y Convolucionales estudiando sus equivarianzas, y así mejorar los modelos existentes para hacer posible nuevas aplicaciones.

Fecha: 01/01/2022

Resumen:La masificación de los dispositivos móviles junto con los avances tecnológicos han favorecido el crecimiento de una variada gama de aplicaciones móviles, en particular aquellas sensibles al contexto. Si bien estas aplicaciones vienen siendo investigadas desde hace años, todavía existen interrogantes a resolver. Por ejemplo, cómo brindar aplicaciones que sean útiles y funcionales a usuarios no expertos. A partir de esto, el objetivo general de este trabajo es contar con un enfoque orientado a usuarios no expertos que permita co-diseñar, prototipar y testear in-situ aplicaciones móviles sensibles al contexto; las cuales estén preparadas para evolucionar dinámicamente acorde a las necesidades de los diferentes usuarios o a situaciones inesperadas que no fueron tenidas en cuenta al momento del diseño inicial de las mismas. El objetivo específico de este trabajo es analizar cómo abordar el prototipado en particular desde un enfoque centrado en las personas. Se buscará con este abordaje que usuarios no expertos puedan crear sus propias aplicaciones móviles sensibles al contexto, más aún que un equipo multidisciplinario pueda participar de la co-creación y testeo grupal de las mismas. Este abordaje deberá poder ser aplicado a cualquier dominio de aplicación.La particularidad in-situ implica que estando en el lugar donde luego se utilizarán esas aplicaciones, un equipo pueda decidir qué información o servicios se brindará a los usuarios finales; pero además poder definir la “reacción” de las aplicaciones ante los cambios contextuales, y cómo estos se van a visualizar. Esto permite el prototipado in-situ; y su posterior testeo grupal in-situ para probar cómo se comporta la aplicación, y así poder realizar los ajustes necesarios. Para poder alcanzar el objetivo específico se realiza un análisis de distintas temáticas para determinar la mejor forma de abordar el prototipado in-situ de aplicaciones móviles sensibles al contexto. En base a este análisis, se propondrá un framework conceptual para sentar las bases de cómo abordar este tipo de prototipado ya que el mismo no tiene un guía clara en la literatura existente. En base a estos conceptos, se presentará una primera versión implementada de una herramienta de autor que brinde soporte al prototipado in-situ de aplicaciones móviles sensibles al contexto; brindando además asistencia a los usuarios no expertos para co-testar in-situ estos prototipos. Se llevarán a cabo distintas pruebas con usuarios para poder ir validando la herramienta implementada, y así realizar los ajustes que sean necesarios para tener una primera versión de la misma.

Fecha: 01/01/2022

Resumen:Los ecosistemas smart-based representados en el concepto de Internet de las Cosas, requieren arquitecturas e infraestructura de redes más rápidas, flexibles y con buena calidad de servicios que interconectan personas y máquinas con nuevos contenidos, aplicaciones y servicios. Por lo tanto, la gestión, seguridad, accesibilidad, privacidad, interoperabilidad y ubicuidad, entre otros, resultan aspectos imprescindibles a la hora de pensar y definir estándares, protocolos y arquitecturas de referencia.El plan doctoral tiene por objetivo proponer estándares y/o borradores para unificar protocolos y desarrollar plataformas que gestionen, securicen y anonimicen arquitecturas distribuidas basadas en tecnologías “smart”. A tal efecto se realizan progresivamente relevamientos, revisiones sistemáticas de la literatura, pruebas de concepto, prototipos, guías conceptuales, listas de recomendaciones y guías de buenas prácticas relacionados con el tema de investigación, es decir, arquitecturas orientadas a servicios, ecosistemas y seguridad smart-based, sistemas ubicuos y cloud / fog / edge computing.En base al relevamiento y revisión inicial, se desarrollan pruebas de concepto y prototipos, que pueden derivar en líneas de investigación para tesistas de grado, contribuciones al área de posgrado y publicaciones relacionadas. Todos estos elementos contribuyen a la construcción de la tesis, que incluye la definición de un estándar, recomendación o documento informativo para ser presentado antes las principales fuentes de estandarización, como un editor de RFC (Request For Comments, documentos que estandarizan distintos aspectos de Internet por consenso)

Fecha: 01/01/2022

Resumen:En el área de la minería de datos y su aplicación con técnicas de machine learning, los algoritmos de selección de características juegan un papel muy importante. El objetivo de esos algoritmos es el de reducir las entradas a un tamaño apropiado para su procesamiento y análisis. Cuando el volumen de información a procesar crece hace que la ejecución de los algoritmos de extracción de características convencionales tenga un tiempo de procesamiento sumamente alto. Si bien puede considerarse la separación o el análisis independiente de cada característica, muchas veces resulta útil poder analizar correlaciones entre dos o más variables. La selección de características puede aplicarse a la medicina genómica, la cual ayuda a entender de forma más precisa por qué enfermamos, y el peso que tiene en una enfermedad la existencia de defectos genómicos frente a factores medioambientales que pueden desencadenar una enfermedad concreta. En el ámbito de la genómica funcional, se destaca el análisis de perfiles de expresión génica; éstos tienen como objetivo principal la identificación de un grupo de genes, cuyo patrón de expresión se encuentren asociados a un fenotipo en particular, concepto conocido como gene signature [1]. Un objetivo particular de los signatures es su utilidad como biomarcador diagnóstico, pronóstico o predictivo de una patología en estudio. Los biomarcadores con valor pronóstico permiten una mejor estratificación de pacientes. Para llevar a cabo el descubrimiento de nuevos gene signatures es necesario un proceso de automatización que permita encontrar genes candidatos en base al conocimiento del experto. En la actualidad esta tarea es realizada de forma manual. Con la rápida acumulación de datos de expresión génica de diversas tecnologías los algoritmos automáticos de reducción de dimensiones pueden seleccionar aquellas que resulten más representativas del conjunto de características. Los resultados de esta selección podría ser interpretada como un posible gene signature. El objetivo general de este plan de beca es el de contribuir con el desarrollo de algoritmos de extracción de características en entornos Big Data que permitan la identificación y la evaluación de gene signatures.

Fecha: 01/01/2022

Resumen:El objetivo general de este plan de investigacion es el de crear modelos y técnicas de entrenamiento capaces de generar imágenes artificiales realistas y variadas en entornos con pocos datos etiquetados. Con estos modelos y técnicas de entrenamiento se facilitará el acceso a múltiples nuevas áreas de aplicación para modelos generativos. El énfasis estará puesto en la generación de imágenes de gestos de lengua de señas, permitiendo de esta forma entrenar modelos discriminadores precisos que utilicen aprendizaje profundo a partir de pocos datos etiquetados. Los objetivos son los siguientes: 1) Estudiar y analizar las bases de datos públicas sobre reconocimiento de gestos, incluyendo bases de datos específicas para lengua de señas, y de grandes bases de datos de diversos dominios para ser utilizadas en las técnicas de entrenamiento. Particularmente LSA16 y LSA64, bases de datos para la Lengua de Señas Argentina desarrollada en el III-LIDI. 2) Crear nuevos modelos de generación de imágenes que posean coherencia semántica. Particularmente se estudiarán los autoencoders y las Generative Adversarial Networks (GAN) ya que son los modelos más utilizados en el estado del arte. 3) Crear nuevas técnicas de entrenamiento que permitan el entrenamiento de modelos generadores utilizando una cantidad de datos limitada. En particular se estudiarán transfer learning, data augmentation y aprendizaje semi supervisado. 4) Analizar y comparar los resultados obtenidos utilizando los modelos generativos y técnicas de entrenamiento desarrollados. Se usarán métricas comúnmente utilizadas en este tipo de problemas como Frechet Inception Distance (FID) e Inception Score (IS). Adicionalmente se realizarán evaluaciones semánticas para comprobar la variabilidad y coherencia de las imágenes generadas. 5) Desarrollar modelos clasificadores de imágenes aplicado al reconocimiento de gestos de la lengua de señas. Particularmente, se estudiarán Redes Neuronales Convolucionales (CNN) específicas para problemas de clasificación de objetos en imágenes. Aplicación, análisis y comparación de los resultados obtenidos utilizando los nuevos datos generados. Con esta investigación se espera realizar un aporte significativo al estado del arte en cuanto a modelos generativos de imágenes artificiales y técnicas de entrenamiento. Particularmente se espera desarrollar modelos que permitan la generación de nuevas imágenes para gestos de la lengua de señas. Esto permitirá diversificar las bases de datos existentes, que suelen poseer pocos datos etiquetados. Esto podría ser aplicado en un futuro a otros dominios con datos etiquetados limitados.