Hola,
¿eres nuevo aquí?

Registrate y conecta tu empresa con financiación pública, partners y proyectos.

PID2019-106493RB-I00

Financiado

AUMENTO DE LA CALIDAD Y DE LA EQUIDAD, A GRUPOS MINORITARIOS, EN LAS RECOMENDACI...

AUMENTO DE LA CALIDAD Y DE LA EQUIDAD, A GRUPOS MINORITARIOS, EN LAS RECOMENDACIONES OBTENIDAS MEDIANTE FILTRADO COLABORATIVO BASADO EN TECNICAS DE DEEP LEARNING LOS ACTUALES SISTEMAS DE RECOMENDACION, COMO LOS QUE UTILIZAN AMAZON, NETFLIX, TRIPADVISOR, ETC, TIENEN UNA FUERTE INFLUENCIA EN LAS DECISIONES QUE TOMAN MILES DE MILLONES DE USUARIOS, LOS DATOS DE PARTIDA QUE ALIMENTAN SUS ALGORI... ver más

01/01/2019

UPM

28K€

Presupuesto del proyecto: 28K€

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 3944

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2019-01-01

0% 100%

Participantes

UPM

Lider

Proyectos interesantes

TIN2016-80630-P RECOMENDACION EN MEDIOS SOCIALES: CONTEXTO, DIVERSIDAD Y SES... 82K€ Cerrado

TIN2012-32682 AUMENTO DE PRESTACIONES EN LOS SISTEMAS DE RECOMENDACION BAS... 14K€ Cerrado

BES-2017-081466 RECOMENDACION EN MEDIOS SOCIALES: CONTEXTO, DIVERSIDAD Y SES... 93K€ Cerrado

PID2019-107793GB-I00 HACIA LA EXTRACCION INTELIGENTE, EXPLICABLE Y PRECISA DE CON... 124K€ Cerrado

PGC2018-097057-B-I00 DISCRIMINACION ALGORITMICA: GENERO Y TRABAJO 15K€ Cerrado

AA4MD Algorithmic Auditing for Music Discoverability 189K€ Cerrado

Últimas noticias

29-11-2024: IDAE En las últimas 48 horas el Organismo IDAE ha otorgado 4 concesiones

29-11-2024: ECE En las últimas 48 horas el Organismo ECE ha otorgado 2 concesiones

29-11-2024: CMVAMADRID En las últimas 48 horas el Organismo CMVAMADRID ha otorgado 37 concesiones

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID

Total investigadores 3944

Presupuesto del proyecto 28K€

Descripción del proyecto LOS ACTUALES SISTEMAS DE RECOMENDACION, COMO LOS QUE UTILIZAN AMAZON, NETFLIX, TRIPADVISOR, ETC, TIENEN UNA FUERTE INFLUENCIA EN LAS DECISIONES QUE TOMAN MILES DE MILLONES DE USUARIOS, LOS DATOS DE PARTIDA QUE ALIMENTAN SUS ALGORITMOS TIENEN SESGOS, DEBIDO A QUE LA DISTRIBUCION DE LOS PROPIOS USUARIOS NO ES EQUILIBRADA (SEXO, EDAD, POBLACION, ETC,) Y SUS INTERACCIONES CON EL SISTEMA TAMPOCO LO SON, POR ESTA RAZON, LAS PREDICCIONES Y LAS RECOMENDACIONES QUE PROPORCIONAN LOS SISTEMAS DE RECOMENDACION NO SON DEL TODO IGUALITARIAS: TIENDEN A RECOMENDAR CON MAYOR CALIDAD A LOS GRUPOS MAYORITARIOS, EN DETRIMENTO DE LOS GRUPOS MINORITARIOS, EJEMPLOS TIPICOS DE ESTA SITUACION SON: TENDENCIA A RECOMENDAR A PERSONAS MAYORES PRODUCTOS O SERVICIOS MAYORITARIAMENTE CONSUMIDOS POR JOVENES, O A MUJERES SERVICIOS PREFERIDOS POR LOS HOMBRES, EN DATASETS DONDE ESTOS ULTIMOS PREDOMINAN CON DIFERENCIA, LOS ALGORITMOS DE INTELIGENCIA ARTIFICIAL QUE IMPLEMENTAN LOS SISTEMAS DE RECOMENDACION ESTAN BASADOS EN LA CREACION DE MODELOS MEDIANTE APRENDIZAJE AUTOMATICO, ESTOS MODELOS PUEDEN ESTAR INFLUENCIADOS, EN MAYOR O MENOR MEDIDA, POR LOS SESGOS EXISTENTES EN LOS DATOS CON LOS QUE APRENDEN, NO ES QUE LOS ALGORITMOS SEAN INJUSTOS: ES QUE PUEDEN APRENDER COMPORTAMIENTOS O REGLAS INJUSTAS, LA TENDENCIA EN SISTEMAS DE RECOMENDACION BASADOS EN FILTRADO COLABORATIVO ES LA CREACION DE MODELOS MEDIANTE ARQUITECTURAS DE RED NEURONAL, ESTAS ARQUITECTURAS SUELEN BASARSE EN COMPLEJAS INTERACCIONES ENTRE SUS CAPAS DEEP LEARNING Y WIDE LEARNING CUYA FINALIDAD ES MINIMIZAR EL ERROR DE PREDICCION GENERAL DEL SISTEMA, DE ESTA MANERA, EN PRIMER LUGAR, RESULTA INABORDABLE ANALIZAR TEORICAMENTE EL SESGO ESPERADO EN SUS RECOMENDACIONES; EN SEGUNDO LUGAR, ESTAS ARQUITECTURAS NO TRATAN DE MINIMIZAR EL ERROR DE LAS RECOMENDACIONES A GRUPOS MINORITARIOS, DEBIDO A QUE LOS MODELOS DE FILTRADO COLABORATIVO ESTAN DISEÑADOS PARA MAXIMIZAR UNICAMENTE LA CALIDAD MEDIA DE TODAS SUS PREDICCIONES O RECOMENDACIONES, RESULTA PROBABLE QUE ESTO SE CONSIGA MEJORANDO LAS RECOMENDACIONES A LOS USUARIOS PERTENECIENTES A GRUPOS MAYORITARIOS, EN DETRIMENTO DE LOS USUARIOS PERTENECIENTES A GRUPOS MINORITARIOS, AUNQUE MATEMATICAMENTE ESTO TENGA SENTIDO, SOCIALMENTE NO LO TIENE: ES INJUSTO, INJUSTIFICABLE Y SI SE DIFUNDE PUEDE PRODUCIR UNA FALTA DE CONFIANZA DE TODOS LOS USUARIOS EN EL PROPIO SISTEMA, LO QUE PERJUDICARIA TANTO A LAS EMPRESAS QUE PROPORCIONAN LAS RECOMENDACIONES COMO A SUS CLIENTES,ENTRE LOS OBJETIVOS DE ESTE PROYECTO SE ENCUENTRAN: A) ANALIZAR LA EQUIDAD Y LA CALIDAD DE LAS PREDICCIONES Y DE LAS RECOMENDACIONES QUE LOS ACTUALES SISTEMAS DE RECOMENDACION APORTAN A LOS GRUPOS MINORITARIOS, B) REALIZAR EL MISMO PROCESO CON LOS INCIPIENTES MODELOS DE FILTRADO COLABORATIVO BASADOS EN REDES NEURONALES, C) DISEÑAR E IMPLEMENTAR NUEVOS ENFOQUES DE RED NEURONAL CUYO COMPORTAMIENTO CON LOS GRUPOS MINORITARIOS SEA MAS IGUALITARIO Y PRECISO, D) CUANTIFICAR EL EFECTO, PARA GRUPOS MINORITARIOS, PRODUCIDO POR LAS DIVERSAS TECNICAS DE OPTIMIZACION DE RESULTADOS EN REDES NEURONALES, TALES COMO EL ENRIQUECIMIENTO DE DATOS (DATA AUGMENTATION) O LA GENERALIZACION MEDIANTE DROPOUT, E) COMBINAR LAS ARQUITECTURAS DISEÑADAS PARA CREAR AGREGACIONES (ENSEMBLES) COMPUESTAS POR MODELOS BASICOS ESPECIALIZADOS EN GRUPOS MINORITARIOS DIFERENCIADOS, F) ESTUDIAR LA MEJORA EN LAS RECOMENDACIONES A GRUPOS MINORITARIOS REALIZANDO DIVERSOS PROCESOS PREVIOS DE AGRUPAMIENTO (CLUSTERING), SISTEMAS DE RECOMENDACION\APRENDIZAJE PROFUNDO\GRUPOS MINORITARIOS\CALIDAD E IGUALDAD\FILTRADO COLABORATIVO

Conecta tu I+D

Entra hoy

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores