http://sedici.unlp.edu.ar:80/handle/10915/70683 2026-10-11T22:08:38Z 2026-10-11T22:08:38Z Corbellini, Alejandro Ríos, Carlos Godoy, Daniela Lis Schiaffino, Silvia http://sedici.unlp.edu.ar:80/handle/10915/70805 2020-01-13T20:03:08Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) The pervasiveness of geo-located devices has opened new possibilities in recommender systems on social networks. In effect, Location-Based Social Networks or LBSNs are a relatively new breed of social networks that let users share their location by triggering ”check-in” events on venues, such as businesses or historical places. In this paper, we compare the performance of traditional rating and social-based similarity metrics against location-based metrics in a userbased collaborative filtering algorithm that recommends venues or places to visit. This analysis was performed on a large real-world dataset provided by the Yelp social network service. Our results show that, geo-located metrics perform as well as rating or social metrics for selecting like-minded users and, thus, to issue a recommendation.

The pervasiveness of geo-located devices has opened new possibilities in recommender systems on social networks. In effect, Location-Based Social Networks or LBSNs are a relatively new breed of social networks that let users share their location by triggering ”check-in” events on venues, such as businesses or historical places. In this paper, we compare the performance of traditional rating and social-based similarity metrics against location-based metrics in a userbased collaborative filtering algorithm that recommends venues or places to visit. This analysis was performed on a large real-world dataset provided by the Yelp social network service. Our results show that, geo-located metrics perform as well as rating or social metrics for selecting like-minded users and, thus, to issue a recommendation. Serrano, Francisco Berdun, Franco Armentano, Marcelo G. http://sedici.unlp.edu.ar:80/handle/10915/70804 2020-01-13T20:03:11Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Actualmente, las redes sociales cumplen un papel primordial en el modo en cómo interaccionan los grupos sociales. La creación de grupos específicos permite que los usuarios entren en contacto con otros usuarios con sus mismos intereses. Sin embargo, las redes sociales no están exentas de los conflictos que pueden surgir de las dinámicas grupales. Por lo cual, cada vez es más frecuente la necesidad de moderadores para identificar aquellos usuarios con conductas no deseadas y aplicar advertencias o sanciones. En este artículo, proponemos un enfoque para identificar a los usuarios conflictivos en una red social basado en la observación del comportamiento en grupos de interés de Facebook. Obtuvimos resultados preliminares prometedores que se pueden usar para asistir a administradores o moderadores con el análisis y mantenimiento de estos grupos.

Actualmente, las redes sociales cumplen un papel primordial en el modo en cómo interaccionan los grupos sociales. La creación de grupos específicos permite que los usuarios entren en contacto con otros usuarios con sus mismos intereses. Sin embargo, las redes sociales no están exentas de los conflictos que pueden surgir de las dinámicas grupales. Por lo cual, cada vez es más frecuente la necesidad de moderadores para identificar aquellos usuarios con conductas no deseadas y aplicar advertencias o sanciones. En este artículo, proponemos un enfoque para identificar a los usuarios conflictivos en una red social basado en la observación del comportamiento en grupos de interés de Facebook. Obtuvimos resultados preliminares prometedores que se pueden usar para asistir a administradores o moderadores con el análisis y mantenimiento de estos grupos. Tommasel, Antonela Rodriguez, Juan Manuel Godoy, Daniela Lis http://sedici.unlp.edu.ar:80/handle/10915/70803 2020-01-13T20:03:13Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Cyberbullying and cyberaggression are serious and widespread issues increasingly affecting Internet users. With the “help" of the widespread of social media networks, bullying once limited to particular places or times of the day, can now occur anytime and anywhere. Cyberaggression refers to aggressive online behaviour intending to cause harm to another person, involving rude, insulting, offensive, teasing or demoralising comments through online social media. Considering the gravity of the consequences that cyberaggression has on its victims and its rapid spread amongst internet users (specially kids and teens), there is an imperious need for research aiming at understanding how cyberbullying occurs, in order to prevent it from escalating. Given the massive information overload on the Web, it is crucial to develop intelligent techniques to automatically detect harmful content, which would allow the large-scale social media monitoring and early detection of undesired situations. Considering the challenges posed by the characteristics of social media content and the cyberaggression task, this paper focuses on the detection of aggressive content in the context of multiple social media sites by exploring diverse types of features. Experimental evaluation conducted on two real-world social media dataset showed the difficulty of the task, confirming the limitations of traditionally used features.

Cyberbullying and cyberaggression are serious and widespread issues increasingly affecting Internet users. With the “help" of the widespread of social media networks, bullying once limited to particular places or times of the day, can now occur anytime and anywhere. Cyberaggression refers to aggressive online behaviour intending to cause harm to another person, involving rude, insulting, offensive, teasing or demoralising comments through online social media. Considering the gravity of the consequences that cyberaggression has on its victims and its rapid spread amongst internet users (specially kids and teens), there is an imperious need for research aiming at understanding how cyberbullying occurs, in order to prevent it from escalating. Given the massive information overload on the Web, it is crucial to develop intelligent techniques to automatically detect harmful content, which would allow the large-scale social media monitoring and early detection of undesired situations. Considering the challenges posed by the characteristics of social media content and the cyberaggression task, this paper focuses on the detection of aggressive content in the context of multiple social media sites by exploring diverse types of features. Experimental evaluation conducted on two real-world social media dataset showed the difficulty of the task, confirming the limitations of traditionally used features. Mounier, Mónica Acosta, Karina Beatriz Favret, Fabián Zamudio, Eduardo http://sedici.unlp.edu.ar:80/handle/10915/70802 2020-01-13T20:03:15Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Los estudios epidemiológicos de tipo caso-control referentes a polimorfismos de nucleótidos simples relacionados a distintos tipos de cáncer representan una fuente fundamental de información para los expertos en el área de análisis genético. Estos han aumentado exponencialmente en la última década, por lo que hay un gran interés de los expertos en la utilización de herramientas bioinformáticas que clasifiquen automáticamente la documentación disponible para descubrir conocimiento aplicable a tareas de análisis específicas. La minería de textos procesa la información no estructurada y extrae índices numéricos desde el texto, posibilitando su procesamiento por algoritmos de aprendizaje automático. Este trabajo propone la implementación de un meta-estimador Bagging con Naïve Bayes, utilizando técnicas de pre-procesamiento de texto (tokenización, lematización, tratamiento de negaciones y eliminación de stop words). Los resultados obtenidos han demostrado que el meta-estimador propuesto junto a la utilización de técnicas adecuadas de pre-procesamiento pueden lograr óptimos resultados de clasificación.

Los estudios epidemiológicos de tipo caso-control referentes a polimorfismos de nucleótidos simples relacionados a distintos tipos de cáncer representan una fuente fundamental de información para los expertos en el área de análisis genético. Estos han aumentado exponencialmente en la última década, por lo que hay un gran interés de los expertos en la utilización de herramientas bioinformáticas que clasifiquen automáticamente la documentación disponible para descubrir conocimiento aplicable a tareas de análisis específicas. La minería de textos procesa la información no estructurada y extrae índices numéricos desde el texto, posibilitando su procesamiento por algoritmos de aprendizaje automático. Este trabajo propone la implementación de un meta-estimador Bagging con Naïve Bayes, utilizando técnicas de pre-procesamiento de texto (tokenización, lematización, tratamiento de negaciones y eliminación de stop words). Los resultados obtenidos han demostrado que el meta-estimador propuesto junto a la utilización de técnicas adecuadas de pre-procesamiento pueden lograr óptimos resultados de clasificación. Gatti, Ramiro H. Atum, Yanina V. Biurrun Manresa, José A. http://sedici.unlp.edu.ar:80/handle/10915/70801 2020-01-13T20:03:19Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) La decodificación de la cinética de movimientos imaginados a partir del electroencefalograma (EEG) permite obtener m´as grados de libertad en el control de dispositivos por medio de una interfaz cerebro computadora, a costa de un aumento en la complejidad del problema. Intentos recientes para discernir entre diferentes niveles de fuerza y velocidad en la imaginación de movimientos obtuvieron resultados cercanos al nivel de aleatoriedad, lo que demanda una mejora en la exactitud de la predicción. En este sentido, las redes neuronales profundas han demostrado ser capaces de resolver problemas complejos a partir de la abstracción de la señal de entrada; entre ellas, las redes neuronales convolucionales (ConvNet) además son capaces de aprender relaciones topológicas en los datos. En particular, en el presente trabajo se implementó una ConvNet para distinguir entre niveles de fuerza y velocidad durante la imaginación de una tarea de agarre, a partir de EEG de época única. Se obtuvo una exactitud mayor a 70% con un pre-procesamiento mínimo del EEG, constituyendo una mejoría sensible por sobre resultados previos a partir de los mismos datos utilizando estrategias alternativas.

La decodificación de la cinética de movimientos imaginados a partir del electroencefalograma (EEG) permite obtener m´as grados de libertad en el control de dispositivos por medio de una interfaz cerebro computadora, a costa de un aumento en la complejidad del problema. Intentos recientes para discernir entre diferentes niveles de fuerza y velocidad en la imaginación de movimientos obtuvieron resultados cercanos al nivel de aleatoriedad, lo que demanda una mejora en la exactitud de la predicción. En este sentido, las redes neuronales profundas han demostrado ser capaces de resolver problemas complejos a partir de la abstracción de la señal de entrada; entre ellas, las redes neuronales convolucionales (ConvNet) además son capaces de aprender relaciones topológicas en los datos. En particular, en el presente trabajo se implementó una ConvNet para distinguir entre niveles de fuerza y velocidad durante la imaginación de una tarea de agarre, a partir de EEG de época única. Se obtuvo una exactitud mayor a 70% con un pre-procesamiento mínimo del EEG, constituyendo una mejoría sensible por sobre resultados previos a partir de los mismos datos utilizando estrategias alternativas. Amorim, Natalia C. de Martins, Luis D. de N. Vargas, Rogério R. de Galafassi, Cristiano http://sedici.unlp.edu.ar:80/handle/10915/70719 2020-01-13T20:03:19Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Technology has provided effciency and practicity for daily routines of people and companies. The market has solutions to exibilize access that usually uses hard security controls that need cosntant actions from a manager. This way, the paper aims to formalize a control access model that uses artificial intelligence techniques to adapt the users behavior changes and presents a case study of the implementation of this model. It was verified that the model presented satisfactory performance and it is suggested, as future works, the use of neural networks to make a comparison with this work.

Technology has provided effciency and practicity for daily routines of people and companies. The market has solutions to exibilize access that usually uses hard security controls that need cosntant actions from a manager. This way, the paper aims to formalize a control access model that uses artificial intelligence techniques to adapt the users behavior changes and presents a case study of the implementation of this model. It was verified that the model presented satisfactory performance and it is suggested, as future works, the use of neural networks to make a comparison with this work. Dussaut, Julieta Sol Gallo, Cristian Andrés Cravero, Fiorella Martínez, María Jimena Carballido, Jessica Andrea Ponzoni, Ignacio http://sedici.unlp.edu.ar:80/handle/10915/70717 2020-01-13T20:03:20Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) A gene regulatory network (GRN) is a collection of molecular regulators that interact with each other to govern the majority of the molecular processes. These networks play a central role in in every process of life, therefore, assembling these networks is rather significant. Since most of the GRN are hard to be mapped with accuracy by a mathematical model, the approaches that are called model-free have an advantage in modeling the complexities of dynamic molecular networks. In particular, a rule-based approach, which is a highly abstract model-free approach, offers several advantages performing data-driven analysis. One of these advantages is that it requires the least amount of data, another one is that its simplicity allows the inference of large size models with a higher speed of analysis. However, the resulting relational structure of the network is incomplete, for an effective biological analysis. This situation has driven us to explore the hybridization with other approaches, such as biclustering techniques. This applied technique finds new relations between the nodes of the existent GRN. In this abstract we present a new software, called GeRNeT that integrates the algorithms of GRNCOP2 and BiHEA along a set of tools for interactive visualization, statistical analysis and ontological enrichment of the resulting GRNs that it was published in Dussaut et al. [1]. In this regard, results associated with Alzheimer disease datasets are presented that show the usefulness of integrating both bioinformatics tools.

A gene regulatory network (GRN) is a collection of molecular regulators that interact with each other to govern the majority of the molecular processes. These networks play a central role in in every process of life, therefore, assembling these networks is rather significant. Since most of the GRN are hard to be mapped with accuracy by a mathematical model, the approaches that are called model-free have an advantage in modeling the complexities of dynamic molecular networks. In particular, a rule-based approach, which is a highly abstract model-free approach, offers several advantages performing data-driven analysis. One of these advantages is that it requires the least amount of data, another one is that its simplicity allows the inference of large size models with a higher speed of analysis. However, the resulting relational structure of the network is incomplete, for an effective biological analysis. This situation has driven us to explore the hybridization with other approaches, such as biclustering techniques. This applied technique finds new relations between the nodes of the existent GRN. In this abstract we present a new software, called GeRNeT that integrates the algorithms of GRNCOP2 and BiHEA along a set of tools for interactive visualization, statistical analysis and ontological enrichment of the resulting GRNs that it was published in Dussaut et al. [1]. In this regard, results associated with Alzheimer disease datasets are presented that show the usefulness of integrating both bioinformatics tools. Duboue, Pablo Ariel http://sedici.unlp.edu.ar:80/handle/10915/70714 2022-04-26T16:01:33Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018); https://sedici.unlp.edu.ar/handle/10915/135041 We are interested in data-driven approaches to Natural Language Generation, but semantic representations for human text are difficult and expensive to construct. By considering a methods implementation as weak semantics for the English terms extracted from the method’s name we can collect massive datasets, akin to have words and sensor data aligned at a scale never seen before. We applied our learned model to name scrambling, a common technique used to protect intellectual property and increase the effort necessary to reverse engineer Java binary code: replacing all the method and class names by a random identifier. Using 5.6M bytecode-compiled Java methods obtained from the Debian archive, we trained a Random Forest model to predict the first term in the method name. As features, we use primarily the opcodes of the bytecodes (that is, bytecodes without any parameters). Our results indicate that we can distinguish the 15 most popular terms from the others at 78% recall, helping a programmer performing reverse engineering to reduce half of the methods in a program they should further investigate.

We are interested in data-driven approaches to Natural Language Generation, but semantic representations for human text are difficult and expensive to construct. By considering a methods implementation as weak semantics for the English terms extracted from the method’s name we can collect massive datasets, akin to have words and sensor data aligned at a scale never seen before. We applied our learned model to name scrambling, a common technique used to protect intellectual property and increase the effort necessary to reverse engineer Java binary code: replacing all the method and class names by a random identifier. Using 5.6M bytecode-compiled Java methods obtained from the Debian archive, we trained a Random Forest model to predict the first term in the method name. As features, we use primarily the opcodes of the bytecodes (that is, bytecodes without any parameters). Our results indicate that we can distinguish the 15 most popular terms from the others at 78% recall, helping a programmer performing reverse engineering to reduce half of the methods in a program they should further investigate. Caffaratti, Gabriel D. Marchetta, Martín G. Forradellas Martinez, Raymundo Quilez http://sedici.unlp.edu.ar:80/handle/10915/70713 2020-01-13T20:03:23Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Visual depth recognition through Stereo Matching is an active field of research due to the numerous applications in robotics, autonomous driving, user interfaces, etc. Multiple techniques have been developed in the last two decades to achieve accurate disparity maps in short time. With the arrival of Deep Leaning architectures, different fields of Artificial Vision, but mainly on image recognition, have achieved a great progress due to their easier training capabilities and reduction of parameters. This type of networks brought the attention of the Stereo Matching researchers who successfully applied the same concept to generate disparity maps. Even though multiple approaches have been taken towards the minimization of the execution time and errors in the results, most of the time the number of parameters of the networks is neither taken into consideration nor optimized. Inspired on the Squeeze-Nets developed for image recognition, we developed a Stereo Matching Squeeze neural network architecture capable of providing disparity maps with a highly reduced network size without a significant impact on quality and execution time compared with state of the art architectures.

Visual depth recognition through Stereo Matching is an active field of research due to the numerous applications in robotics, autonomous driving, user interfaces, etc. Multiple techniques have been developed in the last two decades to achieve accurate disparity maps in short time. With the arrival of Deep Leaning architectures, different fields of Artificial Vision, but mainly on image recognition, have achieved a great progress due to their easier training capabilities and reduction of parameters. This type of networks brought the attention of the Stereo Matching researchers who successfully applied the same concept to generate disparity maps. Even though multiple approaches have been taken towards the minimization of the execution time and errors in the results, most of the time the number of parameters of the networks is neither taken into consideration nor optimized. Inspired on the Squeeze-Nets developed for image recognition, we developed a Stereo Matching Squeeze neural network architecture capable of providing disparity maps with a highly reduced network size without a significant impact on quality and execution time compared with state of the art architectures. Lescano, Germán Ezequiel Costaguta, Rosanna Amandi, Analía http://sedici.unlp.edu.ar:80/handle/10915/70700 2020-01-13T20:03:26Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) En situaciones de Aprendizaje Colaborativo Soportado por Computadora (ACSC) la aparición de conflictos es inevitable. Un conflicto en cualquier situación de ACSC no resulta confortable, consume tiempo y afecta a la productividad del grupo. En este artículo se describe una técnica que permitirá reconocer conflictos en conversaciones producidas en situaciones de ACSC y los comportamientos que los miembros del grupo manifiestan ante los conflictos. La ténica modela interacciones de chat mediante un grafo dirigido en el cual los nodos representan usuarios y las relaciones indican transferencias de sentimientos negativos durante las interacciones.

En situaciones de Aprendizaje Colaborativo Soportado por Computadora (ACSC) la aparición de conflictos es inevitable. Un conflicto en cualquier situación de ACSC no resulta confortable, consume tiempo y afecta a la productividad del grupo. En este artículo se describe una técnica que permitirá reconocer conflictos en conversaciones producidas en situaciones de ACSC y los comportamientos que los miembros del grupo manifiestan ante los conflictos. La ténica modela interacciones de chat mediante un grafo dirigido en el cual los nodos representan usuarios y las relaciones indican transferencias de sentimientos negativos durante las interacciones. Cruz, Francisco Magg, Sven Naga, Yukie Wermter, Stefan http://sedici.unlp.edu.ar:80/handle/10915/70699 2020-01-13T20:03:27Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018); https://doi.org/10.1080/09540091.2018.1443318 Interactive reinforcement learning has become an important apprenticeship approach to speed up convergence in classic reinforcement learning problems. In this regard, a variant of interactive reinforcement learning is policy shaping which uses a parent-like trainer to propose the next action to be performed and by doing so reduces the search space by advice. On some occasions, the trainer may be another artificial agent which in turn was trained using reinforcement learning methods to afterward becoming an advisor for other learner-agents. In this work, we analyze internal representations and characteristics of artificial agents to determine which agent may outperform others to become a better trainer-agent. Using a polymath agent, as compared to a specialist agent, an advisor leads to a larger reward and faster convergence of the reward signal and also to a more stable behavior in terms of the state visit frequency of the learner-agents. Moreover, we analyze system interaction parameters in order to determine how influential they are in the apprenticeship process, where the consistency of feedback is much more relevant when dealing with different learner obedience parameters.

Interactive reinforcement learning has become an important apprenticeship approach to speed up convergence in classic reinforcement learning problems. In this regard, a variant of interactive reinforcement learning is policy shaping which uses a parent-like trainer to propose the next action to be performed and by doing so reduces the search space by advice. On some occasions, the trainer may be another artificial agent which in turn was trained using reinforcement learning methods to afterward becoming an advisor for other learner-agents. In this work, we analyze internal representations and characteristics of artificial agents to determine which agent may outperform others to become a better trainer-agent. Using a polymath agent, as compared to a specialist agent, an advisor leads to a larger reward and faster convergence of the reward signal and also to a more stable behavior in terms of the state visit frequency of the learner-agents. Moreover, we analyze system interaction parameters in order to determine how influential they are in the apprenticeship process, where the consistency of feedback is much more relevant when dealing with different learner obedience parameters. Canteros, A. Zamudio, Eduardo Kuna, Horacio Daniel http://sedici.unlp.edu.ar:80/handle/10915/70697 2020-01-13T20:03:28Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) La identificación de un autor y sus obras es un componente importante en los sistemas que administran información de publicaciones científicas. Dicha tarea es determinante para identificar expertos y conocer sus obras. El presente trabajo es una investigación para el relevamiento y desarrollo de estrategias de desambiguación de autores para un sistema de recuperación de información del área de las Ciencias de la Computación.

La identificación de un autor y sus obras es un componente importante en los sistemas que administran información de publicaciones científicas. Dicha tarea es determinante para identificar expertos y conocer sus obras. El presente trabajo es una investigación para el relevamiento y desarrollo de estrategias de desambiguación de autores para un sistema de recuperación de información del área de las Ciencias de la Computación. Maisonnave, Mariano Delbianco, Fernando Tohmé, Fernando Abel Maguitman, Ana Gabriela http://sedici.unlp.edu.ar:80/handle/10915/70694 2020-01-13T20:03:31Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Successful modeling and prediction depend on effective methods for the extraction of domain-relevant variables. This paper proposes a methodology for identifying domain-specific terms. The proposed methodology relies on a collection of documents labeled as relevant or irrelevant to the domain under analysis. Based on the labeled document collection, we propose a supervised technique that weights terms based on their descriptive and discriminating power. Finally, the descriptive and discriminating values are combined into a general measure that, through the use of an adjustable parameter, allows to independently favor different aspects of retrieval such as maximizing precision or recall, or achieving a balance between both of them. The proposed technique is applied to the economic domain and is empirically evaluated through a human-subject experiment involving experts and non-experts in Economy. It is also evaluated as a term-weighting technique for query-term selection showing promising results. We finally illustrate the potential of the proposal as a first step for identifying different types of associations between words.

Successful modeling and prediction depend on effective methods for the extraction of domain-relevant variables. This paper proposes a methodology for identifying domain-specific terms. The proposed methodology relies on a collection of documents labeled as relevant or irrelevant to the domain under analysis. Based on the labeled document collection, we propose a supervised technique that weights terms based on their descriptive and discriminating power. Finally, the descriptive and discriminating values are combined into a general measure that, through the use of an adjustable parameter, allows to independently favor different aspects of retrieval such as maximizing precision or recall, or achieving a balance between both of them. The proposed technique is applied to the economic domain and is empirically evaluated through a human-subject experiment involving experts and non-experts in Economy. It is also evaluated as a term-weighting technique for query-term selection showing promising results. We finally illustrate the potential of the proposal as a first step for identifying different types of associations between words. Cruz, Francisco Parisi, Germán Wermter, Stefan http://sedici.unlp.edu.ar:80/handle/10915/70693 2020-01-13T20:03:33Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Interactive reinforcement learning (IRL) extends traditional reinforcement learning (RL) by allowing an agent to interact with parentlike trainers during a task. In this paper, we present an IRL approach using dynamic audio-visual input in terms of vocal commands and hand gestures as feedback. Our architecture integrates multi-modal information to provide robust commands from multiple sensory cues along with a confidence value indicating the trustworthiness of the feedback. The integration process also considers the case in which the two modalities convey incongruent information. Additionally, we modulate the influence of sensory-driven feedback in the IRL task using goal-oriented knowledge in terms of contextual affordances.We implement a neural network architecture to predict the effect of performed actions with different objects to avoid failed-states, i.e., states from which it is not possible to accomplish the task. In our experimental setup, we explore the interplay of multi-modal feedback and task-specific affordances in a robot cleaning scenario. We compare the learning performance of the agent under four different conditions: traditional RL, multi-modal IRL, and each of these two setups with the use of contextual affordances. Our experiments show that the best performance is obtained by using audio-visual feedback with affordance-modulated IRL. The obtained results demonstrate the importance of multi-modal sensory processing integrated with goaloriented knowledge in IRL tasks. In press. Proceedings of the IEEE International Joint Conference on Neural Networks (IJCNN), IEEE World Congress on Computational Intelligence (WCCI), Rio de Janeiro, Brazil, July 2018.

Interactive reinforcement learning (IRL) extends traditional reinforcement learning (RL) by allowing an agent to interact with parentlike trainers during a task. In this paper, we present an IRL approach using dynamic audio-visual input in terms of vocal commands and hand gestures as feedback. Our architecture integrates multi-modal information to provide robust commands from multiple sensory cues along with a confidence value indicating the trustworthiness of the feedback. The integration process also considers the case in which the two modalities convey incongruent information. Additionally, we modulate the influence of sensory-driven feedback in the IRL task using goal-oriented knowledge in terms of contextual affordances.We implement a neural network architecture to predict the effect of performed actions with different objects to avoid failed-states, i.e., states from which it is not possible to accomplish the task. In our experimental setup, we explore the interplay of multi-modal feedback and task-specific affordances in a robot cleaning scenario. We compare the learning performance of the agent under four different conditions: traditional RL, multi-modal IRL, and each of these two setups with the use of contextual affordances. Our experiments show that the best performance is obtained by using audio-visual feedback with affordance-modulated IRL. The obtained results demonstrate the importance of multi-modal sensory processing integrated with goaloriented knowledge in IRL tasks. González, Gabriela Durán, Elena Beatriz Amandi, Analía http://sedici.unlp.edu.ar:80/handle/10915/70691 2020-01-13T20:03:35Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Cuando un sistema ubicuo adapta sus servicios en base a la ubicación del usuario, es importante que, además de modelar dicha ubicación, incorpore otros datos de interés relacionados, para incrementar el valor del sistema. Los eventos locales constituyen información de interés para enriquecer el contexto, y tienen el potencial de mejorar el proceso de personalización ofrecido por el sistema. En este trabajo se presenta una propuesta de un método que permite generar en tiempo real, un modelo de contexto ambiental que incorpora información de eventos locales y de patrones de ocurrencia de eventos.

Cuando un sistema ubicuo adapta sus servicios en base a la ubicación del usuario, es importante que, además de modelar dicha ubicación, incorpore otros datos de interés relacionados, para incrementar el valor del sistema. Los eventos locales constituyen información de interés para enriquecer el contexto, y tienen el potencial de mejorar el proceso de personalización ofrecido por el sistema. En este trabajo se presenta una propuesta de un método que permite generar en tiempo real, un modelo de contexto ambiental que incorpora información de eventos locales y de patrones de ocurrencia de eventos. Altszyler, Edgar Berenstein, Ariel J. Milne, David Calvo, Rafael Fernandez-Slezak, Diego http://sedici.unlp.edu.ar:80/handle/10915/70690 2020-01-13T20:03:38Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Los foros orientados a temas de salud mental necesitan la supervisión de moderadores para brindar apoyo en casos delicados, como mensajes que expresan ideas suicidas. A medida que aumenta el tamaño del foro, la supervisión del moderador deja de ser factible sin la ayuda de sistemas automatizados de priorización. En el presente artículo presentamos un sistema de aprendizaje automático supervisado para el triaje (clasificación según severidad) de mensajes de un foro de salud mental. Este sistema fue desarrollado en el contexto de la competencia CLPsych 2017 shared task y sus resultados serán publicados en los Proceedings of the CLPsych 2018 workshop. El triaje consiste en clasificar cada mensaje de un foro de salud mental según la necesidad de intervención. Los niveles del triaje son: crisis, red, amber y green reflejando una prioridad decreciente en la atención de los moderadores del foro. El dataset de la competencia contiene 146030 mensajes sin etiquetar y 1588 mensajes etiquetados por especialistas: 1188 mensajes como training set y 400 mensajes como test set. Esta competencia fue una extensión de la realizada en el 2016. La mayoría de los enfoques en la literatura se centran en el contenido de los mensajes, pero sólo unos pocos autores aprovechan las atributos contextuales. En nuestro trabajo aplicamos un enfoque novedoso teniendo en cuenta no sólo atributos capaces de captar el contenido del mensaje sino también el contexto en el que se producen, considerando el historial de mensajes y la red de interacciones.

Los foros orientados a temas de salud mental necesitan la supervisión de moderadores para brindar apoyo en casos delicados, como mensajes que expresan ideas suicidas. A medida que aumenta el tamaño del foro, la supervisión del moderador deja de ser factible sin la ayuda de sistemas automatizados de priorización. En el presente artículo presentamos un sistema de aprendizaje automático supervisado para el triaje (clasificación según severidad) de mensajes de un foro de salud mental. Este sistema fue desarrollado en el contexto de la competencia CLPsych 2017 shared task y sus resultados serán publicados en los Proceedings of the CLPsych 2018 workshop. El triaje consiste en clasificar cada mensaje de un foro de salud mental según la necesidad de intervención. Los niveles del triaje son: crisis, red, amber y green reflejando una prioridad decreciente en la atención de los moderadores del foro. El dataset de la competencia contiene 146030 mensajes sin etiquetar y 1588 mensajes etiquetados por especialistas: 1188 mensajes como training set y 400 mensajes como test set. Esta competencia fue una extensión de la realizada en el 2016. La mayoría de los enfoques en la literatura se centran en el contenido de los mensajes, pero sólo unos pocos autores aprovechan las atributos contextuales. En nuestro trabajo aplicamos un enfoque novedoso teniendo en cuenta no sólo atributos capaces de captar el contenido del mensaje sino también el contexto en el que se producen, considerando el historial de mensajes y la red de interacciones. Fernandez Battolla, Tomás Fuentes, Santiago Illi, José Ignacio Nacht, Joaquín Falco, Mariana Pezzuchi, Gastón Robiolo, Gabriela http://sedici.unlp.edu.ar:80/handle/10915/70689 2020-01-13T20:03:40Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Es frecuente la pérdida de tiempo de los conductores y los embotellamientos de tráfico en las ciudades, por una configuración no óptima de los semáforos. Diversos dominios han intentado comprender el fenómeno e identificar las causas en pos de obtener una solución apropiada. El presente trabajo introduce un algoritmo cuyo fin es reducir el tiempo de espera de los conductores en una intersección. Para lo cual, la validación fue llevada a cabo en tres escenarios posibles, definidos por medio de la variación de la frecuencia de los autos. El entorno de simulación se implementó en NetLogo, lo que permitió estudiar el impacto del cambio de luces a través de la simulación de semáforos de tiempos fijos vs semáforos con control inteligente mediante agentes. Hemos obtenido una reducción máxima del 45% en el tiempo de espera. Finalmente, presentaremos las conclusiones y el trabajo futuro.

Es frecuente la pérdida de tiempo de los conductores y los embotellamientos de tráfico en las ciudades, por una configuración no óptima de los semáforos. Diversos dominios han intentado comprender el fenómeno e identificar las causas en pos de obtener una solución apropiada. El presente trabajo introduce un algoritmo cuyo fin es reducir el tiempo de espera de los conductores en una intersección. Para lo cual, la validación fue llevada a cabo en tres escenarios posibles, definidos por medio de la variación de la frecuencia de los autos. El entorno de simulación se implementó en NetLogo, lo que permitió estudiar el impacto del cambio de luces a través de la simulación de semáforos de tiempos fijos vs semáforos con control inteligente mediante agentes. Hemos obtenido una reducción máxima del 45% en el tiempo de espera. Finalmente, presentaremos las conclusiones y el trabajo futuro. Nieto, Nicolás Bracalenti, Guido Gareis, Iván Rufiner, Hugo Leonardo http://sedici.unlp.edu.ar:80/handle/10915/70685 2020-01-13T20:03:41Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Las Máquinas de Aprendizaje Extremo son una eficiente herramienta de aprendizaje maquinal, con tiempos de entrenamiento reducidos y buena capacidad de generalización. Este tipo de redes suele poseer una gran cantidad de neuronas en su capa oculta, no siendo necesariamente todas de utilidad. En este trabajo se propone un nuevo método de podado pre-entrenamiento que utiliza información de las distribuciones de probabilidad asociadas a las activaciones de cada neurona. Para la evaluación del método propuesto se utiliza como ejemplo de aplicación la clasificación de señales de electroencefalografía, registradas durante tareas de habla imaginada. Se muestran resultados preliminares que evidencian la potencialidad del método propuesto.

Las Máquinas de Aprendizaje Extremo son una eficiente herramienta de aprendizaje maquinal, con tiempos de entrenamiento reducidos y buena capacidad de generalización. Este tipo de redes suele poseer una gran cantidad de neuronas en su capa oculta, no siendo necesariamente todas de utilidad. En este trabajo se propone un nuevo método de podado pre-entrenamiento que utiliza información de las distribuciones de probabilidad asociadas a las activaciones de cada neurona. Para la evaluación del método propuesto se utiliza como ejemplo de aplicación la clasificación de señales de electroencefalografía, registradas durante tareas de habla imaginada. Se muestran resultados preliminares que evidencian la potencialidad del método propuesto. Kröhling, Dan Hernández, Federico Martínez, Ernesto Chiotti, Omar Juan Alfredo http://sedici.unlp.edu.ar:80/handle/10915/70684 2020-01-13T20:03:43Z

Objeto de conferencia XIX Simposio Argentino de Inteligencia Artificial (ASAI) - JAIIO 47 (CABA, 2018) Automated negotiation between arti cial agents is essential to deploy Cognitive Computing and Internet of Things. The behavior of a negotiating agent depends signi cantly on the in uence of environmental conditions or contextual variables, since they affect not only a given agent preferences and strategies, but also those of other agents. Despite this, the existing literature on automated negotiation is scarce about how to properly account for the effect of context-relevant variables in learning and evolving strategies. In this paper, a novel context-driven representation for automated negotiation is proposed. Also, a simple negotiating agent that queries available information from its environment, internally models contextual variables, and learns how to take advantage of this knowledge by playing against himself using reinforcement learning is proposed. Through a set of episodes against negotiating agents in the existing literature, it is shown that it makes no sense to negotiate without taking context-relevant variables into account. The context-aware negotiating agent has been implemented in the GENIUS negotiation environment, and results obtained are signi cant and revealing.

Automated negotiation between arti cial agents is essential to deploy Cognitive Computing and Internet of Things. The behavior of a negotiating agent depends signi cantly on the in uence of environmental conditions or contextual variables, since they affect not only a given agent preferences and strategies, but also those of other agents. Despite this, the existing literature on automated negotiation is scarce about how to properly account for the effect of context-relevant variables in learning and evolving strategies. In this paper, a novel context-driven representation for automated negotiation is proposed. Also, a simple negotiating agent that queries available information from its environment, internally models contextual variables, and learns how to take advantage of this knowledge by playing against himself using reinforcement learning is proposed. Through a set of episodes against negotiating agents in the existing literature, it is shown that it makes no sense to negotiate without taking context-relevant variables into account. The context-aware negotiating agent has been implemented in the GENIUS negotiation environment, and results obtained are signi cant and revealing.