Aprendizaje profundo basado en modelos

Título original:

Model-Based Deep Learning

Contenido del libro:

El tratamiento de señales se basa tradicionalmente en técnicas clásicas de modelización estadística. Estos métodos basados en modelos utilizan formulaciones matemáticas que representan la física subyacente, información previa y conocimientos adicionales del ámbito.

Los modelos clásicos simples son útiles pero sensibles a las imprecisiones y pueden dar lugar a un rendimiento deficiente cuando los sistemas reales muestran un comportamiento complejo o dinámico. Más recientemente, los enfoques de aprendizaje profundo que utilizan redes neuronales profundas (DNN) altamente paramétricas son cada vez más populares. Los sistemas de aprendizaje profundo no se basan en modelos matemáticos y aprenden su cartografía a partir de los datos, lo que les permite operar en entornos complejos.

Sin embargo, carecen de la interpretabilidad y fiabilidad de los métodos basados en modelos, suelen requerir grandes conjuntos de entrenamiento para obtener un buen rendimiento y tienden a ser computacionalmente complejos.

Los métodos de procesamiento de señales basados en modelos y el aprendizaje profundo centrado en datos tienen cada uno sus pros y sus contras. Estos paradigmas pueden caracterizarse como bordes de un espectro continuo que varía en especificidad y parametrización.

Las metodologías que se sitúan en el punto medio de este espectro, integrando así el procesamiento de señales basado en modelos con el aprendizaje profundo, se denominan aprendizaje profundo basado en modelos, y son el tema central del presente documento. Esta monografía ofrece una presentación en forma de tutorial de las metodologías de aprendizaje profundo basado en modelos. Se trata de familias de algoritmos que combinan modelos matemáticos basados en principios con sistemas basados en datos para beneficiarse de las ventajas de ambos enfoques.

Estos métodos de aprendizaje profundo basados en modelos explotan tanto el conocimiento parcial del dominio, a través de estructuras matemáticas diseñadas para problemas específicos, como el aprendizaje a partir de datos limitados. La monografía incluye ejemplos de procesamiento de señales en funcionamiento, en superresolución, seguimiento de sistemas dinámicos y procesamiento de matrices. Se muestra cómo se expresan utilizando la caracterización proporcionada y especializada en cada una de las metodologías detalladas.

El objetivo es facilitar el diseño y estudio de futuros sistemas en la intersección del procesamiento de señales y el aprendizaje automático que incorporen las ventajas de ambos dominios. El código fuente de los ejemplos numéricos está disponible y es reproducible como cuadernos Python.