http://sedici.unlp.edu.ar:80/handle/10915/164487 2026-10-05T17:52:04Z 2026-10-05T17:52:04Z Sánchez, Claudia Marina Bustos, Natalia Carolina Ré, Miguel Ángel Brusa, Daniel Horacio Britch, Javier http://sedici.unlp.edu.ar:80/handle/10915/166485 2024-05-28T20:04:39Z 2023-01-01T00:00:00Z

Objeto de conferencia Prey-Predator Modeling through Multiagent System Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) En este trabajo se presenta el modelado de un ecosistema sencillo de presas y depredadores, mediante un Sistema Multiagente donde cada individuo de una especie es caracterizado como un círculo de cierto radio que se desplaza con una rapidez constante en un universo plano finito. Las interacciones entre agentes son caracterizadas por las superposiciones de áreas de cada agente durante sus desplazamientos. Este modelo permite ajustar condiciones que muestran una evolución temporal oscilatoria acoplada de las poblaciones, propia de los datos de campo y coincidente con distintas soluciones a la ecuación de Lotka-Volterra.; In this work, the modeling of a simple ecosystem of prey and predators is presented, through a multi-agent system where each individual of a species is characterized as a circle of a certain radius that moves with a constant speed in a finite plane universe. The interactions between agents are characterized by the overlapping of areas of each agent during their displacements. This model allows adjusting conditions that show a coupled oscillatory temporal evolution of the populations, typical of the field data and in agreement with different solutions to the Lotka-Volterra equation.

2023-01-01T00:00:00Z En este trabajo se presenta el modelado de un ecosistema sencillo de presas y depredadores, mediante un Sistema Multiagente donde cada individuo de una especie es caracterizado como un círculo de cierto radio que se desplaza con una rapidez constante en un universo plano finito. Las interacciones entre agentes son caracterizadas por las superposiciones de áreas de cada agente durante sus desplazamientos. Este modelo permite ajustar condiciones que muestran una evolución temporal oscilatoria acoplada de las poblaciones, propia de los datos de campo y coincidente con distintas soluciones a la ecuación de Lotka-Volterra. In this work, the modeling of a simple ecosystem of prey and predators is presented, through a multi-agent system where each individual of a species is characterized as a circle of a certain radius that moves with a constant speed in a finite plane universe. The interactions between agents are characterized by the overlapping of areas of each agent during their displacements. This model allows adjusting conditions that show a coupled oscillatory temporal evolution of the populations, typical of the field data and in agreement with different solutions to the Lotka-Volterra equation. Perero, Juan Manuel Ferrante, Enzo Larrateguy, Luis Darío Di Persia, Leandro Rufiner, Hugo Leonardo http://sedici.unlp.edu.ar:80/handle/10915/166477 2024-05-28T20:04:41Z 2023-01-01T00:00:00Z

Objeto de conferencia Analysis of biases in classification algorithms of pulse oximetry for detection of sleep disorders Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) La utilización de algoritmos y técnicas de aprendizaje automático dentro del ámbito de la medicina ha demostrado ser de gran utilidad en tareas de asistencia al diagnóstico. Al mismo tiempo, durante los últimos años, se han dado a conocer problemáticas importantes que afectan el funcionamiento de estos métodos en subpoblaciones específicas, presentando un rendimiento dispar en determinados grupos demográficos. Este rendimiento dispar suele estar asociado a la subrepresentación de dichas poblaciones en los datos utilizados durante el entrenamiento, resultando en modelos sesgados. Este es un trabajo preliminar que busca explorar la existencia de sesgos en la clasificación de apnea a partir de oximetría de pulso considerando diferentes grupos étnicos. Para ello, se utiliza una base de datos con información étnica de pacientes y un algoritmo para detectar trastornos de sueño como apneas o hipopneas. Para la detección de dichos eventos, se emplea sólo la señal de saturación periférica de oxígeno en sangre (SpO2) junto al algoritmo basado en aprendizaje de diccionarios DAS-KSVD. Los experimentos consisten en analizar la base de datos de polisomnografía MESA, que contiene cuatro grupos étnicos, utilizando la señal de SpO2 para el aprendizaje de diccionarios con los que se mejora el proceso de detección de patologías.; The use of machine learning algotithms and techniques within the field of medicine has proven to be very useful in diagnostic assistance tasks. At the same time, in recent years, important issues have been revealed that affect the performance of these methods in specific subpopulations, presenting uneven performance in certain demographic groups. This uneven performance is often associated with the underrepresentation of these populations in the data used during training, resulting in biased models. This is a preliminary work that seeks to explore the existence of biases in the classification of apnea from pulse oximetry considering different ethnic groups. To do this, a database with ethnic information on patients and an algorithm to detect sleep disorders such as apnea or hypopnea are used. For the detection of such events, only the peripheral blood oxygen saturation (SpO2) signal is used together with the algorithm based on DAS-KSVD dictionary learning. The experiments consist of analyzing the MESA polysomnography database, which contains four ethnic groups, using the SpO2 signal for dictionary learning that improves the pathology detection process.

2023-01-01T00:00:00Z La utilización de algoritmos y técnicas de aprendizaje automático dentro del ámbito de la medicina ha demostrado ser de gran utilidad en tareas de asistencia al diagnóstico. Al mismo tiempo, durante los últimos años, se han dado a conocer problemáticas importantes que afectan el funcionamiento de estos métodos en subpoblaciones específicas, presentando un rendimiento dispar en determinados grupos demográficos. Este rendimiento dispar suele estar asociado a la subrepresentación de dichas poblaciones en los datos utilizados durante el entrenamiento, resultando en modelos sesgados. Este es un trabajo preliminar que busca explorar la existencia de sesgos en la clasificación de apnea a partir de oximetría de pulso considerando diferentes grupos étnicos. Para ello, se utiliza una base de datos con información étnica de pacientes y un algoritmo para detectar trastornos de sueño como apneas o hipopneas. Para la detección de dichos eventos, se emplea sólo la señal de saturación periférica de oxígeno en sangre (SpO2) junto al algoritmo basado en aprendizaje de diccionarios DAS-KSVD. Los experimentos consisten en analizar la base de datos de polisomnografía MESA, que contiene cuatro grupos étnicos, utilizando la señal de SpO2 para el aprendizaje de diccionarios con los que se mejora el proceso de detección de patologías. The use of machine learning algotithms and techniques within the field of medicine has proven to be very useful in diagnostic assistance tasks. At the same time, in recent years, important issues have been revealed that affect the performance of these methods in specific subpopulations, presenting uneven performance in certain demographic groups. This uneven performance is often associated with the underrepresentation of these populations in the data used during training, resulting in biased models. This is a preliminary work that seeks to explore the existence of biases in the classification of apnea from pulse oximetry considering different ethnic groups. To do this, a database with ethnic information on patients and an algorithm to detect sleep disorders such as apnea or hypopnea are used. For the detection of such events, only the peripheral blood oxygen saturation (SpO2) signal is used together with the algorithm based on DAS-KSVD dictionary learning. The experiments consist of analyzing the MESA polysomnography database, which contains four ethnic groups, using the SpO2 signal for dictionary learning that improves the pathology detection process. Copa, Vanesa Judith Pinto, Sebastián Kaczer, Laura http://sedici.unlp.edu.ar:80/handle/10915/165931 2024-05-10T20:04:55Z 2023-01-01T00:00:00Z

Objeto de conferencia Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) Understanding the change in word meaning across different contexts and time periods is crucial for revealing the role of language in social and cultural evolution. In this study, we examine the diachronic effect of the Covid-19 pandemic on the use and meaning of words through the lens of complex networks theory. Specifically, we analyze how Twitter users express themselves and how their language use was affected by the pandemic. Using network analysis, we construct networks corresponding to three different years (2019, 2020, 2021) to represent the relationship between the words used by Twitter users, allowing us to track semantic changes quantitatively. Our study focuses on a set of Twitter users that were compared through time. Overall, our research sheds light on the methodological possibilities offered and how complex networks theory can help us understand this impact.

2023-01-01T00:00:00Z Understanding the change in word meaning across different contexts and time periods is crucial for revealing the role of language in social and cultural evolution. In this study, we examine the diachronic effect of the Covid-19 pandemic on the use and meaning of words through the lens of complex networks theory. Specifically, we analyze how Twitter users express themselves and how their language use was affected by the pandemic. Using network analysis, we construct networks corresponding to three different years (2019, 2020, 2021) to represent the relationship between the words used by Twitter users, allowing us to track semantic changes quantitatively. Our study focuses on a set of Twitter users that were compared through time. Overall, our research sheds light on the methodological possibilities offered and how complex networks theory can help us understand this impact. Pérez, Gabriela Alejandra Pons, Claudia Fabiana http://sedici.unlp.edu.ar:80/handle/10915/165930 2024-05-10T20:04:57Z 2023-01-01T00:00:00Z

Objeto de conferencia Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) Convolutional neural networks are a technique that has demonstrated great success in computer vision tasks, such as image classification and object detection. Like any machine learning model, they have limitations and vulnerabilities that must be carefully considered for safeand effective use. One of the main limitations lies in their complexity and the difficulty of interpreting their internal workings, which can be exploited for malicious purposes. The goal of these attacks is to make deliberate changes to the input data in order to deceive the model and cause it to make incorrect decisions. These attacks are known as adversarial attacks. This work focuses on the generation of adversarial images using genetic  algorithms for a convolutional neural network trained on the MNIST dataset. Several strategies are employed, including targeted and untargeted attacks, as well as the presentation of interpretable and non-interpretable images that are unrecognizable to humans but are misidentified and confidently classified by the network. The experiment demonstrates the ability to generate adversarial images in a relatively short time, highlighting the vulnerability of neural networks and the ease with which they can be deceived. These results underscore the importance of developing more secure and reliable artificial intelligence systems capable of resisting such attacks.; Las redes neuronales convolucionales conforman una tecnica que ha demostrado un gran éxito en tareas de visión artificial, como laclasificación de imágenes y detección de objetos. Como cualquier modelo de aprendizaje automático, tiene limitaciones y vulnerabilidades quedeben ser consideradas cuidadosamente para utilizarlas de manera segura y efectiva. Una de las limitaciones principales se encuentra en sucomplejidad y la dificultad de interpretar su funcionamiento interno, lo que puede ser explotado con fines maliciosos. El objetivo de estos ataquesconsiste en hacer cambios deliberados en la entrada de datos, de forma tal de engañar al modelo y hacer que tome decisiones incorrectas. Estosataques son conocidos como ataques adversarios. Este trabajo se centra en la generación de imágenes adversarias utilizando algoritmos genéticos para una red neuronal convolucional entrenada con el dataset MNIST. Se utilizan varias estrategias incluyendo ataques dirigidos y no dirigidos, así como también se presentan imágenes interpretables y no interpretables, no reconocibles para los humanos, pero que la red identifica y clasifica erróneamente con alta confianza. El experimento muestra la posibilidad de generar imágenes adversarias en un tiempo relativamente corto, lo que pone en evidencia la vulnerabilidad de las redes neuronales y la facilidad con la que pueden ser engañadas. Estos resultados resaltan la importancia de desarrollar sistemas de inteligencia artificial más seguros y confiables, capaces de resistir estos ataques.

2023-01-01T00:00:00Z Convolutional neural networks are a technique that has demonstrated great success in computer vision tasks, such as image classification and object detection. Like any machine learning model, they have limitations and vulnerabilities that must be carefully considered for safeand effective use. One of the main limitations lies in their complexity and the difficulty of interpreting their internal workings, which can be exploited for malicious purposes. The goal of these attacks is to make deliberate changes to the input data in order to deceive the model and cause it to make incorrect decisions. These attacks are known as adversarial attacks. This work focuses on the generation of adversarial images using genetic  algorithms for a convolutional neural network trained on the MNIST dataset. Several strategies are employed, including targeted and untargeted attacks, as well as the presentation of interpretable and non-interpretable images that are unrecognizable to humans but are misidentified and confidently classified by the network. The experiment demonstrates the ability to generate adversarial images in a relatively short time, highlighting the vulnerability of neural networks and the ease with which they can be deceived. These results underscore the importance of developing more secure and reliable artificial intelligence systems capable of resisting such attacks. Las redes neuronales convolucionales conforman una tecnica que ha demostrado un gran éxito en tareas de visión artificial, como laclasificación de imágenes y detección de objetos. Como cualquier modelo de aprendizaje automático, tiene limitaciones y vulnerabilidades quedeben ser consideradas cuidadosamente para utilizarlas de manera segura y efectiva. Una de las limitaciones principales se encuentra en sucomplejidad y la dificultad de interpretar su funcionamiento interno, lo que puede ser explotado con fines maliciosos. El objetivo de estos ataquesconsiste en hacer cambios deliberados en la entrada de datos, de forma tal de engañar al modelo y hacer que tome decisiones incorrectas. Estosataques son conocidos como ataques adversarios. Este trabajo se centra en la generación de imágenes adversarias utilizando algoritmos genéticos para una red neuronal convolucional entrenada con el dataset MNIST. Se utilizan varias estrategias incluyendo ataques dirigidos y no dirigidos, así como también se presentan imágenes interpretables y no interpretables, no reconocibles para los humanos, pero que la red identifica y clasifica erróneamente con alta confianza. El experimento muestra la posibilidad de generar imágenes adversarias en un tiempo relativamente corto, lo que pone en evidencia la vulnerabilidad de las redes neuronales y la facilidad con la que pueden ser engañadas. Estos resultados resaltan la importancia de desarrollar sistemas de inteligencia artificial más seguros y confiables, capaces de resistir estos ataques. Pezet, Braian Osés, Lucía Cappelletti, Marcelo Ángel Salina, Mauro David Osio, Jorge Rafael Morales, Martín http://sedici.unlp.edu.ar:80/handle/10915/165929 2025-02-27T13:17:00Z 2023-01-01T00:00:00Z

Objeto de conferencia Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) Este trabajo se enfoca en el desarrollo de un sistema de clasificación de objetos para ser utilizado en un recolector de residuos inteligente, empleando técnicas de Aprendizaje Profundo (Deep Learning). Se crearon modelos de redes neuronales convolucionales (CNN) capaces de identificar distintos objetos reciclables en diferentes imágenes, en tiempo real. Se llevaron a cabo pruebas con clasificación binaria (reciclable - no reciclable) y clasificación multiclase (plástico, vidrio, metal, papel-cartón, orgánico, no reciclable). También se realizaron pruebas utilizando modelos pre-entrenados con aprendizaje por transferencia (Transfer Learning) para comparar resultados. La implementación de estos modelos se llevó a cabo utilizando el lenguaje de programación Python, aprovechando el Framework de backend TensorFlow y la librería de alto nivel Keras. Como parte de la validación, se probó el modelo final en una aplicación (versión beta) desarrollada en Python, utilizando una mini computadora Raspberry Pi y un módulo de cámara (picam). Este sistema permite analizar en tiempo real los fotogramas capturados por la cámara y aplicar el modelo de clasificación de manera instantánea, accediendo de esta manera a las coordenadas de dichos objetos en el fotograma para poder recolectarlos y separarlos para su posterior reciclaje.

2023-01-01T00:00:00Z Este trabajo se enfoca en el desarrollo de un sistema de clasificación de objetos para ser utilizado en un recolector de residuos inteligente, empleando técnicas de Aprendizaje Profundo (Deep Learning). Se crearon modelos de redes neuronales convolucionales (CNN) capaces de identificar distintos objetos reciclables en diferentes imágenes, en tiempo real. Se llevaron a cabo pruebas con clasificación binaria (reciclable - no reciclable) y clasificación multiclase (plástico, vidrio, metal, papel-cartón, orgánico, no reciclable). También se realizaron pruebas utilizando modelos pre-entrenados con aprendizaje por transferencia (Transfer Learning) para comparar resultados. La implementación de estos modelos se llevó a cabo utilizando el lenguaje de programación Python, aprovechando el Framework de backend TensorFlow y la librería de alto nivel Keras. Como parte de la validación, se probó el modelo final en una aplicación (versión beta) desarrollada en Python, utilizando una mini computadora Raspberry Pi y un módulo de cámara (picam). Este sistema permite analizar en tiempo real los fotogramas capturados por la cámara y aplicar el modelo de clasificación de manera instantánea, accediendo de esta manera a las coordenadas de dichos objetos en el fotograma para poder recolectarlos y separarlos para su posterior reciclaje. Vitale, Rosario Stegmayer, Georgina http://sedici.unlp.edu.ar:80/handle/10915/165928 2024-05-10T20:05:02Z 2023-01-01T00:00:00Z

Objeto de conferencia Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) Este estudio presenta una solución para mejorar significativamente la clasificación de proteínas en familias o dominios utilizando transfer learning. Con más de 229 millones de proteínas en UniProtKB, solo el 0.25% de ellas han sido anotadas y clasificadas en más de 17,000 familias posibles. Recientemente, aparecieron modelos de aprendizaje profundo (DL) para esta tarea. Sin embargo, los modelos requieren grandes cantidades de datos para el entrenamiento, y la mayoría de las familias tienen solamente algunos ejemplos. Para abordar este problema, proponemos la aplicación de Transfer Learning (TL). Este enfoque implica un aprendizaje auto supervisado en conjuntos de datos grandes y no etiquetados para generar un vector numérico para cada entrada. Esta representación aprendida se puede usar con aprendizaje supervisado en un conjunto de datos pequeño y etiquetado para una tarea de clasificación específica. Los resultados logrados en este estudio indican que el uso de TL para la clasificación de familias de proteínas puede reducir el error de predicción en un 55% en comparación con los métodos estándar y en un 32% en comparación con los modelos de DL con representaciones de entrada simples, como la codificación one hot. Este estudio demuestra que el TL es una técnica efectiva y prometedora para mejorar la clasificación y anotación de proteínas en bases de datos grandes pero no anotadas.; This study presents a solution to significantly improve protein classification into families or domains using transfer learning. With more than 229 million proteins in UniProtKB, only 0.25% of them have been annotated and classified into over 17,000 possible families. Recently, deep learning (DL) models appeared for this task. However, DL models require large amounts of data for training, and most protein families have just a few examples. To tackle this issue, we propose the application of Transfer Learning (TL) to the classification problem. The TL approach involves self-supervised learning on large and unlabeled datasets to generate a numerical embedding for each data point. This representation learned can then be used with supervised learning on a small, labeled dataset for a specific classification task. The results achieved in this study indicate that using TL for protein families classification can reduce the prediction error by 55% compared to standard methods and by 32% compared to DL models with simple input representations such as one-hot encoding. This study demonstrates that transfer learning is an effective and promising technique to improve protein classification and annotation in large and yet un-annotated databases.

2023-01-01T00:00:00Z Este estudio presenta una solución para mejorar significativamente la clasificación de proteínas en familias o dominios utilizando transfer learning. Con más de 229 millones de proteínas en UniProtKB, solo el 0.25% de ellas han sido anotadas y clasificadas en más de 17,000 familias posibles. Recientemente, aparecieron modelos de aprendizaje profundo (DL) para esta tarea. Sin embargo, los modelos requieren grandes cantidades de datos para el entrenamiento, y la mayoría de las familias tienen solamente algunos ejemplos. Para abordar este problema, proponemos la aplicación de Transfer Learning (TL). Este enfoque implica un aprendizaje auto supervisado en conjuntos de datos grandes y no etiquetados para generar un vector numérico para cada entrada. Esta representación aprendida se puede usar con aprendizaje supervisado en un conjunto de datos pequeño y etiquetado para una tarea de clasificación específica. Los resultados logrados en este estudio indican que el uso de TL para la clasificación de familias de proteínas puede reducir el error de predicción en un 55% en comparación con los métodos estándar y en un 32% en comparación con los modelos de DL con representaciones de entrada simples, como la codificación one hot. Este estudio demuestra que el TL es una técnica efectiva y prometedora para mejorar la clasificación y anotación de proteínas en bases de datos grandes pero no anotadas. This study presents a solution to significantly improve protein classification into families or domains using transfer learning. With more than 229 million proteins in UniProtKB, only 0.25% of them have been annotated and classified into over 17,000 possible families. Recently, deep learning (DL) models appeared for this task. However, DL models require large amounts of data for training, and most protein families have just a few examples. To tackle this issue, we propose the application of Transfer Learning (TL) to the classification problem. The TL approach involves self-supervised learning on large and unlabeled datasets to generate a numerical embedding for each data point. This representation learned can then be used with supervised learning on a small, labeled dataset for a specific classification task. The results achieved in this study indicate that using TL for protein families classification can reduce the prediction error by 55% compared to standard methods and by 32% compared to DL models with simple input representations such as one-hot encoding. This study demonstrates that transfer learning is an effective and promising technique to improve protein classification and annotation in large and yet un-annotated databases. Trimboli, Maximiliano Avila, Luis Antonelli, Nicolás http://sedici.unlp.edu.ar:80/handle/10915/165927 2024-05-10T20:05:04Z 2023-01-01T00:00:00Z

Objeto de conferencia Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) To become the standard power supply for electric vehicles(EVs), Li-ion batteries need balanced current profiles in order to avoidundesirable electrochemical reactions and excessive charging times. Inthis work, we propose a safe exploration deep reinforcement learning(SDRL) approach in order to determine optimal charging profiles undervariable operating conditions. One of the main advantages of reinforce-ment learning (RL) techniques is that they can learn from interactionwith the real or simulated system while incorporating the nonlinear-ity and uncertainty derived from fluctuating environmental conditions.However, since RL techniques have to explore undesirable states beforeobtaining an optimal policy, no safety guarantees are provided. The pro-posed approach aims at maintaining zero constraint violations through-out the learning process by incorporating a safety layer that corrects theaction if a constraint is likely to be violated. Tests performed on theequivalent circuit of a li-ion battery under variability conditions showearly results where SDRL is able to find safe policies while consideringa trade-off between the charging speed and the battery lifespan.

2023-01-01T00:00:00Z To become the standard power supply for electric vehicles(EVs), Li-ion batteries need balanced current profiles in order to avoidundesirable electrochemical reactions and excessive charging times. Inthis work, we propose a safe exploration deep reinforcement learning(SDRL) approach in order to determine optimal charging profiles undervariable operating conditions. One of the main advantages of reinforce-ment learning (RL) techniques is that they can learn from interactionwith the real or simulated system while incorporating the nonlinear-ity and uncertainty derived from fluctuating environmental conditions.However, since RL techniques have to explore undesirable states beforeobtaining an optimal policy, no safety guarantees are provided. The pro-posed approach aims at maintaining zero constraint violations through-out the learning process by incorporating a safety layer that corrects theaction if a constraint is likely to be violated. Tests performed on theequivalent circuit of a li-ion battery under variability conditions showearly results where SDRL is able to find safe policies while consideringa trade-off between the charging speed and the battery lifespan. Balich, Néstor Adrián Balich, Franco Adrián Fraga, Hugo http://sedici.unlp.edu.ar:80/handle/10915/165926 2024-05-10T20:05:05Z 2023-01-01T00:00:00Z

Objeto de conferencia Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) La segunda sección del Boletín Oficial de la República Argentina en donde se publican los avisos comerciales y judiciales es un importante medio de difusión de información para empresas, instituciones y particulares, pero la gran cantidad de información almacenada desde su creación suma a la que se publica diariamente hace que la depuración de las bases de datos sea un proceso complejo y costoso. La aplicación de técnicas de machine learning (ML) en la clasificación de textos ha evolucionado significativamente, especialmente en el uso de modelos de aprendizaje profundo en áreas como la identificación de noticias falsas y la detección de spam. También se han realizado estudios sobre el uso de técnicas de ML en la identificación y corrección de errores en bases de datos, incluyendo la corrección de errores en imágenes médicas y la identificación de avisos comerciales ilegales en la web. Se propone el desarrollo de un modelo de aprendizaje de máquina para la clasificación, detección y corrección de los avisos comerciales de la segunda sección del Boletín Oficial de la República Argentina. La comparación y evaluación de diferentes modelos de IA. La creación de dos prototipos mediante metodologías agiles de desarrollo en base al diseño de dos productos mínimos viables (MPV) que permitan rápidamente a los usuarios finales testear la usabilidad, efectividad de los prototipos y definir tiempos estimados del proceso de corrección de todos los avisos de la 2da clasificados para evaluación por parte del modelo de IA.

2023-01-01T00:00:00Z La segunda sección del Boletín Oficial de la República Argentina en donde se publican los avisos comerciales y judiciales es un importante medio de difusión de información para empresas, instituciones y particulares, pero la gran cantidad de información almacenada desde su creación suma a la que se publica diariamente hace que la depuración de las bases de datos sea un proceso complejo y costoso. La aplicación de técnicas de machine learning (ML) en la clasificación de textos ha evolucionado significativamente, especialmente en el uso de modelos de aprendizaje profundo en áreas como la identificación de noticias falsas y la detección de spam. También se han realizado estudios sobre el uso de técnicas de ML en la identificación y corrección de errores en bases de datos, incluyendo la corrección de errores en imágenes médicas y la identificación de avisos comerciales ilegales en la web. Se propone el desarrollo de un modelo de aprendizaje de máquina para la clasificación, detección y corrección de los avisos comerciales de la segunda sección del Boletín Oficial de la República Argentina. La comparación y evaluación de diferentes modelos de IA. La creación de dos prototipos mediante metodologías agiles de desarrollo en base al diseño de dos productos mínimos viables (MPV) que permitan rápidamente a los usuarios finales testear la usabilidad, efectividad de los prototipos y definir tiempos estimados del proceso de corrección de todos los avisos de la 2da clasificados para evaluación por parte del modelo de IA. Negro, Pablo Ariel Pons, Claudia Fabiana http://sedici.unlp.edu.ar:80/handle/10915/165925 2024-05-10T20:05:08Z 2023-01-01T00:00:00Z

Objeto de conferencia Rule extraction in trained feedforward neural networks with first-order logic Simposio Argentino de Inteligencia Artificial (ASAI 2023) - JAIIO 52 (Universidad Nacional de Tres de Febrero, 4 al 8 de septiembre de 2023) La necesidad de integración neural-simbólica se hace evidente a medida que se abordan problemas más complejos, y que van más allá de tareas de dominio limitadas como lo es la clasificación. Los métodos de búsqueda para la extracción de reglas de las redes neuronales funcionan enviando combinaciones datos de entrada que activan un conjunto de neuronas. Ordenando adecuadamente los pesos de entrada de una neurona, es posible acotar el espacio de búsqueda. Con base en esta observación, este trabajo tiene por objetivo presentar un método para extraer el patrón de reglas aprendido por una red neuronal entrenada feedforward, analizar sus propiedades y explicar estos patrones a través del uso de lógica de primer orden (LPO).; The need for neural-symbolic integration becomes evident as more complex problems are addressed, and that go beyond limited domain tasks such as classification. The search methods for extracting rules from neural networks work by sending input data combinations that activate a set of neurons. By properly ordering the input weights of a neuron, it is possible to narrow the search space. Based on this observation, this paper aims to present a method to extract the rule pattern learned by a feedforward trained neural network, analyze its properties and explain these patterns through the use of first-order logic (FOL).

2023-01-01T00:00:00Z La necesidad de integración neural-simbólica se hace evidente a medida que se abordan problemas más complejos, y que van más allá de tareas de dominio limitadas como lo es la clasificación. Los métodos de búsqueda para la extracción de reglas de las redes neuronales funcionan enviando combinaciones datos de entrada que activan un conjunto de neuronas. Ordenando adecuadamente los pesos de entrada de una neurona, es posible acotar el espacio de búsqueda. Con base en esta observación, este trabajo tiene por objetivo presentar un método para extraer el patrón de reglas aprendido por una red neuronal entrenada feedforward, analizar sus propiedades y explicar estos patrones a través del uso de lógica de primer orden (LPO). The need for neural-symbolic integration becomes evident as more complex problems are addressed, and that go beyond limited domain tasks such as classification. The search methods for extracting rules from neural networks work by sending input data combinations that activate a set of neurons. By properly ordering the input weights of a neuron, it is possible to narrow the search space. Based on this observation, this paper aims to present a method to extract the rule pattern learned by a feedforward trained neural network, analyze its properties and explain these patterns through the use of first-order logic (FOL).