Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

TED2021-129791B-I00

Financiado

Cerrado

TECNICAS DE REDUCCION DIMENSIONAL HIPERBOLICA PARA LA CLASIFICACION DE DATOS COM...

TECNICAS DE REDUCCION DIMENSIONAL HIPERBOLICA PARA LA CLASIFICACION DE DATOS COMPLEJOS EN ENTORNOS DIGITALES LAS NUEVAS TECNOLOGIAS DIGITALES ESTAN CAMBIANDO NUESTROS CANALES DE COMUNICACION Y LA FORMA EN QUE CONSUMIMOS Y PRODUCIMOS BIENES Y SERVICIOS. TAMBIEN AYUDAN A MONITOREAR OBJETOS Y DISPOSITIVOS FISICOS, ACCIONES HUMANAS Y ESTADOS... ver más

01/01/2021

230K€

Presupuesto del proyecto: 230K€

Líder del proyecto

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

Total investigadores 328

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 No tenemos la información de la convocatoria

0% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

Lider

Proyectos interesantes

PID2021-128314NB-I00

Data Science

Software

100K€ Cerrado

MAESTRA

Data Science

Software

2M€ Cerrado

Future Proof

Data Science

Software

2M€ Cerrado

RED2018-102641-T

Data Science

Software

15K€ Cerrado

TIN2013-46522-P

Data Science

Software

23K€ Cerrado

PRinHDD

Data Science

Software

234K€ Cerrado

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Líder del proyecto

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

Total investigadores 328

Presupuesto del proyecto 230K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto LAS NUEVAS TECNOLOGIAS DIGITALES ESTAN CAMBIANDO NUESTROS CANALES DE COMUNICACION Y LA FORMA EN QUE CONSUMIMOS Y PRODUCIMOS BIENES Y SERVICIOS. TAMBIEN AYUDAN A MONITOREAR OBJETOS Y DISPOSITIVOS FISICOS, ACCIONES HUMANAS Y ESTADOS PSICOLOGICOS, DE SALUD Y ECONOMICOS EN TIEMPO REAL CON UN DETALLE ASOMBROSO, PRODUCIENDO CANTIDADES SIN PRECEDENTES DE DATOS RELACIONALES QUE SE UTILIZAN PARA TAREAS DE CLASIFICACION Y PREDICCION, FUNDAMENTALES PARA LA TOMA DE DECISIONES Y POLITICAS. ESTOS DATOS SE DEFINEN EN ESPACIOS DE ALTA DIMENSION Y SE PUEDEN REPRESENTAR COMO REDES COMPLEJAS. SIN EMBARGO, ESTOS SOLO PUEBLAN UNA PEQUEÑA REGION DE SU ESPACIO ORIGINAL. POR LO TANTO, REDUCIR LA REDUNDANCIA DE DIMENSIONES PARA ENCONTRAR PATRONES SIMPLIFICADOS ES UN ESFUERZO IMPORTANTE EN MUCHOS CAMPOS CIENTIFICOS Y ES FUNDAMENTAL PARA IMPORTANTES TAREAS POSTERIORES RELACIONADAS CON LA CLASIFICACION, PREDICCION Y FUNCION DEL SISTEMA. SE HAN PROPUESTO UNA VARIEDAD DE TECNICAS BASADAS EN DATOS PARA FACILITAR ESTA TAREA. ESTAS SUELEN BASARSE EN ALGUNA DEFINICION DE DISTANCIA DE SIMILITUD ENTRE LOS ELEMENTOS DEL CONJUNTO DE DATOS E IMPLICAN LA CONSTRUCCION DE UN GRAFO DE SIMILITUD QUE SE MAPEA EN UN ESPACIO LATENTE DE BAJA DIMENSION, TIPICAMENTE EUCLIDIANO, DONDE LOS NODOS CONECTADOS SE MANTIENEN CERCA UNOS DE OTROS. LOS ENFOQUES RECIENTES UTILIZAN ALGORITMOS DE APRENDIZAJE PROFUNDO CAPACES DE EXPLOTAR LAS SIMETRIAS DE LOS DATOS ESTRUCTURADOS POR REDES PARA ENCONTRAR LA REPRESENTACION MAS PRECISA CON RESPECTO A UNA TAREA DETERMINADA. SIN EMBARGO, LA GEOMETRIA INTRINSECA DE LAS REDES COMPLEJAS NO ES OBVIA, Y DEFINIR LA SIMILITUD DE ACUERDO CON LA ESTRUCTURA RELACIONAL ES UN DESAFIO. POR LO TANTO, SE REQUIEREN METODOS BASADOS EN PRINCIPIOS INDEPENDIENTES PARA ENCONTRAR LA GEOMETRIA Y LA DIMENSION INTRINSECAS DE DATOS Y REDES COMPLEJAS.EL OBJETIVO DE ESTE PROYECTO ES INTRODUCIR UNA NUEVA ARQUITECTURA DE REDES NEURONALES DE GRAFOS (GNN) BASADA EN MODELOS EN GEOMETRIA HIPERBOLICA. DESTACAMOS LAS APORTACIONES NOVEDOSAS Y CRITICAS DE NUESTRA PROPUESTA: LA GEOMETRIA HIPERBOLICA Y BASADA EN MODELOS. SE HA DEMOSTRADO QUE LAS PECULIARIDADES TOPOLOGICAS DE LAS REDES COMPLEJAS SE EXPLICAN POR UN ESPACIO HIPERBOLICO SUBYACENTE QUE DA FORMA A LA ESTRUCTURA DE LA RED. RECIENTEMENTE (2019), LAS GNN QUE EXPLOTAN NUESTROS CONOCIMIENTOS SE HAN AMPLIADO PARA TRABAJAR EN GEOMETRIA HIPERBOLICA. SIN EMBARGO, ADOLECEN DE UNA FALTA DE CONGRUENCIA ENTRE LA REPRESENTACION HIPERBOLICA Y LA NATURALEZA RELACIONAL DE LOS DATOS, Y SE BASAN UNICAMENTE EN DATOS Y, POR LO TANTO, NO SE PUEDEN EXPLICAR. HYPERDATA PRETENDE FUSIONAR LO MEJOR DE LOS DOS MUNDOS, EL PODER DE LAS GNN CON MODELOS DE REDES EN GEOMETRIA HIPERBOLICA BAJO LEYES SIMPLES E INTERPRETABLES. APLICAREMOS LAS TECNICAS GNN BASADAS EN MODELOS PARA LA DETECCION DE SOFTWARE MALICIOSO EN APLICACIONES MOVILES, UNA SERIA AMENAZA PARA INDIVIDUOS, EMPRESAS PRIVADAS Y ORGANIZACIONES PUBLICAS. PARA ELLO USAREMOS MALNET, LA MAYOR BASE DE DATOS ABIERTA DEL MALWARE DE ANDROID. ENCONTRAR METODOS NUEVOS Y EFICIENTES PARA DETECTAR MALWARE ES HOY EN DIA UNA NECESIDAD URGENTE EN LAS SOCIEDADES DIGITALES MODERNAS. MAS ALLA DE ESTO, LOS DATOS COMPLEJOS SON OMNIPRESENTES EN TODOS LOS CONTEXTOS DE LA SOCIEDAD Y NUESTRAS METODOLOGIAS SERAN RELEVANTES PARA OTRAS TAREAS DE CLASIFICACION, INCLUIDA LA DETECCION DE NOTICIAS FALSAS EN REDES SOCIALES, LA DETECCION DE MOLECULAS TOXICAS, LA EVALUACION DE ESTADOS DE SALUD PROGRESION DE ENFERMEDAD, Y MUCHAS MAS.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores