🧠 机器学习
概率图模型、神经网络、自然语言处理、对抗机器学习和分类方法的研究。
机器学习算法利用经验来提高其在特定任务中的性能。在实践中，经验被理解为数据，性能则根据要解决的任务来衡量。我们的机器学习研究涵盖了基础方法及其在复杂现实世界问题中的应用。
概率图模型 (PGM)
贝叶斯网络与马尔可夫网络
研究从数据中学习贝叶斯网络和马尔可夫网络的结构及参数。应用于密度估计、异常检测、分类和合成数据生成。
受限玻尔兹曼机 (RBM)
研究用于图像去噪和分类的结构化受限玻尔兹曼机。探讨基于能量的模型与概率图模型之间的协同作用。
藤 Copula (Vine Copulas)
将藤 Copula 模型研究作为灵活的多变量依赖结构。开发了从依赖数据中学习正则藤 Copula 图结构的算法。应用于需要精确联合分布建模的机器学习任务。
基于 Copula 的分类
利用 Copula 函数进行分类和回归任务。藤 Copula 为复杂多变量分布的建模提供了优于标准高斯假设的灵活选择。
神经网络与深度学习
神经架构搜索 (NAS)
研究自动设计神经网络架构的进化与基于学习的方法。包括因子分解模型表示、异构多网络架构以及 NAS 组件与变异算子之间的交互。
生成模型 (GAN & VAE)
研究生成对抗网络和变分自编码器，包括其训练动力学、迁移性以及使用基于梯度的优化方法进行优化。
物理信息神经网络 (PINN)
开发并分析物理信息神经网络以解决流体动力学中的偏微分方程。研究超参数的影响、在训练域外的泛化行为以及具有域分解的二阶优化方法。
自然语言处理 (NLP)
用于特征选择的大语言模型 (LLM)
探索 LLM 作为特征选择和异常分类的工具。堆叠 (Stacking) 多个 LLM 模型的预测结果，以提高工业异常检测任务的准确性和可解释性。
人工智能与语言技术 ENIA 讲席
参与巴斯克大学（HiTZ 中心）的 ENIA 讲席项目（国家人工智能战略），专注于人工智能和语言技术。从事语言类 AI 任务的研究、教学和知识转化。
对抗机器学习与可解释性
音频领域的对抗样本
研究音频领域对抗样本的生成与防御。探讨音频对抗扰动的迁移性、鲁棒性和可感知性。
分类、回归与数据增强
精选论文
- 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.
- Garciarena U, Perfecto C and Santana R (2017). Evolving imputation strategies for missing data in classification problems with TPOT. GECCO 2017.
- Garciarena U, Santana R and Mendiburu A (2018). Evolved GANs for generating Pareto set approximations. GECCO 2018.
- Garciarena U, Santana R and Mendiburu A (2018). Analysis of the complexity of the automatic pipeline generation problem. CEC 2018.
- Vadillo J and Santana R (2019). Universal Adversarial Examples in Speech Command Classification. ICML Workshop 2019.
- Vadillo J and Santana R (2020). On the human evaluation of universal audio adversarial perturbations. Computers & Security.
- Vadillo J, Santana R and Lozano JA (2020). Universal adversarial perturbations for speech command classification. INTERSPEECH 2020.
- Vadillo J, Santana R and Lozano JA (2021). Extending adversarial attacks and defenses to deep 3D point cloud classifiers. Journal of Machine Learning Research.
- Vadillo J, Santana R and Lozano JA (2022). Open issues in adversarial machine learning. WIRES Data Mining and Knowledge Discovery.
- Garciarena U, Marti L and Santana R (2021). Adversarial Perturbations for Evolutionary Optimization. CEC 2021.
- Santana R, Larrañaga P and Lozano JA (2010). Synergies between network-based representations and probabilistic graphical modeling in the solution of combinatorial optimization problems. J. Statistical Mechanics.