Detectores de Anomalías Impulsados por Datos para Datos de Series Temporales y Big Data (DD-ANDET)

El proyecto se centra en el desarrollo de detectores de anomalías basados en datos para datos de series temporales y big data, utilizando técnicas de aprendizaje profundo y aprendizaje automático. Aborda el desafío de detectar anomalías en diversas aplicaciones, incluido el mantenimiento predictivo de dispositivos industriales y el reconocimiento dinámico de gestos. El proyecto tiene como objetivo mejorar la detección de fallas, mejorar la ciberseguridad y avanzar en las aplicaciones médicas mediante la creación de modelos robustos que puedan adaptarse a entornos del mundo real y manejar datos multimodales. El proyecto involucra la colaboración internacional y contribuye al desarrollo de nuevas técnicas y algoritmos de detección de anomalías.

Objetivos:
Desarrollar un método utilizando modelos basados en aprendizaje contrastivo adecuado para la detección de anomalías a partir de series temporales.
Desarrollar un método utilizando modelos dinámicos de clasificación/clustering basados en la deriva de conceptos a partir de series temporales.
Desarrollar un método para realizar correctamente la adaptación del dominio en presencia de cambios de etiqueta a partir de series temporales.
Desarrollar un método basado en aprendizaje profundo para diseñar características significativas combinando datos de sensores multimodales para manejar problemas de detección de anomalías a partir de series temporales.
Realizar un análisis exploratorio para detectar anomalías en gestos corporales dinámicos.
Crear un gran conjunto de bases de datos experimentales de series temporales que servirán como banco de pruebas para los detectores de anomalías anteriores.

Líneas de investigación:
Ingeniería de control y tecnologías de automatización