📊 分类方法
研究概率分类器、集成方法、特征选择以及时间序列分类，应用于异常检测、遥感和能源系统等领域。
分类是机器学习的核心任务之一：给定一组具有已知类别标签的观测数据，学习一个模型以准确预测新观测数据的类别。我的分类方法研究侧重于开发基于概率图模型、集成方法和进化算法的新型分类器，并将其应用于遥感、能源系统、建筑物管理和神经科学等多个领域。
概率分类器
贝叶斯网络分类器
开发并评估各类贝叶斯网络 (BN) 分类器，从简单的朴素贝叶斯到更具表达能力的树增广朴素贝叶斯 (TAN) 及通用贝叶斯网络分类器。研究贝叶斯网络结构对分类准确性的影响，以及针对分类任务而非密度估计任务进行优化的结构学习算法。
基于藤 Copula (Vine Copula) 的分类
将藤 Copula 模型应用于分类任务。藤 Copula 为连续特征的联合分布建模提供了一个灵活框架，允许分类器捕捉复杂的多变量依赖结构，而无需做出强烈的分布假设。
脑解码的 Searchlight 分类
将分类方法应用于大脑解码，利用 searchlight 分析识别哪些脑区包含关于特定刺激或认知状态的信息。开发领域自适应方法，实现模型在不同实验范式间（如从视觉感知到心理意象）的迁移。
集成方法
随机向量函数链接森林 (RVFL Forests)
研究应用于无人机自动目标识别的随机向量函数链接 (RVFL) 森林和极限学习森林。RVFL 网络是具有随机初始化且固定输入权重的单隐层网络；相比深度学习，RVFL 森林在保证性能的同时训练成本更低。
针对分类的 LLM 预测堆叠 (Stacking)
将堆叠（集成学习的一种）应用于多个大语言模型的预测结果进行异常分类。通过元学习器整合不同 LLM 的预测，可以比单一模型获得更高的准确性和更好的可解释性。
特征选择
多目标回归的过滤式特征选择
为具有无归属身份数据（输入和输出样本之间的对应关系部分未知）的多目标回归问题开发了基于过滤方法的特征选择方案。研究了不同过滤度量如何处理多目标框架以及身份歧义带来的挑战。
时间序列分类
建筑物系统故障分类
利用多变量传感器时间序列数据对风机盘管机组的故障进行分类。研究时间特征和时间序列表示的选择对故障分类准确度的影响。开发利用数据中时间依赖性的方法，以实现更精确的故障检测与诊断。
应用领域
火星沙丘检测
利用基于藤 Copula 的分类方法，结合轨道成像数据自动检测火星沙丘。该应用展示了 Copula 分类器在遥感问题中的优势，特别是当图像特征分布非高斯且具有复杂多变量依赖关系时。
政府采购中标价估计
应用机器学习分类和回归算法估计政府采购拍卖中的中标价格。通过对西班牙招标数据的案例研究，探讨不同机器学习模型如何根据招标特征预测采购结果。
精选论文
- 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.