La transferencia profunda impulsa los avances en el aprendizaje automático
En la edad de la tecnología, el aprendizaje automático constituye un campo de investigación estimulante y muy prometedor que contribuirá al progreso científico de numerosas formas, ya que mejorará las previsiones meteorológicas, generará avances en la predicción del cáncer, etc. El proyecto DEEP TRANSFER (Deep transfer: generalizing across domains), financiado con fondos comunitarios, centró sus esfuerzos en desarrollar nuevos algoritmos que asimilen modelos a partir de datos de cara a potenciar el aprendizaje automático. En general, uno de los retos principales del aprendizaje automático reside en obtener unos volúmenes suficientes de datos de formación para permitir que se asimile un modelo preciso. El proyecto se fijó como objetivo superar este escollo a través de la habilitación de un algoritmo que, a la hora de asimilar un modelo, tuviese en cuenta datos tanto desde una tarea fuente como desde el problema objetivo en sí, y para ello se centró en el concepto de transferencia profunda, esto es, la capacidad de transferir conocimientos pertenecientes a diversos ámbitos. Para lograr sus objetivos, el equipo del proyecto desarrolló un marco innovador que utiliza un tipo de transferencia profunda completamente vanguardista, basado en un modelo generativo del mundo que realiza la transferencia mediante el fomento de la reutilización de importantes regularidades de alto nivel descubiertas automáticamente (p.ej. transitividad, simetría y homofilia) en diversos ámbitos. Su eficacia se probó en tres conjuntos de datos reales, a saber: información sobre la interacción proteína-proteína en relación con la levadura, un dominio web sobre departamentos de ciencia informática y una recogida de datos de Twitter. En comparación con otros métodos de aprendizaje por transferencia y desde cero, el enfoque aplicado por el equipo del proyecto generó una mejora significativa en términos tanto de precisión como de tiempo transcurrido. Asimismo, amplió los conocimientos en otras áreas del aprendizaje automático, incluida la evaluación empírica de los modelos asimilados, el aprendizaje de modelos probabilísticos y el aprendizaje relacional estadístico. Más allá de los avances técnicos innovadores que se generen en este ámbito concreto, el proyecto también publicó los códigos y los datos pertinentes de diversos sistemas, facilitando de esta forma la realización de nuevas investigaciones en dicho campo. Una aplicación en la que los algoritmos de un proyecto demostraron ser eficaces fue el análisis de interacciones de enfermedades. Se espera que el aprendizaje automático contribuya a realizar descubrimientos e identificar aplicaciones más vinculadas a la ciencia, ya que se está convirtiendo poco a poco en un elemento omnipresente en todos los campos.
Palabras clave
Transferencia profunda, aprendizaje automático, aprendizaje de modelos probabilísticos, aprendizaje relacional estadístico, interacciones de enfermedades
