📊 Méthodes de classification
Recherche sur les classifieurs probabilistes, les méthodes d'ensemble, la sélection de caractéristiques et la classification à partir de données de séries temporelles, avec des applications à la détection d'anomalies, à la télédétection et aux systèmes énergétiques.
La classification est l'une des tâches centrales de l'apprentissage automatique : étant donné un ensemble d'observations avec des étiquettes de classe connues, apprendre un modèle capable de classer correctement de nouvelles observations invisibles. Mes recherches sur les méthodes de classification ont porté sur le développement de nouveaux classifieurs basés sur des modèles graphiques probabilistes, des méthodes d'ensemble et des algorithmes évolutionnaires, avec des applications à la télédétection, aux systèmes énergétiques, à la gestion des bâtiments et aux neurosciences.
Classifieurs probabilistes
Classifieurs à réseaux bayésiens
Développement et évaluation de classifieurs à réseaux bayésiens, du modèle naïf de Bayes simple aux classifieurs à réseaux bayésiens généraux plus expressifs. Recherche sur l'influence de la structure du réseau bayésien sur la précision de la classification, et sur les algorithmes d'apprentissage qui optimisent la structure spécifiquement pour la classification plutôt que pour l'estimation de la densité.
Classification par copules vine
Application des modèles de copules vine aux tâches de classification. Les copules vine fournissent un cadre flexible pour la modélisation de la distribution conjointe de caractéristiques continues, permettant aux classifieurs de capturer des structures de dépendance multivariées complexes sans formuler d'hypothèses distributionnelles fortes.
Classification Searchlight pour le décodage cérébral
Application de méthodes de classification au décodage cérébral, en utilisant l'analyse searchlight pour identifier quelles régions cérébrales portent des informations sur des stimuli ou des états cognitifs spécifiques. Développement de méthodes d'adaptation de domaine pour transférer des modèles de classification à travers différents paradigmes expérimentaux (par ex., de la perception visuelle à l'imagerie mentale).
Méthodes d'ensemble
Forêts à liens fonctionnels à vecteurs aléatoires (RVFL)
Recherche sur les forêts à liens fonctionnels à vecteurs aléatoires (RVFL) et les forêts à apprentissage extrême appliquées à la reconnaissance automatique de cibles par drones. Les réseaux RVFL sont des réseaux à une seule couche cachée avec des poids d'entrée initialisés aléatoirement et fixés ; les forêts de réseaux RVFL offrent des performances compétitives avec un coût d'apprentissage beaucoup plus faible que les alternatives d'apprentissage profond.
Empilement (Stacking) de prédictions LLM pour la classification
L'empilement (apprentissage d'ensemble) appliqué aux prédictions de plusieurs grands modèles de langage pour la classification d'anomalies. En combinant les prédictions de divers modèles LLM via un méta-apprenant, la précision et l'explicabilité sont améliorées par rapport à l'utilisation de n'importe quel modèle individuel seul.
Sélection de caractéristiques
Sélection de caractéristiques par filtrage pour la régression multi-cible
Développement de la sélection de caractéristiques basée sur des méthodes de filtrage pour les problèmes de régression multi-cible avec des données à identité non attribuée (où la correspondance entre les échantillons d'entrée et de sortie est partiellement inconnue). Recherche sur la manière dont différentes mesures de filtrage gèrent le cadre multi-cible et les défis posés par l'ambiguïté d'identité.
Sélection de caractéristiques pour la classification d'anomalies
Méthodes de sélection de caractéristiques pour la classification d'anomalies dans les systèmes de gestion de bâtiments. Recherche sur la manière d'identifier les caractéristiques les plus pertinentes pour classer les défauts et les anomalies dans les unités ventilo-convecteurs et d'autres composants de bâtiments, avec un accent sur la causalité et l'explicabilité des caractéristiques sélectionnées.
Classification de séries temporelles
Classification des appareils ménagers à partir de séries temporelles d'énergie
Classification des appareils ménagers à partir de données de séries temporelles de consommation d'électricité (surveillance de charge non intrusive). Recherche sur l'impact de différentes méthodes d'imputation sur la précision de la classification et sur les caractéristiques qui caractérisent le mieux les différents types d'appareils à partir de leurs profils de consommation d'électricité.
Classification des défauts dans les systèmes de bâtiments
Classification des défauts dans les unités ventilo-convecteurs à partir de données de capteurs en séries temporelles multivariées. Recherche sur l'impact des caractéristiques temporelles et du choix de la représentation des séries temporelles sur la précision de la classification des défauts. Développement de méthodes qui exploitent les dépendances temporelles dans les données pour une détection et un diagnostic des défauts plus précis.
Applications
Détection de dunes de sable sur Mars
Détection de dunes de sable sur Mars à l'aide d'une approche de classification basée sur les copules vine appliquée à l'imagerie orbitale. Cette application démontre la polyvalence des classifieurs basés sur les copules pour les problèmes de télédétection où la distribution des caractéristiques de l'image n'est pas gaussienne et présente des dépendances multivariées complexes.
Estimation du prix d'attribution pour les marchés publics
Application d'algorithmes de classification et de régression d'apprentissage automatique pour estimer le prix d'attribution dans les enchères de marchés publics. Étude de cas avec des données d'appels d'offres en Espagne, examinant dans quelle mesure différents modèles d'apprentissage automatique peuvent prédire les résultats des marchés à partir des caractéristiques disponibles de l'appel d'offres.
Publications sélectionnées
- Carrera D, Santana R and Lozano JA (2019). Detection of sand dunes on Mars using a regular vine-based classification approach. Knowledge-Based Systems.
- Carrera D, Santana R and Lozano JA (2016). Vine copula classifiers for the mind reading problem. Progress in Artificial Intelligence.
- Santana R, Bielza C and Larrañaga P (2012). Regularized logistic regression and multi-objective variable selection for classifying MEG data. Biological Cybernetics.
- Santana R et al. (2013). Classification of neocortical interneurons using affinity propagation. Front. Neural Circuits.
- Santana R et al. (2015). Multi-view classification of psychiatric conditions based on saccades. GECCO 2015.
- Santana R (2013). A detailed investigation of classification methods for vowel speech imagery recognition. ESANN 2013.
- Santana R (2015). Supervised classification of vowel speech imagery. ESANN 2015.
- Garciarena U and Santana R (2017). An extensive analysis of the interaction between missing data types, imputation methods, and supervised classifiers. Expert Systems with Applications.
- Vadillo J and Santana R (2019). Universal Adversarial Examples in Speech Command Classification. ICML Workshop 2019.
- Montenegro M, Marafioti A, Santana R, Alcaide JB, Bolaños M and Cuayahuitl H (2019). Data generation approaches for topic classification in multilingual spoken dialog system. INTERSPEECH 2019.
- Montenegro M, Santana R, Bolaños M and Cuayahuitl H (2020). Transfer learning in hierarchical dialogue topic classification with neural networks. IberSPEECH 2020.
- Zheng D, Guo K and Santana R (2015). Comparison of Classification Methods for EEG-based Emotion Recognition. ISNN 2015.