Algoritmos para agilizar el aprendizaje automático

Unos matemáticos han desarrollado un nuevo enfoque para el aprendizaje automático aplicado a datos de visualización experimentales. En vez de usar miles de imágenes como hacen los métodos de aprendizaje automático habituales, este nuevo método "aprende" de forma mucho más rápida y precisa a partir de una cantidad de imágenes muy inferior.

El nuevo método, obra del equipo de Daniël Pelt y James Sethian, del Laboratorio Nacional estadounidense Lawrence Berkeley (Berkeley Lab), tampoco necesita para funcionar tantos parámetros como los métodos tradicionales.

(adsbygoogle = window.adsbygoogle || []).push({});

Su uso práctico ya está en marcha. Se le está utilizando para reconocer estructuras biológicas en imágenes de células. Pero es capaz de servir como una potente herramienta informática para analizar datos de muchas otras áreas de investigación.

Dado que a menudo en los laboratorios y otras instalaciones experimentales se generan imágenes de gran resolución y en cantidades elevadas (registrar lo ocurrido en un experimento para su posterior análisis puede suponer fácilmente tomar miles de fotos por minuto), los científicos pueden tener dificultades para gestionar esta documentación gráfica, una tarea que muchas veces se efectúa trabajosamente a mano.

Imágenes de un corte de células linfoblastoides de ratón; a son los datos en bruto, b es la correspondiente segmentación manual y c es el resultado de una red MS-D con 100 capas. (Imagen: Datos de A. Ekman y C. Larabell, National Center for X-ray Tomography)

"En numerosas aplicaciones científicas, se necesita una tremenda labor manual para apuntar y etiquetar imágenes, y pueden precisarse semanas para producir un puñado de imágenes cuidadosamente delineadas", argumenta Sethian. "Nuestro objetivo era desarrollar una técnica que aprendiera a partir de un conjunto de datos muy pequeño".

Información adicional