Proyectos de investigación competitivos financiados por entidades externas
Física estadística de la inferencia en redes para aprendizaje automático interpretable (Net4IML)
Acrónimo
Nets4IML
Título proyecto
Física estadística de la inferencia en redes para aprendizaje automático interpretable (Net4IML)
Referencia externa
PID2022-142600NB-I00
Descripción/abstract
Las redes son representaciones de sistemas cuyas partes constituyentes interactúan entre sí de formas no triviales. Se utilizan para
modelizar una amplia gama de sistemas complejos, incluidos sistemas físicos, químicos, biológicos, de transporte y sociales. Dentro de
este contexto, la inferencia en redes es el proceso de inferir la estructura subyacente o las propiedades subyacentes de una red a partir
de datos observacionales. El objetivo de la inferencia en redes es reconstruir la red subyacente a partir de datos e identificar las
características clave de la red, como la presencia de comunidades o la existencia de nodos clave, o caracterizar la estructura general de
la red. La inferencia en redes es un paso importante en el análisis de sistemas complejos, ya que permite a los investigadores
comprender los mecanismos subyacentes que gobiernan las interacciones entre las partes constituyentes del sistema. Aún más
importante, también permite hacer predicciones específicas sobre los sistemas. En este último sentido, la inferencia en redes ha permitido
que la ciencia de las redes se convierta en una ciencia predictiva, en lugar de puramente descriptiva.
Además de ayudar en problemas que son problemas de red per se, la inferencia en redes también está abriendo nuevas puertas para
abordar un problema cada vez más importante en el aprendizaje automático estadístico, a saber, la falta de interpretabilidad de los
modelos. De hecho, la falta de interpretabilidad es una fuente de preocupación en el aprendizaje profundo por varias razones: (i) dificultad
para comprender el proceso de toma de decisiones del modelo; (ii) dificultad para identificar y corregir sesgos y errores; (iii) falta de
confianza en el modelo; (iv) dificultad para cumplir con la normativa relacionada con la privacidad de datos y sesgos que exigen que los
modelos sean interpretables; y (v) dificultad para usar el modelo para ciertas aplicaciones, como atención médica y finanzas, donde la
interpretabilidad es crucial para garantizar la seguridad y la equidad. Aunque este problema parece, en principio, ir más allá de la ciencia
de las redes, un enfoque prometedor que hemos presentado recientemente es la regresión simbólica bayesiana, que aprovecha las
representaciones de expresiones matemáticas como redes, y transforma el problema de formular modelos interpretables en un problema
de inferencia en redes.
El objetivo general de este proyecto es desarrollar herramientas de física estadística, basadas en representaciones de red, modelos de
red e inferencia en redes, para desarrollar enfoques de aprendizaje automático estadístico que sean tanto interpretables como predictivos.
Entidad financiadora
MINISTERIO DE CIENCIA E INNOVACION
Entidad financiadora
142.500,00 €
Logos
Convocatoria
Convocatoria de tramitación anticipada para el año 2022 del procedimiento de concesión de ayudas a «Proyectos de Generación de Conocimiento» y a actuaciones para la formación de personal investigador predoctoral asociadas a dichos proyectos, en el marco del Plan Estatal de Investigación Científica, Técnica y de Innovación 2021-2023.
Fecha inicio
01-09-2023
Fecha fin
31-08-2026
Departamento/IP
Enginyeria Química/GUIMERÀ MANRIQUE, ROGER; SALES PARDO, MARTA
