Mejoras en tratamiento de problemas de clasificación con modelos basados en autoencoders

Abstract

In summary, the main contributions of this thesis are as follows: A theoretical analysis and taxonomy of the main autoencoder variants present in the literature, composing a guide to ease their selection and use. A complete software package which automatizes a great part of the implementation work for autoencoders and simplifies its use to a level similar to other feature extraction methods. A synthesis and organization work of the peculiarities that supervised learning problems can present when data points are represented in a nonstandard fashion. A demonstration of the diverse applications of autoencoder-based models, identifying and exposing several strategies to solve unsupervised problems by means of variable transformations. Three new models, Scorer, Skaler and Slicer, focused on data complexity reduction in classification problems. This document introduces all global concepts needed to understand the published articles and provides a theoretical vision of the representation learning problem and of the deep learning tool set, which includes the main object of study. In addition, it explains the techniques that help put into practice these models and how they execute on computation infrastructures. Next, the material published throughout the doctoral period is introduced and five articles published in renowned journals are reproduced. Finally, these and other activities carried out are summarized and the lines of work that would continue the achieved advancements are presented.

En resumen, las principales contribuciones de la tesis son las siguientes: Un análisis teórico y taxonomía de las principales variantes de autoencoders presentes en la literatura, componiendo una guía para facilitar la selección y el uso de las mismas. Un completo paquete software que automatiza gran parte del trabajo de implementación de autoencoders y acerca su uso a un nivel comparable al de otros métodos de extracción de características más simples. Un trabajo de organización y síntesis de las particularidades que pueden presentar los problemas de aprendizaje supervisado cuando los datos están representados de formas no estándares. Una demostración de las diversas aplicaciones de los modelos basados en autoencoders, identificando y exponiendo distintas estrategias para resolver problemas no supervisados mediante manipulación de las variables. Tres nuevos modelos, Scorer, Skaler y Slicer, enfocados a la reducción de la complejidad de datos en problemas de clasificación. El presente documento introduce todos los conceptos globales necesarios para entender los artículos publicados y aporta una visión teórica de la problemática del aprendizaje de representaciones y del conjunto de herramientas de aprendizaje profundo, dentro del cual se enmarca el objeto principal de estudio. Además, se explican las técnicas que ayudan a llevar a la práctica estos modelos y cómo se ejecutan sobre las infraestructuras de computación. Posteriormente se introduce el material publicado a lo largo del periodo doctoral y se reproducen cinco artículos publicados en revistas científicas de notable reputación. Finalmente se resumen estas y otras actividades llevadas a cabo, y se presentan las líneas de trabajo que continuarían con los avances ya realizados.