Detectores de Anomalías Basados en Datos para Series Temporales y Big Data (DD-ANDET)

Este proyecto de investigación internacional, denominado Data-Driven Anomaly Detectors for Time Series Data and Big Data (DD-AnDet), se centra en abordar el problema no resuelto de la detección de anomalías en datos de series temporales y Big Data. El problema surge porque los modelos de aprendizaje profundo (DL) y aprendizaje automático (ML) son propensos a imprecisiones al inferir datos en línea que pueden estar corruptos o revelar comportamientos anómalos, lo cual es crítico en aplicaciones como el mantenimiento predictivo y el reconocimiento de gestos dinámicos. La solución propuesta implica la utilización de técnicas avanzadas de DL, como el aprendizaje contrastivo, el aprendizaje multimodal, la adaptación de dominio y el desplazamiento de etiquetas, además de abordar la deriva de conceptos mediante el agrupamiento dinámico. El proyecto busca crear modelos robustos capaces de detectar anomalías conocidas o desviaciones del estado normal, superando las limitaciones de los enfoques clásicos que dependen de suposiciones no siempre aplicables a datos en línea. Los resultados esperados incluyen el desarrollo de cuatro artículos científicos indexados en Scopus, la creación de bases de datos experimentales para pruebas y la contribución a la teoría de la IA y ML, impactando positivamente en la eficiencia industrial y la accesibilidad comunicacional.<br/><br/><b>Objetivo</b>: <br/>El objetivo principal de este proyecto es desarrollar modelos innovadores y efectivos de detección de anomalías que aprovechen técnicas de aprendizaje profundo de vanguardia, incluyendo el aprendizaje contrastivo, el aprendizaje multimodal, la adaptación de dominio y el desplazamiento de etiquetas, para identificar anomalías en diversas aplicaciones como la detección de fallos en dispositivos industriales y el reconocimiento de gestos dinámicos.<br/><br/><b>Líneas de investigación</b>: <br/>Ingeniería de control y tecnologías de automatización