Investigador de BCAM recibe un proyecto de “Consolidación Investigadora 2022” para impulsar su investigación

• El proyecto SLEDS del Profesor Santiago Mazuelas, ha conseguido obtener una de las ayudas para incentivar la consolidación investigadora de la mano de la Agencia Estatal de Investigación

Santiago Mazuelas, investigador Ramón y Cajal en el grupo de Machine Learning en el Basque Center for Applied Mathematics – BCAM, ha sido seleccionado como beneficiario de la ayuda de Consolidación Investigadora 2022, otorgada por la Agencia Estatal de Investigación para su proyecto “Aprendizaje supervisado minimax en entornos con cambios de distribuciones – SLEDS”.

La ayuda de “Consolidación Investigadora” está diseñada para consolidar la carrera profesional de investigadores, nacionales y extranjeros, para que puedan desarrollar su carrera profesional dentro del Sistema Español de Ciencia, Tecnología e Innovación y están financiadas por el Mecanismo de Recuperación y Resiliencia de la Unión Europea.  Además, fortalece la realización de un proyecto de investigación y las carreras investigadoras o grupos de investigación. En este caso, servirá para financiar el trabajo del equipo del Profesor Santiago Mazuelas incluyendo a investigadores junior y estudiantes de doctorado.

Los datos utilizados por las técnicas del machine learning para poder “aprender”, suelen tener características distintas a los casos donde ese aprendizaje es utilizado. Por ejemplo, los datos que se utilizan para predecir una situación actual, pueden haber sido obtenidos hace años o corresponder con poblaciones distintas. Este fenómeno se conoce habitualmente como distribution shift. El proyecto que se realizara en BCAM desarrollara técnicas de aprendizaje efectivas para entornos afectados por distribution shifts. En concreto, el Prof. Mazuelas y su equipo utilizaran el marco metodológico de los minimax risk classifiers (MRCs), desarrollado por el grupo en los últimos años. Este enfoque permite la adaptación a situaciones de distribution shift de una manera más efectiva que los métodos convencionales.

El proyecto liderado por el Prof. Santiago Mazuelas, tiene como objetivo desarrollar técnicas que se puedan aplicar de manera unificada a distintos escenarios afectados por el distribution shift. Hasta ahora, los métodos existentes se han centrado en abordar situaciones específicas, lo que ha limitado su utilidad en entornos más complejos y diversos. El enfoque propuesto por el Prof. Mazuelas y su equipo en BCAM promete superar estas limitaciones al proporcionar una solución generalizada.

Una de las ventajas clave de las técnicas desarrolladas por el proyecto SLEDS, es que ofrecen garantías teóricas sobre el comportamiento de los algoritmos en situaciones prácticas. Esto significa que los resultados obtenidos mediante estos métodos son confiables y predecibles, lo que resulta fundamental en aplicaciones críticas que requieren algoritmos que se comporten de una manera fiable.

El impacto potencial de este proyecto abarca una amplia gama de aplicaciones en el mundo real. Por ejemplo, las técnicas desarrolladas permitirán a los algoritmos de aprendizaje automático adaptarse a situaciones cambiantes en el tiempo, como predicciones de consumos de energía en los que los patrones de consumo varían. Además, serán útiles en casos donde los datos corresponden a poblaciones distintas, como en la predicción de la severidad de enfermedades en diferentes grupos de personas.

«El desarrollo de técnicas de machine learning fiables es de vital importancia en un mundo cada vez más impulsado por los datos», afirma el líder del proyecto en BCAM. «Nuestro enfoque basado en minimax risk classifiers ofrece una solución prometedora para superar los desafíos del distribution shift, permitiendo a los algoritmos adaptarse y seguir siendo precisos en diversas situaciones».

Con esta investigación, BCAM reafirma su compromiso de avanzar en la vanguardia del aprendizaje automático y resolver los desafíos más apremiantes de la actualidad.