Ideanuevos modelos de aprendizaje basados en códigos recursivos

Resumen

Esta tesis trata el diseño de algoritmos de aprendizaje de complejidad reducida adecuados, pero no limitados, a problemas de clasificación en espacios de atributos o de clases de dimensionalidad elevada, El marco conceptual de este desarrollo se inscribe dentro de la teoría de boosting de hipótesis en teoría de aprendizaje computacina. Sin embargo, las soluciones propuestas están inspiradas en la teoría general de códigos recursivos. En esta tesis se demuestra que la formulación del algoritmo de boosting adaptativo más conocido, AdaBoost, puede explicarse a partir de la decodificación APP de palabras de un código de repetición y transmisión sobre un canal aditivo discreto y sin memoria. La generalización de este resultado junto a la consideración de que el diseño de algoritmos de clasificación múltiple es reducible al caso binario mediante codificación del dominio de clases, permite la formulación de un modelo decodificación generalizado para el diseño de algoritmos de clasificación de complejidad reducida en dominios binarios y no binarios. Una de las ideas dominantes en esta tesis es que si el diseño de algoritmos de clasificación puede modelarse como un problema de decodificación, entonces las limitaciones debido a la aplicación de estrategias de codificación monolíticas deben resolverse mediante la aplicación alternativa de códigos recursivos. De forma adicional, la aplicación de estrategias recursivas de codificación permite la descripción del aprendizaje a través sobre grafos de Tanner. La introducción de modelos gráficos de decodificación para problemas de clasificación tiene importantes consecuencias en otro problema central en esta tesis, el diseño de algoritmos de clasificación para problemas con dimensionalidad elevada de atributos. En esta tesis se propone el uso de grafos de Tanner para el modelado recursivo de algoritmos de clasificación basados en algoritmos de clasificación dep