2026-06-01T10:17:01Zhttps://riuma.uma.es/rest/oai/requestoai:riuma.uma.es:10630/238022026-02-03T10:25:00Zcom_10630_1685col_10630_38055
Mejora de la incertidumbre al usar datos fuera de la distribución (OOD) en un modelo semi-supervisado de aprendizaje profundo
Fuentes Fino, Ricardo Javier
Domínguez-Merino, Enrique
Molina-Cabello, Miguel Ángel
Incertidumbre - Modelos matemáticos
Estimación (Estadística)
Grado en Ingeniería de Computadores - Trabajos Fin de Grado
Informática - Trabajos Fin de Grado
El presente proyecto de investigación tiene como finalidad hacer una comparación entre la distancia de Mahalanobis y la densidad de características (Feature
Density) como métodos estimadores de incertidumbre, aplicado a tareas de clasificación binaria, utilizando imágenes de Rayos X (mamografías); por medio de
arquitecturas de redes convolucionales y técnicas de aprendizaje supervisado y
semi-supervisado.
El fin de los estimadores de incertidumbre es evaluar qué tan confiables son
las predicciones de los modelos de Machine Learning en tareas de clasificación,
partiendo del entrenamiento supervisado provisto y su respectivo proceso de va lidación.
Según los resultados experimentales obtenidos en las diferentes etapas de la
investigación no se encontró una diferencia estadísticamente significativa entre
los métodos de estimación de incertidumbre comparados, pero esto no significa
que el método de Feature Density se deba descartar como método estimador de
incertidumbre; como todo en el ámbito de Machine Learning, es necesario realizar
más experimentos con diferentes arquitecturas y configuraciones de las mismas,
para obtener una variedad de resultados y decir con certeza cuál método estimador
es mejor.
2022-03-03T19:38:03Z
2022-03-03T19:38:03Z
2022-03-03T19:38:03Z
2022-02
bachelor thesis
https://hdl.handle.net/10630/23802
spa
http://creativecommons.org/licenses/by-nc-nd/4.0/
open access
Attribution-NonCommercial-NoDerivatives 4.0 Internacional