Redes neuronales para problemas de decisión asimétricos con información incompleta. Aplicación a la teledetección

Resumo

El trabajo realizado se basa en el diseño de estructuras y algoritmos para problemas de decisión no-MAP (Maximum A Posteriori Probability) mediante dos nuevas familias paramétricas de funciones objetivo o de coste: una para casos binarios y su extensión a casos con duda, y otra más general para casos de múltiples clases; ambas caracterizadas por ser capaces de conseguir estimaciones precisas en valores predefinidos de las probabilidades a posteriori de las clases. Se demuestra que los algoritmos de aprendizaje basados en la minimización por gradiente estocástico de dichas funciones de coste, centran el proceso de aprendizaje en una región arbitrariamente estrecha de la frontera de decisión. Se analiza también, tanto de forma teórica como práctica, cómo utilizar dichas funciones de coste para poder incorporar en la clasificación la información proporcionada por los datos no-etiquetados. Otra parte importante de la tesis se fundamenta en el problema de la falta de información a priori disponible. En esas situaciones, una aproximación puede consistir en obtener la mejor clasificación para las peores condiciones iniciales posibles. Es lo que se denomina estrategia miniMax. Se propone un algoritmo de recursión iterativa con un punto fijo en la solución miniMax, que hace que la clasificación sea robustafrente a posibles cambios que se puedan producir en las probabilidades a priori de las clases. Además, se analiza cómo funciona dicho algoritmo al combinarlo con otras aproximaciones al problema, basadas en re-estimación de probabilidades a priori. El problema de localización de errores en algunas clases, se aborda modularizando de forma automática estructuras neuronales tipo GSP (Generalized Softmax Perceptron). Se presenta también una técnica de post-procesado muy sencilla que, a partir de un filtrado del mapa de probabilidades a posteriori, consigue mejorar de forma significativa la tasa de acierto obtenida por u