Urío Larrea, Asier

Profile Picture

Email Address

person.page.identifierURI

https://academica-e.unavarra.es/handle/2454/50112

Birth Date

Job Title

Last Name

Urío Larrea

First Name

Asier

person.page.departamento

Estadística, Informática y Matemáticas

person.page.instituteName

ISC. Institute of Smart Cities

ORCID

0000-0001-7667-5766

person.page.observainves

751296

person.page.upna

810057

Name

Filters

20251
Reset filters

Settings

Subject: Algoritmo supervisado ×

Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    PublicationOpen 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.