Publication:

Análisis de la integración de k-NN en redes neuronales para clasificación de datos tabulares y visuales

Este trabajo se centra en un estudio sobre cómo la integración de k-NN (k vecinos más cercanos) en redes neuronales, utilizando conjuntos de datos tabulares e imágenes, puede influir en los resultados de clasificación binaria y multiclase. Se lleva a cabo una comparación detallada entre cinco modelos distintos: un clasificador lineal como base, k-NN sin ajustes adicionales, un clasificador lineal que utiliza las probabilidades proporcionadas por k-NN para distinguir entre ejemplos simples y complejos durante el proceso de entrenamiento, un clasificador lineal que aplica k-NN exclusivamente en la fase de inferencia interpolando la distribución estimada por k-NN con la del clasificador y un clasificador lineal que realiza estas tareas tanto en el entrenamiento como en la fase de inferencia. Este enfoque tiene como objetivo principal resaltar la amplia aplicabilidad y versatilidad de esta técnica en la mejora de la precisión y adaptabilidad de los modelos de clasificación. Los resultados obtenidos de esta investigación proporcionarán una comprensión más profunda sobre cómo la fusión de k-NN y redes neuronales puede potenciar las capacidades de clasificación en una variedad de escenarios, desde datos tabulares hasta imágenes.

This work focuses on a study of how integrating k-NN (k Nearest Neighbors) into neural networks, using both tabular datasets and images, can influence binary and multi-class classification outcomes. A detailed comparison is conducted among five different models: a baseline linear classifier, k-NN without additional adjustments, a linear classifier that uses probabilities provided by k-NN to distinguish between simple and complex examples during the training process, a linear classifier that applies k-NN exclusively in the inference phase by interpolating the estimated distribution from k-NN with that of the classifier, and a linear classifier that performs this tasks during both training and inference phase. The main objective of this approach is to highlight the broad applicability and versatility of this technique in improving the precision and adaptability of classification models. The results obtained from this research will provide a deeper understanding of how the fusion of k-NN and neural networks can enhance classification capabilities in a variety of scenarios, ranging from tabular data to images.