Regresión simbólica mediante redes neuronales

Abstract

La Inteligencia Artificial (IA) interpretativa es un enfoque para diseñar modelos que puedan ser interpretados por expertos. Una de sus áreas es la regresión simbólica, cuyo objetivo es obtener una expresión matemáticamente sencilla e interpretable a partir de los datos, que los expertos puedan analizar para comprender mejor el proceso al que se aplica la regresión.} En esta tesis se propone y desarrolla un nuevo modelo de regresión simbólica basado en redes neuronales artificiales. El modelo propuesto presenta un algoritmo de búsqueda estructural que selecciona las funciones que deben componer la expresión y luego ajusta los coeficientes de las expresiones generadas mediante retropropagación de gradientes. El método propuesto se aplica al \emph{benchmark} Nguyen de ecuaciones, y a un modelo de baterías de litio. Entre los principales resultados se destaca la robustez del método para encontrar las estructuras que componen las expresiones buscadas, la capacidad de adaptarse a polinomios de alto orden, y la flexibilidad para ajustar los coeficientes de diferentes tipos de funciones. Como trabajo futuro se propone la reducción de los tiempos de cómputo, el uso de combinaciones lineales sin puntos flotantes y la modificación de la estructura para permitir el uso de técnicas avanzadas de Deep Learning.