Diseño de intervalos de predicción neuronales basados en deep learning y joint supervisión

Abstract

En este trabajo se formulan nuevas metodologías para la construcción de modelos de intervalo, los cuales tienen como objetivo estimar la incertidumbre de un modelo predictivo por medio del cálculo de un rango de valores donde se espera encontrar el valor real de la señal. En particular, se propone una nueva función de costo para el entrenamiento de modelos de intervalo neuronales, denominanda Joint Supervision Selectivo, que presenta un bajo costo computacional y no posee problemas de convergencia en espacios de búsqueda complejos, con el objetivo de ser compatible con arquitecturas de Deep Learning y aprendizaje en línea. Adicionalmente, se propone una extensión de un modelo de intervalo neuronal existente para compatibilizarlo con sistemas difusos Takagi-Sugeno. Ambas propuestas fueron probadas con simulaciones y comparadas con modelos del estado del arte, midiendo su error predictivo, porcentaje de cobertura y ancho de los intervalos, y el tiempo de entrenamiento. Los resultados mostraron que las arquitecturas de Deep Learning obtuvieron un menor error predictivo e intervalos más delgados sólo cuando fueron utilizadas en aplicaciones con espacios de búsqueda sencillos. También se apreció que el método neuronal propuesto logró menores tiempos de entrenamiento en implementaciones paramétricamente densas y demostró una mejor calidad de intervalo en aplicaciones con espacios de búsqueda complejos.