Autor: Maté, Alejandro
Proyectos de investigación
Unidades organizativas
Puesto de trabajo
Apellidos
Maté
Nombre de pila
Alejandro
Nombre
Nombres alternativos
Afiliaciones conocidas
Universidad de Alicante, Spain
University of Alicante, Spain
University of Alicante, Spain
Páginas web conocidas
Página completa del ítem
Notificar un error en este autor
3 resultados
Resultados de la búsqueda
Mostrando 1 - 3 de 3
Artículo Modelado Conceptual basado en Objetivos para la definición de VisualizacionesLavalle, Ana; Maté, Alejandro; Trujillo, Juan. Actas de las XXIV Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2019), 2019-09-02.Cada vez son más las cantidades de datos que necesitan ser analizadas e interpretadas y la visualización de la información juega un papel clave para ello. Definir una visualización correcta y sin errores es crucial para comprender e interpretar los patrones y resultados obtenidos por los algoritmos de análisis, ya que una incorrecta interpretación o resultados incorrectos podría suponer pérdidas significativas a la empresa. Sin embargo, la definición de visualizaciones es una tarea difícil para los usuarios de negocio, ya que en la mayoría de ocasiones no son expertos en la visualización de información y no conocen exactamente las herramientas o tipos de visualización mas adecuados para medir sus objetivos. El principal problema que se encuentra es la falta de herramientas y metodologías que ayuden a usuarios no expertos a definir sus objetivos de visualización y análisis de datos en términos de negocio. Es por ello, que para afrontar este problema, presentamos un modelo basado en el lenguaje i* para la especificación de visualización de datos. Nuestra propuesta permite seleccionar de forma objetiva las técnicas de visualización más adecuadas, con la gran ventaja de proporcionar a los usuarios no expertos, las visualizaciones más adecuadas según sus necesidades y sus datos con poco esfuerzo y sin requerir experiencia en la visualización de información.Artículo Generación de Imágenes de Fachadas con un Dataset Reducido mediante GANs, Transfer Learning y Data AugmentationGarcía Carrasco, Jorge; Teruel, Miguel A.; Maté, Alejandro; Trujillo, Juan. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.El Deep Learning (DL) se ha aplicado con éxito en varias campos, como la visión por computador o el procesamiento del lenguaje natural. En concreto, se han utilizado Generative Adversarial Networks (GAN) para obtener resultados impresionantes en la tarea de generación de imágenes. Sin embargo, la cantidad de datos necesarios para entrenar con éxito una GAN puede limitar su aplicación a campos donde la adquisición de datos puede ser extremadamente costosa e incluso inviable, como en los campos de la arquitectura o medicina, por ejemplo. En este trabajo, estudiamos dos técnicas que nos ayudan a mitigar esta limitación, en concreto, las técnicas definidas como Adaptative Distriminator Augmentation (ADA) y el Transfer Learning (TL), entrenando un modelo StyleGAN2 para generar imágenes de fachadas de vidrio con un conjunto de datos de entrenamiento extremadamente pequeño. Se realizarán varios entrenamientos variando ciertos parámetros relacionados con dichas técnicas. Tras analizar los resultados, concluimos que tanto ADA como TL permiten que la red converja más rápido, sea más estable y obtenga resultados de mejor calidad en general, permitiendo así aplicar las GAN a campos donde la adquisición de datos es limitada, como por ejemplo en el campo de la arquitectura, donde podría ser utilizado por arquitectos como una herramienta útil para ayudar en el proceso de diseño de una fachada.Artículo Proceso para la evaluación de la equidad en sistemas de Inteligencia ArtificialNavarro, Álvaro; Lavalle, Ana; Maté, Alejandro; Trujillo, Juan. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.Pese a la relevancia de los sistemas de Inteligencia Artificial (IA) y los modelos de aprendizaje automático (ML) en la sociedad, dichos sistemas y modelos a menudo están limitados por la opacidad en su toma de decisiones. Este punto es clave, pues la falta de interpretabilidad puede suponer que se tomen decisiones injustas de manera oculta, lo que impediría tomar acciones correctivas para solucionar el problema. Aunque diferentes trabajos han afrontado el desafío de la opacidad desde un punto de vista explicable, hay una carencia de propuestas que traten de explote la información de los datos para este fin. En este contexto, y para ayudar al experto en ML en el análisis y la toma de decisiones, presentamos un proceso basado en un algoritmo jerárquico, denominado Árbol de Detección de Equidad (ADE), el cual recorre recursivamente los datos para crear un árbol de análisis (AAE). Combinado con técnicas de explicabilidad, unimos las características de los grupos a las decisiones del modelo, proporcionando a través del AAE información que puede mejorar la confianza en los resultados y propiciar una mejor comprensión del proceso de toma de decisiones del modelo. Las principales contribuciones de este trabajo son: (i) definimos métricas de equidad que tienen en cuenta conjuntos de datos reducidos y/o desbalanceados; (ii) analizamos automáticamente el conjunto de datos explotando los pesos extraídos del modelo; e (iii) identificamos grupos cuyo trato ha sido potencialmente injusto. Para demostrar la aplicabilidad de nuestra propuesta, analizamos su efectividad en cuatro dominios distintos.