Aprendizaje multi-tarea selectivo utilizando Redes Neuronales Artificiales

Abstract

Desde hace miles de años los seres humanos han tratado de crear máquinas que pudieran adquirir cierta inteligencia. Basándose en estudios sobre el sistema nervioso biológico, el hombre intentó emular la estructura del cerebro humano mediante circuitos eléctricos. Estas máquinas se conocen como redes neuronales arti ciales y actualmente están en constante evolución, ya que su abanico de aplicaciones es muy extenso. En este proyecto hemos repasado las redes neuronales de tipo perceptrón más antiguas que existen (mono-capa y multi-capa) y comprendido las limitaciones que presentan. Para superar estas limitaciones estudiamos un esquema de red más complejo, llamado multi-tarea, que considera el proceso de aprendizaje como un proceso activo que tiene en cuenta la experiencia previa. Esta experiencia la aportan las tareas secundarias , tareas relacionadas con la tarea a modelar. La principal limitación de los esquemas de red multi-tarea es encontrar tareas secundarias naturales relacionadas con la tarea principal. Esta limitación nos lleva a proponer técnicas que modelen el grado de relación entre tareas, también llamadas técnicas multi-tarea selectivas, y así mejore las prestaciones. La evaluación de las prestaciones de las arquitecturas y algoritmos de aprendizaje estudiados se ha realizado con tres problemas de distinta naturaleza: un problema sintético y dos problemas reales de diagnóstico médico. En la mayoría de los resultados obtenidos se pone de mani esto la mejora de las prestaciones de la red al utilizar esquemas de aprendizaje multi-tarea selectivos.