FUSIPROD

Artículos científicos

• Iosu Rodriguez-Martinez, Pablo Ursua-Medrano, Javier Fernandez, Zdenko Takáč, Humberto Bustince, A study on the suitability of different pooling operators for Convolutional Neural Networks in the prediction of COVID-19 through chest x-ray image analysis, Expert Systems with Applications, Volume 235, 2024, 121162, ISSN 0957-4174. https://doi.org/10.1016/j.eswa.2023.121162.
• Iosu Rodriguez-Martinez, Tiago da Cruz Asmus, Graçaliz Pereira Dimuro, Francisco Herrera, Zdenko Takáč, Humberto Bustince, Generalizing max pooling via (a,b)-grouping functions for Convolutional Neural Networks, Information Fusion, Volume 99, 2023, 101893, ISSN 1566-2535. https://doi.org/10.1016/j.inffus.2023.101893.
• Tiago da Cruz Asmus, Graçaliz Pereira Dimuro, Benjamin Bedregal, José Antonio Sanz, Javier Fernandez, Iosu Rodriguez-Martinez, Radko Mesiar, Humberto Bustince, A constructive framework to define fusion functions with floating domains in arbitrary closed real intervals, Information Sciences, Volume 610, 2022, Pages 800-829.
  https://doi.org/10.1016/j.ins.2022.08.007
• Iosu Rodriguez-Martinez, Julio Lafuente, Regivan H.N. Santiago, Graçaliz Pereira Dimuro, Francisco Herrera, Humberto Bustince, Replacing pooling functions in Convolutional Neural Networks by linear combinations of increasing functions, Neural Networks, Volume 152, 2022, Pages 380-393. https://doi.org/10.1016/j.neunet.2022.04.028
• Ferrero-Jaurrieta, M., Takac, Z; Rodríguez-Martinez, I., Marco-Detchart, C., Bernardini, A., Fernandez, J., Bustince, H., From Restricted Equivalence Functions on Ln to Similarity measures between fuzzy multisets, aceptado para publicación en IEEE Transactions on Fuzzy Systems. https://doi.org/10.1109/TFUZZ.2023.3235405 

Congresos:

• Iosu Rodriguez-Martinez, Pablo Aitor Lizarraga-Guerra, Tiago Asmus, Graçaliz Dimuro, Francisco Herrera, Humberto Bustince, Penalty-based pooling functions for feature reduction on Convolutional Neural Networks, IPMU 2022.
• Pablo Ursúa Medrano, Iosu Rodriguez Martinez, Angela Bernardini, Javier Fernandez, Humberto Bustince, Evaluación de diferentes funciones de agregación en la capa de pooling de una Red Neuronal Convolucional, ESTYLF 2022.
• Pablo Ursúa Medrano, Iosu Rodriguez Martinez, Angela Bernardini, Javier Fernandez, Humberto Bustince, Evaluation of different aggregation functions in the pooling layer of a Convolutional Neural Network, FSTA 2022.

Gaur egun, neurona-sare sakonak dira Adimen artifizialean arazo konplexuak tratatzeko erabilitako tresna nagusia, beren moldakortasun eta potentzia direla medio. Sare horiek behar beste datu izatearen baitan daude. Datu horiek hainbat parametro finkatzen dituen matematika-prozesu batekin patroiak identifikatzeko ikasteko erabiltzen dituzte. Adibidez, irudien kasuan, datu sinpleagoetara mugatzen dituzte objektuak, ehundurak edota elementu arrotzak hauteman ahal izateko. Prozesu horri entrenamendu esaten zaio. Horrela, entrenatutako sare batera irudi berriak gaineratzen direnean, entrenatzeko erabili dituen irudien ezaugarriekin alderatzen ditu, zer irudirekin duten antza gehiago edo zer ezberdintasun dauden identifikatu ahal izateko.

Neurona-sare sakonaren funtzionamendua, beraz, ezaugarri garrantzitsuenak identifikatzeko xedez, datuak modu egokian fusionatzeko duen gaitasunaren araberakoa da. Neurona-sare konbentzional izenekoen kasuan, fusio hori bi prozesu estandarren bidez egin izan da: konboluzioa eta poolinga. Prozesu horietan informazioa fusionatzeko mekanismo berdinak erabiltzen dira beti. Sarearekin lortutako emaitzak hobetzeko, tradizionalki parametro kopurua areagotzen da, eta horrek sare horien erabilera motelagoa eta kostu handiagokoa izatea eragiten du.

Horregatik, proiektu honetan sarearen barnean informazioa fusionatzeko prozesuak hobetzea planteatu dugu, kostu txikiago batekin bere errendimendua hobe dadin. Horretarako, informazioa fusionatzeko mekanismo berriak aztertu ditugu, ohikoetatik harago, funtzio-sorta bat sortzeko, arazo jakin batzuetara egokitzeko modukoak, erabiltzaileen premien arabera, horrek kostua ez areagotzeko ahalegina eginez. Bestela esanda, “indar handiko” hurbilketa ordezten saiatu gara, fusionatzeko datuak zein diren kontuan izango dituen beste “finago” batekin emaitzak hobetzeko. Zehazki, garatutako neurona-sareak erronka berrien aurreko erantzuna izan nahi dute industriaren sektorean. Zehazki, “ezezagunaren”, hots, anomalien, iragarpena. Anomalia bat sistemaren iraganean ez zegoen gertaera bat da, sistemako datu historikoetan aurkitu ezin den gertaera bat. Industriaren esparruan, besteak beste, ekipoak erabiltzeko moduan ez izatea dakarten arazoak modu goiztiarrean hautemateak eragin handia du ekoizpenean, eta, beste alde batetik, mantenu-kostuak modu nabarian aurreztea suposatzen du. Gertaera ezohikoak identifikatzearen helburua da gertaera horiek, etorkizunera begira, behar beste denboraz eta konfiantzaz iragartzea, esku-hartzeak kostu ekonomiko gutxiagorekin planifikatzeko.

Horregatik, honako hauek izan diren proiektuaren helburu nagusiak:

– Neurona-sare sakonak aplikatu interpretatzeko aukerak hobetzea informazioa fusionatzeko mekanismo berrien garapen teorikoaren bidez, konboluzio- eta pooling-faseetan aplikatzeko.

– Neurona-sare sakonen ahalmena aztertzea aldaera bakarreko denbora-serieetan anomaliak hautemateari dagokionez erabil daitezen, zein babes-gailuetan AA arloko inferentzia-funtzioetarako egokitu daitezen.

Eskuratutako emaitzak positiboak izan dira. Zehazki, egiaztatu denez, pooling-prozesuak, egiaz, hobetu egin daitezke datuen arteko harremanak kontuan izan ditzaketen funtzioak erabiltzen badira neurri egokien bidez. Horrek ateak ireki dizkio ikertzeko anomalia motara zein irudien prozesamenduarekin lotutako beste zenbait arazotara modu espezifikoan egokitu daitezkeen neurona-sare ereduak garatzeari.

Konboluzioari dagokionez, egungo ordenagailuetan hardwarea (prozesadoreak diseinatzeko moduarekin dago hertsiki lotuta  Teorikoki, informazioa fusionatzeko funtzio orokorragoak aintzatetsiz emaitzak hobetu egin badaitezke ere, praktikoki ezinezkoa da aldaketa horiek txertatzea, makinen ezaugarri fisikoetan aldaketaren bat izan ezean. Aldaketa mota hori ez dago enpresen eskura, beraz ez da zilegi.

Haatik, garrantzitsua da nabarmentzea, informazioa fusionatzeko mekanismo berriak neurona-sare konbentzionaletatik askoz ere harago hedatu daitezkeela frogatu dela, edozein arkitektura mota hobetze aldera. Alderdi horrek garrantzi handia du; izan ere, neurona-sareen bilakaera oso bizkorra da, eta oso azkar agertzen dira arkitektura berriak, ahalmen handiagokoak. Gure ikerketaren emaitzek ahalbidetzen duten enpresek eredu berri horietan aplikatu ahal izatea.

Bestalde, konplexutasunari dagokionez (periodikoak, ia periodikoak, aperiodikoak) seinale mota ezberdinak hautemateko produktu baliozko bat zehazteko xedez, hainbat arkitekturaren zeregina aztertu da, arkitektura horiek hardware ezberdinetan murgiltzeko moduarekin batera. Azterketa horri esker, hauteman ahal izan da, zer sare sinple diren aldaera bakarreko denbora-serie konplexuen ezaugarriak hautemateko gai, esate baterako, Espainiako eguneroko merkatuko elektrizitatearen prezioa. Horrek berekin dakar prozesamendu-ahalmen apalagoko hardwareak aintzatetsi ahal izatea eta, horrenbestez, kostu baxuagoko hautemate-gailuak zehaztea, inferentzia gauzatze aldera.