BCAMeko ikertzaile batek “Consolidación Investigadora 2022” proiektu bat jaso du bere ikerketari bultzada emateko

• Santiago Mazuelas irakaslearen SLEDS proiektuak Estatuko Ikerketa Agentziak ikerketa sendotzeko ematen dituen laguntzetako bat lortu du.

 

Santiago Mazuelas,  Basque Center for Applied Mathematics – BCAMeko Machine Learning taldeko Ramón y Cajal ikertzailea hautatu dute Estatuko Ikerketa Agentziak ematen duen Consolidación Investigadora 2022 laguntzaren onuradun gisa bere “Aprendizaje supervisado minimax en entornos con cambios de distribuciones – SLEDS” proiekturako.

 “Consolidación Investigadora”  laguntza estatuko zein atzerriko ikertzaileek beren karrera profesionala Espainiako Zientzia, Teknologia eta Berrikuntza Sistema barruan garatu ahal izateko diseinatu da eta Europar Batasunaren Suspertze eta Erresilientzia Mekanismoarekin finantzatzen da.  Gainera, ikerketa proiektu bat burutzea, ikertzaile karrerak garatzea edo ikerketa taldeak osatzea ere ahalbidetzen du. Kasu honetan, Santiago Mazuelas irakaslearen taldearen lana finantzatzeko balioko du, junior ikertzaileak eta doktorego ikasleak barne direla.

Machine learning teknikek “ikasteko” erabiltzen dituzten datuek eta ikasketa horiek erabiltzen dituzten kasuen ezaugarriak desberdinak izaten dira. Esaterako, egungo egoera bat aurreikusteko baliatzen diren datuak, duela zenbait urtekoak izan daitezke, edo beste populazio batenak. Fenomeno horri distribution shift izena eman ohi zaio. BCAMen egingo den proiektuak ikasketa teknika eraginkorrak garatuko ditu distribution shift fenomenoaren eraginpean dauden inguruneetarako. Zehazki, Mazuelas irakasleak eta bere taldeak azken urteotan garatu duten minimax risk classifiers (MRC) delakoen esparru metodologikoa erabiliko dute. Planteamendu horri esker, distribution shift egoerak ohiko metodoak baino modu eraginkorragoan egokitu daitezke.

Santiago Mazuelas irakaslearen zuzendaritzapeko proiektuaren helburua da distribution shift fenomenoaren eraginpean dauden egoera desberdinetan modu bateratuan aplikatu daitezkeen teknikak garatzea. Orain arte, uneko metodoek egoera espezifikoetan jarri izan dute arreta, eta horrek ingurune konplexuago eta anitzagoetan duten baliagarritasuna mugatu du. Mazuelas irakasleak eta bere BCAMeko taldeak proposatu duten planteamenduak  muga horiek gainditu nahi ditu, irtenbide orokortu bati esker.

SLEDS proiektuak garatzen dituen tekniken abantaila garrantzitsuenetako bat da algoritmoek egoera praktikoetan duten portaerari buruzko berme teoriak eskaintzen dituztela. Horrek esan nahi du metodo hauekin lortzen diren emaitzak fidagarriak eta aurreikusteko modukoak direla. Era berean, hori ezinbestekoa da algoritmoek portaera fidagarri bat izatea eskatzen duten aplikazio kritikoetan.

Proiektu honen inpaktu potentzialak mundu errealeko hainbat aplikazio ditu barne. Besteak beste, garatuko diren teknikei esker, ikaste automatikoko algoritmoak denboran zehar aldatuz doazen egoeretara egokitu ahalko dira, hala nola kontsumo patroi aldakorrak dituzten energia kontsumoen iragarpena. Horrez gain, baliagarriak izango dira ere beste populazio batzuetako datuak erabiltzen diren kasuetan, hala nola gaixotasunek pertsona talde desberdinetan izango duten larritasunaren iragarpena.

“Machine learning teknika fidagarriak garatzea funtsezkoa da datuetan gero eta gehiago oinarritzen den mundu batean”, adierazi du BCAMeko proiektu buruak. “Minimax risk classifier-etan oinarritu dugun planteamenduak itxaropen handiko irtenbide bat eskaintzen du distribution shift-aren erronkei aurre egiteko, algoritmoei hainbat egoeratara egokitzeko eta fidagarri izaten jarraitzeko aukera ematen baitie”.

Ikerketa honekin, ikaste automatikoaren abangoardian jarraitzeko eta gaur egungo erronka premiazkoenei aurre egiteko konpromisoa indartu du BCAMek.