El objetivo de este proyecto es desarrollar y divulgar conocimiento de sistemas complejos, ciencia de redes y especialmente relacionar el deep learning y los sistemas complejos. Complementar los modelos de sistemas complejos con deep learning, aplicarlo sobre datos representados en redes tanto para resolver problemas sobre redes (clasificación de nodos, enlaces, propiedades de las redes, etc.) como para generar nuevas redes con unas propiedades determinadas.
Para ello hemos desarrollado los siguientes investigaciones:
- Tesis de Adrián Hernández. Deep learning and complex systems: structure, applications and limitaions.
- Artículo de Redes multicapa adaptativas.
- Artículo de mecanismos de atención y sus aplicaciones a sistemas complejos.
- Artículo de programación diferenciable.
- GNNs (Graph neural networks) en PyTorch.
Como hemos ido viendo, el uso de GPUs, la gran cantidad de datos disponibles y nuevos modelos de deep learning han logrado grandes avances en visión artificial, procesamiento de lenguaje, juegos, etc. Para ello han sido clave modelos de redes neuronales multicapa, RNNs, CNNs y posteriormente transformers basados en el mecanismo de atención.
Por otro lado, en la última década los sistemas complejos y la ciencia de redes, que representa la realidad física o social usando nodos y enlaces y está basada en la teoría de grafos y la mecánica estadística, han tenido un gran desarrollo teórico y práctico: Caracterización de redes usando medidas topológicas y estadísticas, redes multicapa, dinámica en redes y dinámica de redes, transiciones de fase y universalidad, modelos basados en agentes, etc.
Todo esto hace que esta línea de investigación sea clave para avanzar en el deep learning, los sistemas complejos y sus interacciones.
Deja una respuesta
Lo siento, debes estar conectado para publicar un comentario.