Mapas (Máquinas de apredizaje para problemas y aplicaciones singulares)
- Estado:
- No iniciado
- Líderes del proyecto:
- Colaboradores:
-
- Aníbal Ramón Figueiras Vidal
- Manuel Mucientes Molina
- Sancho Salcedo-Sanz
- José Luis Sancho Gomez
- Daniel Borrajo Millán
- Agustín Solanas Gómez
- Inmaculada Mora Jiménez
- Rafael Pérez Jiménez
- Inicio propuesto:
- 2017-01-01
- Límite propuesto:
- 2019-01-01
Descripción:
Organismo: Ministerio de Economía y Competitividad. MINECO
Periodo: 2017-2019
Resumen español:
Los 10 grupos de I+D solicitantes (cinco procedentes de la actual Red Temática DAMA, TIN2015-70308-REDT, a los que se suman aquí otros cinco con los que se ha mantenido cooperación demostrable en el ámbito que enfoca esta propuesta) comparten interés activo en temas localizados en las actuales fronteras del Aprendizaje Máquina: muy particularmente, en los denominados problemas singulares; en especial, clasificación desequilibrada, cuya frecuente presencia en importantes problemas reales ha desatado un interés velocísimamente creciente; sin olvidar los muy próximos de clasificación ordinal, microclasificación, clasificación multietiqueta y análogos. Las visiones, métodos y algoritmos con que actualmente se abordan esos problemas adolecen, salvo muy contadas excepciones parciales, de falta de fundamentos analíticos, con lo que sufren de sesgos y generan riesgos de incorrecta aplicación.
La Red Temática para la que se solicita ayuda operará constituyendo grupos mixtos que se centrarán en el intercambio de ideas y la cooperación en la concepción, el desarrollo, la evaluación y la aplicación real de métodos, procedimientos y algoritmos fundamentados para abordar dichos problemas; considerando sus extensiones, como son las formulaciones multiclase y los costes funcionales, y concediendo especial atención a las implementaciones más prometedoras, basadas en diversidad, profundidad y carácter dinámico; así como a versiones del aprendizaje menos estudiadas que el supervisado: aprendizaje por refuerzo y por transferencia.
Para enfrentar en la mejor posición aplicaciones prácticas, se consideran también situaciones en que la información disponible para el diseño es parcial, como valores perdidos, ruido en etiquetas, etc.
Se seleccionan ámbitos de aplicación (Negocio, Salud, Visión Computacional, etc.) relevantes, generales y abiertos para facilitar acuerdos con entidades interesadas para llevar a cabo aplicaciones prácticas e internacionalización de resultados.
Resumen inglés:
The 10 R&D teams that present this application (five of them coming from DAMA Net, TIN2015-70308-REDT, plus another five that have collaborated in provable form in the topics that this proposal considers) have a common active interest in frontier-of-knowledge Machine Learning subjects. Namely the teams address the so-called singular problems: In particular, imbalanced classification, which is pervasive in important practical problems, and, consequently, has generated a tremendously increasing interest. Associated singular problems, such as ordinal classification, microclassification, multilabel classification, and similar, also merit the attention of the R&D teams. The perspectives, methods, and algorithms that are being applied to solve these problems, with very few partial exceptions, are not supported by principled analyses. This produces undesirable biases and wrong application risks.
This Network will operate by constituting mixed teams to focus on the interchange of ideas and the cooperation to conceive, develop, evaluate, and practically apply new principled methods, procedures, and algorithms for such singular problems. Their extensions (multi-class formulations and functional costs, for example) will be also studied, and special attention will be paid to the more premising implementations: Ensembles, deep architectures, and dynamic machines. Additionally, less usual (in general terms) learning situations (mainly, reinforcement and transfer learning) will be included. To address from the best position practical applications, partial information cases (missing values, noisy labels, etc.) will be studied, too.
Some relevant application areas (Business, Health, Computer Vision, etc.) are initially selected, keeping them wide and open to make easier to establish agreements with interested entities for carrying out cooperations and practical applications, as well as to internationally expand activities and results.
