Artículo:
Causalidad temporal y selección de características: Situación actual y retos futuros

Fecha

2022-09-05

Editor

Sistedes

Publicado en

Actas de las XXVI Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2022)

Licencia

CC BY 4.0

Resumen

En los últimos años, la demanda de algoritmos de inteligencia artificial capaces de modelar líneas de producción est+AOE aumentando en el sector industrial. Debido al elevado número de variables existentes en los procesos productivos, el primer paso para conseguir un buen modelo es la selección de un conjunto de variables representativo del proceso. Esto resulta ser especialmente difícil cuando se trata de líneas de ensamblaje, ya que, debido a su naturaleza continua y secuencial, son necesarios algoritmos capaces de lidiar con datos que presentan desfases temporales, redundancias y ruido en las medidas. En la actualidad existen algunos algoritmos diseñados explícitamente para determinar desfases temporales pero, sin embargo, estos no se muestran eficaces para conjuntos de datos industriales. En este trabajo analizamos 3 aproximaciones capaces de lidiar con conjuntos de datos con fuertes dependencias temporales, señalando sus puntos fuertes y débiles. Además, se esboza una posible línea de trabajo futuro capaz de tratar con este tipo de datos y dependencias.

Descripción

Acerca de Díaz Lago, Ledicia

Palabras clave

Aprendizaje Automático, Causalidad Temporal, Selección De Características, Series Temporales
Página completa del ítem
Notificar un error en este artículo
Mostrar cita
Mostrar cita en BibTeX
Descargar cita en BibTeX