Nuevo artículo de un investigador de BCAM en el Journal of Machine Learning Research

El investigador asociado de Ikerbasque Santiago Mazuelas ha publicado "Minimax Risk Cassifiers with 0-1 Loss" en el prestigioso Journal of Machine Learning Research (JMLR)

Santiago Mazuelas, investigador asociado de Ikerbasque en el área de Data Science del Basque Center for Applied Mathematics - BCAM ha publicado recientemente el artículo Minimax Risk Classifiers with 0-1 Loss en el Journal of Machine Learning Research (JMLR). JMLR es posiblemente la revista más prestigiosa en el campo del Machine Learning con una tasa de aceptación por debajo del 20% y un consejo editorial compuesto por los investigadores más distinguidos en el campo, incluyendo a premiados del Premio Alan Turing y el vicepresidente de Google Research, entre otros.

El artículo Minimax Risk Classifiers with 0-1 Loss ha sido desarrollado en colaboración internacional con Mauricio Romero de la Universidad Federal de Bahía (Brasil) y Peter Grünwald del Instituto Nacional de Investigación en Matemáticas e Informática (Holanda). El profesor Romero es un profesor asociado especializado en optimización convexa que fue Visiting Fellow en el BCAM en 2021. El profesor Grünwald es catedrático de la Universidad de Leiden, jefe del grupo de aprendizaje automático del CWI, galardonado con el premio Van Dantzig en 2010 y presidente de la Asociación de Aprendizaje Computacional. La colaboración internacional de investigación que ha dado lugar al artículo publicado ha sido dirigida por Santiago Mazuelas, primer autor del artículo científico.

Este artículo presenta Clasificadores de Riesgo Minimax (MRC) que minimizan la pérdida 0-1 en el peor de los casos sobre reglas de clasificación generales y ofrecen garantías de rendimiento estrictas. Se muestra cómo el rendimiento fuera de la muestra de los MRC puede estimarse de forma fiable en el aprendizaje, y que los MRC son fuertemente consistentes universalmente utilizando mapeos de características ricas. A diferencia de los métodos existentes, la metodología propuesta puede ofrecer técnicas de clasificación que no dependen de muestras de entrenamiento específicas ni de elecciones de pérdidas/clases de hipótesis sustitutas. En su lugar, el aprendizaje MRC se basa en estimaciones de expectativas, y su sesgo inductivo procede únicamente de un mapeo de características que determina qué expectativas se estiman. Por lo tanto, los métodos presentados pueden proporcionar técnicas robustas a situaciones prácticas que desafían los supuestos comunes, por ejemplo, muestras de entrenamiento que siguen una distribución diferente o muestran colas pesadas. El grupo de Machine Learning de BCAM ya ha utilizado esta metodología para múltiples aplicaciones importantes, como el pronóstico de las infecciones por COVID-19 y la predicción del consumo de energía y el precio.

El artículo publicado se ha desarrollado en el marco de un esfuerzo de investigación emprendido durante varios años por Santiago Mazuelas junto con sus colaboradores y estudiantes. Este esfuerzo investigador está desarrollando una novedosa metodología de clasificación supervisada que va más allá del enfoque convencional de minimización empírica del riesgo (ERM) y obtiene reglas de clasificación que minimizan las probabilidades de error en el peor de los casos. Los resultados obtenidos por el grupo en los últimos tres años han dado lugar a más de seis publicaciones en las revistas y conferencias más prestigiosas del campo, entre ellas NeurIPs, ICML y JMLR. Estos trabajos han sido autorizados por tres investigadores senior del BCAM (Santiago Mazuelas, Aritz Pérez y José A. Lozano), tres estudiantes de doctorado del BCAM (Verónica Álvarez, José Segovia y Kartheek Reddy) y cuatro colaboradores internacionales (Peter Grünwald de Holanda, Yuan Shen de China, Anqi Liu de Estados Unidos y Mauricio Romero de Brasil). En los próximos años, el grupo seguirá en esta línea de investigación ampliando el equipo de estudiantes y colaboradores internacionales, al tiempo que mantiene la calidad de las publicaciones.

Acerca de Santiago Mazuelas

Santiago Mazuelas received the Ph.D. in Mathematics and Ph.D. in Telecommunications Engineering from the University of Valladolid, Spain, in 2009 and 2011, respectively. He is currently an Ikerbasque Research Associate at the Basque Center for Applied Mathematics (BCAM). Prior to joining BCAM, he was a Staff Engineer at Qualcomm Corporate Research and Development from 2014 to 2017. He previously worked from 2009 to 2014 as Postdoctoral Fellow and Associate in the Laboratory for Information and Decision Systems (LIDS) at the Massachusetts Institute of Technology (MIT). His general research interest is the application of mathematics to solve practical problems, currently his work is primarily focused on machine learning and statistical signal processing. He has received the Young Scientist Prize from the Union Radio-Scientifique Internationale (URSI) Symposium in 2007, and the Early Achievement Award from the IEEE ComSoc in 2018. His papers received the IEEE Communications Society Fred W. Ellersick Prize in 2012, the SEIO-FBBVA Best Applied Contribution in the Statistics Field in 2022, and Best Paper Awards from the IEEE ICC in 2013, the IEEE ICUWB in 2011, and the IEEE Globecom in 2011.