Jueves 29 de Agosto a las 12:00 del mediodía, hora de Santiago de Chile.
Dra. Sara Cuellar
Pontificia Universidad Católica de Valparaiso
Título de la charla: Detección de anomalías explicable en series de tiempo
Resumen respectivo:
Esta charla presenta una metodología integral para detectar anomalías en datos de series temporales, enfatizando el desarrollo de sistemas de detección de anomalías supervisados y explicables utilizando algoritmos de aprendizaje automático. El objetivo principal es crear modelos robustos capaces de identificar anomalías con precisión y proporcionar información sobre su proceso de detección. La metodología propuesta se estructura en seis etapas distintas: comprensión de los tipos de anomalías, extracción de características, detección, evaluación, aumento de datos y explicación.
En la primera etapa, se incorpora la experiencia del dominio para comprender los tipos de anomalías presentes en los datos. La segunda etapa implica la extracción de características, donde se integran métodos tradicionales de análisis de series temporales para enriquecer el conjunto de datos. La tercera etapa se centra en el proceso de detección, empleando varios modelos de clasificación para identificar anomalías. La cuarta etapa cubre la evaluación, detallando métodos
para seleccionar las anomalías detectadas y métricas para la evaluación del rendimiento de la clasificación. La quinta etapa aborda el aumento de datos, proponiendo la generación de datos
sintéticos para superar la escasez de anomalías etiquetadas y mejorar el rendimiento del modelo. Finalmente, la sexta etapa enfatiza la explicación de las anomalías detectadas, utilizando técnicas de aprendizaje automático explicable para proporcionar a los usuarios una comprensión clara del razonamiento detrás de la detección.
La metodología se probó en tres dominios diferentes: aprendizaje profundo para la detección de exoplanetas, técnicas de clasificación en la evolución estelar y detección de anomalías en la telemetría de naves espaciales. Cada aplicación demostró la efectividad, versatilidad y capacidad de la metodología para mejorar el rendimiento en comparación con los enfoques existentes. Los resultados destacan el potencial de combinar datos reales y sintéticos, la extracción de características específicas del dominio y modelos explicables para avanzar en el estado de la detección de anomalías en datos de series temporales.
Breve biografía
Colombiana
Ingeniera Electrónica
Universidad Sergio Arboleda, Bogotá Colombia (2017)
Tesis: Evaluación de técnicas de control en convertidores DC-DC para el satélite Libertad 2
Magíster en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica
Pontificia Universidad Católica de Valparaíso, Chile (2021)
Tesis: Machine Learning algorithms for contextual anomaly detection: An application in spacecraft telemetry
Doctora en Inge
