Aprendiendo a comparar patrones de eventos: distancias interpretables para Machine Learning

Una de las tareas fundamentales en machine learning es identificar similitudes y diferencias entre observaciones. Sin embargo, cuando los datos consisten en secuencias de eventos que ocurren en el tiempo, definir qué significa que dos observaciones sean similares no es necesariamente sencillo. ¿Debemos considerar el número de eventos, los momentos en que ocurren o los patrones temporales que forman? Este tipo de datos aparece naturalmente en diversas aplicaciones, desde la actividad neuronal hasta fenómenos epidemiológicos.

En esta charla, dictada por nuestra académica, Tamara Fernández, presentará un trabajo de investigación en el que desarrolló nuevas medidas de distancia para comparar realizaciones de procesos puntuales. El enfoque combina herramientas de estadística y machine learning para construir medidas de similitud que sean flexibles, robustas al ruido e interpretables.

En particular, se busca no solo cuantificar qué tan diferentes son dos observaciones, sino también identificar qué características explican esas diferencias.

Finalmente, se mostrará cómo estas distancias pueden utilizarse en problemas de aprendizaje no supervisado, con aplicaciones al clustering de patrones de actividad neuronal. A través de este ejemplo, se discutirá cómo el desarrollo de nuevas herramientas matemáticas y estadísticas puede contribuir a resolver problemas de machine learning con datos complejos.