Probabilistic machine learning for uncertainty quantification in data challenging tasks

• Autores: Sergio Alvarez Balanyá
• Directores de la Tesis: Daniel Ramos Castro (dir. tes.)
• Lectura: En la Universidad Autónoma de Madrid ( España ) en 2025
• Idioma: inglés
• Número de páginas: 156
• Enlaces
  • Tesis en acceso abierto en: Biblos-e Archivo
• Resumen

  • Esta tesis aborda la aplicación de métodos de aprendizaje automático probabilístico en contextos caracterizados por la complejidad de los datos. La investigación se articula en torno a tres objetivos: el desarrollo de métodos probabilísticos para situaciones de extrema escasez de datos, el estudio de técnicas de calibración para redes neuronales profundas, y la aplicación de normalizing flows a la calibración y la interpretación forense. En lo que respecta al primer objetivo, se demuestra la eficacia de los procesos Gaussianos para la predicción de niveles de radiación en centrales nucleares en condiciones de extrema escasez de datos. La metodología propuesta ofrece estimaciones de incertidumbre fiables, esenciales en aplicaciones críticas de seguridad, incluso en conjuntos de datos de entrenamiento muy reducidos. Respecto al segundo objetivo, se presenta la familia de métodos Adaptive Temperature Scaling (ATS) para la calibración de redes neuronales, con especial atención al método Entropy-based Temperature Scaling (HTS). Los resultados demuestran que HTS alcanza un rendimiento estado del arte, incluso en situaciones de escasez de datos. El análisis desarrollado además relaciona la entropía de la distribución predictiva y la calibración, aportando nuevas perspectivas sobre la calibración. Por último, se examina la aplicación de normalizing flows para el modelado de distribuciones complejas en el análisis forense del vidrio. Aunque los Gaussianization flows presentan un considerable potencial teórico, los hallazgos revelan que las técnicas más sencillas de histogram matching proporcionan en la práctica soluciones más robustas y computacionalmente eficientes para aplicaciones forenses. Esta investigación constituye una aportación tanto teórica como practica al campo del aprendizaje automático probabilístico, con un impacto demostrado en aplicaciones criticas donde una cuantificación de incertidumbre fiable es fundamental. Los resultados destacan la importancia de equilibrar la complejidad del modelo con la disponibilidad de datos y proporcionan pautas prácticas para la implementación de métodos probabilísticos en escenarios reales