Autor:
Fernandez-Diego, Marta

Foto de perfil

E-mails conocidos

marferdi@omp.upv.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Fernandez-Diego

Nombre de pila

Marta

Nombre

Nombres alternativos

Fernández-Diego, Marta

Afiliaciones conocidas

Universitat Politècnica de València, Spain
IUMTI, Universitat Politècnica de València, Spain

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Filtros

2019 - 201912020 - 20243
Restablecer filtros

Ajustes

Resultados de la búsqueda

Mostrando 1 - 4 de 4
  • Miniatura
    Artículo
    Una Aproximación Basada en Valor para la Priorización de Alternativas en Modelos de Objetivos
    Cano Genoves, Carlos; Insfran, Emilio; Abrahão, Silvia; Fernandez-Diego, Marta; González-Ladrón-de-Guevara, Fernando. Actas de las XXIV Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2019), 2019-09-02.
    En este artículo se presenta una técnica basada en valor que permite alinear los sistemas de información con los objetivos estratégicos de los stakeholders y la organización. Para ello, hacemos uso de modelos de objetivos que re-presentan las intenciones de los stakeholders con respecto al sistema a desarrollar. Si bien hay muchas técnicas que se emplean junto con modelos de objetivos para ayudar a razonar, ya sea para detectar conflictos de intereses, elegir entre alternativas o comprobar la satisfacción del modelo, la mayoría de ellas considera tanto las intenciones como los stakeholders igual de importantes. La técnica propuesta hace uso de proposiciones de valor para priorizar las distintas primitivas del modelo de objetivos (actores, elementos intencionales y relaciones) por medio de la asignación de una importancia relativa para luego propagarla a través de las relaciones del modelo de objetivos y así calcular el valor. Se presenta un ejemplo que muestra el uso de la técnica para razonar sobre alternativas en un escenario de despliegue de servicios inalámbricos.
  • Miniatura
    Artículo
    Entorno para agentes de aprendizaje por refuerzo para adaptar interfaces de usuario
    Gaspar Figueiredo, Daniel; Insfran, Emilio; Abrahão, Silvia; Fernandez-Diego, Marta. Actas de las XXVII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2023), 2023-09-12.
    La adaptación de interfaces de usuario (IU) permite ofrecer una mejor experiencia de usuario en diferentes contextos de uso. Sin embargo, las cambiantes preferencias y necesidades de los usuarios hacen que la adaptación de IUs sea un proceso complejo por lo que el uso de técnicas de aprendizaje automático puede ser de utilidad. En este artículo se presenta la implementación preliminar de un entorno de entrenamiento de agentes de Aprendizaje por Refuerzo (RL) para la adaptación de IUs que ha sido desarrollada usando OpenAI Gym. Este entorno permitirá realizar adaptaciones de IU, además de experimentar y comparar distintos algoritmos de RL.
  • Miniatura
    Artículo
    Integración de Feedback Humano para Guiar la Adaptación Inteligente de Interfaces de Usuario
    Gaspar Figueiredo, Daniel; Fernandez-Diego, Marta; Abrahão, Silvia; Insfran, Emilio; Nuredini, Ruben. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.
    La adaptación de las interfaces de usuario (IU) busca mejorar la experiencia de los usuarios (UX) en una variedad de contextos de uso. No obstante, las preferencias y necesidades cambiantes de los usuarios plantean desafíos a lo largo del proceso de adaptación. Esto pone de manifiesto la necesidad de recurrir a técnicas de aprendizaje automático para aprender de la interacción del usuario y facilitar la adaptación de IUs. En este contexto, adoptamos un enfoque innovador que integra el Feedback Humano (HF) en el proceso de Aprendizaje por Refuerzo (RL) para lograr una adaptación más precisa y personalizada. Para ello, se han desarrollado dos herramientas: un entorno de entrenamiento de agentes RL diseñado para crear dichos agentes con diversos algoritmos de RL y para distintas IUs adaptativas y una plataforma de captura de feedback que permite a los usuarios expresar sus preferencias de manera intuitiva.
  • Miniatura
    Artículo
    Comparación de la precisión de modelos LSTM para la predicción de calidad de servicios cloud: Un cuasi-experimento
    Guerrón, Ximena; Abrahão, Silvia; Insfran, Emilio; Fernandez-Diego, Marta; Díaz, Erick. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.
    Los servicios en la nube se despliegan en entornos complejos y heterogéneos y requieren una evaluación continua de su calidad. Los modelos de calidad se pueden utilizar para respaldar la especificación y la monitorización de la calidad de servicios (QoS). Sin embargo, dado que la calidad está sujeta a cambios con el tiempo, la monitorización continua y la predicción de la QoS es crucial para permitir una intervención proactiva en caso de posibles desviaciones. El uso de técnicas de aprendizaje automático, especialmente las Redes Neuronales Recurrentes (RNN), parecen prometedores, pero no existe evidencia empírica sobre qué modelo es más adecuado para predecir la QoS. En este artículo, utilizamos una RNN conocida como Memoria a Corto y Largo Plazo (LSTM) para pronosticar la QoS utilizando datos históricos de un servicio proporcionado por una empresa de TI. En particular, el experimento involucra la definición y comparación de la precisión de 16 modelos LSTM usando cuatro métricas: Error cuadrático medio (RMSE), Error absoluto medio (MAE), Error porcentual absoluto medio (MAPE) y Error absoluto medio escalado (MASE). Los resultados muestran que la mejor precisión de los modelos es para la disponibilidad (uptime) con un RMSE de 0.118 y MASE de 1.024, netBytesIn con MAE de 0.088 y paquetes Rx con MAPE de 0.013. Estos resultados sugieren que el modelo basado en LSTM para pronosticar QoS es una herramienta confiable para apoyar la toma de decisiones de los stakeholders.