Open Access
Análisis de los cambios en los patrones de temperatura mediante técnicas de stream clustering
(CAEPIA, 2024) Urío Larrea, Asier; Pereira Dimuro, Graçaliz; Andreu-Pérez, Javier; Camargo, Heloisa A.; Aguirre Eraso, Javier; Bustince Sola, Humberto; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika; Institute of Smart Cities - ISC; Universidad Pública de Navarra / Nafarroako Unibertsitate Publikoa
El cambio climático afecta a las condiciones medioambientales de las distintas regiones. La capacidad de constatar estos cambios es una eficaz herramienta para adaptarse a la evolución de las condiciones. Los datos meteorológicos se generan continuamente en múltiples estaciones de todo el mundo, proporcionando una valiosa información sobre la variabilidad en el tiempo de los patrones climáticos. El estudio de este flujo de datos nos permite comprender mejor los nuevos patrones climáticos. Este trabajo explora, mediante un algoritmo de agrupamiento de flujos de datos (stream clustering), el potencial de emplear datos meteorológicos obtenidos en diferentes localizaciones geográficas para rastrear el cambio en los patrones climáticos en la Comunidad Foral de Navarra durante los últimos 20 años. El estudio de caso mostró la aplicabilidad de los métodos de flujos de datos a la segmentación incremental de regiones geográficas en función de sus factores climatológicos.
Open Access
Application of the Sugeno integral in fuzzy rule-based classification
(Elsevier, 2024-09-27) Wieczynski, Jonata; Lucca, Giancarlo; Borges, Eduardo N.; Urío Larrea, Asier; López Molina, Carlos; Bustince Sola, Humberto; Pereira Dimuro, Graçaliz; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika; Universidad Pública de Navarra / Nafarroako Unibertsitate Publikoa
Fuzzy Rule-Based Classification System (FRBCS) is a well-known technique to deal with classification problems. Recent studies have considered the usage of the Choquet integral and its generalizations (e.g.: 𝐶𝑇 -integral, 𝐶𝐹 - Integral and 𝐶𝐶-integral) to enhance the performance of such systems. Such fuzzy integrals were applied to the Fuzzy Reasoning Method (FRM) to aggregate the fired fuzzy rules when classifying new data. However, the Sugeno integral, another well-known aggregation operator, obtained good results in other applications, such as brain–computer interfaces. These facts led to the present study, in which we consider the Sugeno integral in classification problems. That is, the Sugeno integral is applied in the FRM of a widely used FRBCS, and its performance is analyzed over 33 different datasets from the literature, also considering different fuzzy measures. To show the efficiency of this new approach, the results obtained are also compared with previous studies that involved the application of different aggregation functions. Finally, we perform a statistical analysis of the application.
Open Access
Data stream clustering: introducing recursively extendable aggregation functions for incremental cluster fusion processes
(IEEE, 2025-03-07) Urío Larrea, Asier; Camargo, Heloisa A.; Lucca, Giancarlo; Asmus, Tiago da Cruz; Marco Detchart, Cedric; Schick, L.; López Molina, Carlos; Andreu-Pérez, Javier; Bustince Sola, Humberto; Dimuro, Graçaliz Pereira; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika; Institute of Smart Cities - ISC
In data stream (DS) learning, the system has to extract knowledge from data generated continuously, usually at high speed and in large volumes, making it impossible to store the entire set of data to be processed in batch mode. Hence, machine learning models must be built incrementally by processing the incoming examples, as data arrive, while updating the model to be compatible with the current data. In fuzzy DS clustering, the model can either absorb incoming data into existing clusters or initiate a new cluster. As the volume of data increases, there is a possibility that the clusters will overlap to the point where it is convenient to merge two or more clusters into one. Then, a cluster comparison measure (CM) should be applied, to decide whether such clusters should be combined, also in an incremental manner. This defines an incremental fusion process based on aggregation functions that can aggregate the incoming inputs without storing all the previous inputs. The objective of this article is to solve the fuzzy DS clustering problem of incrementally comparing fuzzy clusters on a formal basis. First, we formalize and operationalize incremental fusion processes of fuzzy clusters by introducing recursively extendable (RE) aggregation functions, studying construction methods and different classes of such functions. Second, we propose two approaches to compare clusters: 1) similarity and 2) overlapping between clusters, based on RE aggregation functions. Finally, we analyze the effect of those incremental CMs on the online and offline phases of the well-known fuzzy clustering algorithm d-FuzzStream, showing that our new approach outperforms the original algorithm and presents better or comparable performance to other state-of-the-art DS clustering algorithms found in the literature.
Open Access
Uncertainty management in federated learning
(2025) Urío Larrea, Asier; Bustince Sola, Humberto; Pereira Dimuro, Graçaliz; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika
Durante los últimos años se ha generalizado el uso de una gran variedad de técnicas de aprendizaje automático para extraer conocimiento de la multitud de datos disponibles en diversos sectores. Estas aplicaciones van desde la medicina, hasta las finanzas, pasando por las recomendaciones de productos, entre otras. Sin embargo, por diversos motivos, ya sean legislativos, éticos o incluso técnicos, no siempre es posible disponer de todos los datos en un único punto para poder aplicar estos algoritmos. Para atajar este problema surge el denominado aprendizaje federado. Esta técnica tiene como objetivo el poder crear un modelo a partir de la información de los agentes participantes, sin que estos tengan que enviar sus propios datos. La forma de generar este modelo es mediante el entrenamiento de modelos locales en cada uno de los agentes y la transmisión de, únicamente, los parámetros de estos modelos. Otro de los problemas que tienen que tratar las diversas técnicas de aprendizaje automático es el tratamiento de la incertidumbre. Entendemos por incertidumbre la (des)confianza que poseemos en torno a la validez de los datos. Esta puede ser debida a desviaciones de los datos de la información real, errores de medición, etc. Una de las propuestas para tratar esta situación es el empleo de la teoría de conjuntos difusos. En esta tesis proponemos algoritmos de aprendizaje federado que gestionan la incertidumbre desde la perspectiva de la teoría de conjuntos difusos. En concreto, proponemos dos algoritmos, uno de ellos supervisado y el otro no supervisado. El algoritmo supervisado se basa en la lógica difusa mediante el uso de reglas si-entonces, mientras que el no supervisado consiste en la utilización de algoritmos de agrupamiento difusos en flujos de datos.
Open Access
Optimizando desviaciones moderadas ponderadas para interfaces cerebro ordenador
(Universidad de Málaga, 2021) Fumanal Idocin, Javier; Vidaurre Arbizu, Carmen; Gómez Fernández, Marisol; Urío Larrea, Asier; Pereira Dimuro, Graçaliz; Bustince Sola, Humberto; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika
Las interfaces cerebro-ordenador (BCI) basadas en el análisis de Electroencefalografía (EEG) están compuestas por varios elementos para procesar y clasificar las señales de entrada del cerebro. Una fase relevante de estos sistemas es el módulo de toma de decisiones, en el que la salida de diferentes clasificadores se fusiona en uno solo. En este trabajo proponemos el uso de funciones basadas en desviaciones moderadas con ponderaciones para la fase de toma de decisiones del sistema de BCI de fusión multimodal mejorado (EMF). Las funciones de agregación basadas en desviación moderada (MD) nos permiten elegir el mejor valor para agregar un vector de puntos utilizando una función de desviación moderada. Usando una MD ponderada, también podemos tener en cuenta la importancia relativa de cada dimensión en los datos multidimensionales que estamos agregando. Utilizando estas funciones en el EMF, podemos ponderar cada una de las diferentes señales cerebrales según su importancia, y utilizando la diferenciación automática, también podemos optimizarlas para el problema concreto a solucionar.