Un equipo de investigadores de la Universidad de Granada (UGR) ha desarrollado una nueva Inteligencia Artificial (IA) para generar series temporales complejas utilizando modelos de difusión, una de las tecnologías más avanzadas actualmente dentro de esta tecnología en su modalidad generativa.
El grupo, encabezado por Francisco Manuel García Moreno, del departamento de Lenguajes y Sistemas Informáticos en la Facultad de Educación, Economía y Tecnología del campus de Ceuta y miembro del miembro del Centro de Investigación en Tecnologías de la Información y las Comunicaciones, ha publicado un estudio que presenta Diff-TSD.
Se trata de un sistema que convierte señales triaxiales (como las de un acelerómetro o giroscopio) en imágenes para «aplicar modelos de difusión y crear datos sintéticos», han apuntado desde la UGR en una nota de prensa.
Trabaja por tanto con señales «en tres ejes, como las que captan los acelerómetros y giroscopios de dispositivos móviles o vestibles, partiendo de la base de que «la escasez de datos es uno de los mayores problemas en el aprendizaje automático» (conocido como Machine Learning por su denominación en inglés) con «señales multivariantes, los datos que contienen varias variables medidas al mismo tiempo».
El Diff-TSD utiliza así IA generativa para «afrontar este reto, permitiendo ampliar los conjuntos de datos que permiten entrenar» el robot, «mejorar la robustez de los modelos y aumentar su capacidad de generalización, especialmente en tareas de reconocimiento y clasificación de actividades humanas».
«En la actualidad, estamos acostumbrados a ver modelos de difusión generando imágenes hiperrealistas, pero su aplicación a series temporales abre una vía completamente nueva. Nuestro enfoque demuestra que es posible usar Inteligencia Artificial generativa para crear datos sintéticos útiles de series temporales, como las señales de los ‘smartwaches’, por ejemplo, el acelerómetro», ha explicado García Moreno. El trabajo ha sido publicado en la revista científica Applied Science Computer.
Los resultados muestran que añadir datos sintéticos generados por IA mejora «significativamente la precisión y generalización, especialmente cuando la cantidad de datos reales es limitada». El estudio incluye comparativas con otras técnicas, análisis de escalabilidad y una reflexión sobre las métricas adecuadas para evaluar series temporales generadas mediante IA.