Plenary speakers<\/h2>\n\n\n\n\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/09\/andres_squared.png\")
<\/figure>\n\n\n\nIntroducci\u00f3n a la Privacidad en Machine Learning e Inteligencia Artificial<\/strong><\/p>\n\n\n\nMi\u00e9rcoles 13 de diciembre 10:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nAndr\u00e9s Mu\u00f1oz Medina<\/a><\/h3>\n\n\n\nAndr\u00e9s Mu\u00f1oz Medina es un investigador mexicano en Google Research. Andr\u00e9s obtuvo su t\u00edtulo en Matem\u00e1ticas de la Universidad Nacional Aut\u00f3noma de M\u00e9xico en 2010. El hizo su doctorado en el instituto Courant en la universidad de Nueva York bajo la supervisi\u00f3n de Mehryar Mohri con un enfoque en fundamentos de Machine Learning. La investigaci\u00f3n de Andr\u00e9s se ha enfocado en el desarrollo de algoritmos para machine learning, teor\u00eda de juegos y privacidad. Adem\u00e1s de m\u00faltiples publicaciones acad\u00e9micas y patentes, el trabajo de Andr\u00e9s se ha materializado en herramientas como la Privacy Sandbox de Chrome que mejoran la privacidad de usuarios en internet. <\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong> <\/p>\n\n\n\nEn la era digital en la que vivimos, \u00bfqu\u00e9 es la privacidad? \u00bfC\u00f3mo controlamos qui\u00e9n tiene acceso a nuestros datos? Compartir nuestra informaci\u00f3n ayuda a generar mejores herramientas de automatizaci\u00f3n: modelos de lenguaje, sistemas de recomendaci\u00f3n,\u2026 \u00bfEs posible que estos sistemas revelen informaci\u00f3n privada? \u00bfC\u00f3mo podemos asegurar que esto no ocurra? En esta pl\u00e1tica tratar\u00e9 de contestar estas preguntas y discutir\u00e9 las soluciones que la comunidad de privacidad ha generado para contestarlas. Iniciaremos la pl\u00e1tica con preguntas filos\u00f3ficas acerca de la dificultad de definir privacidad en el contexto de compartimiento de datos. Despu\u00e9s discutir\u00e9 conceptos t\u00e9cnicos asociados con el compartimiento de datos: criptograf\u00eda, anonimizaci\u00f3n y privacidad diferencial y c\u00f3mo estas soluciones est\u00e1n siendo desarrolladas en el contexto de inteligencia artificial. Finalmente discutir\u00e9 el panorama futuro de compartimiento de datos y por qu\u00e9 es importante aprender a realizar manejo de datos en forma privada.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/11\/22.png\")
<\/figure>\n\n\n\nSimetr\u00edas en inteligencia artificial<\/strong><\/p>\n\n\n\nMi\u00e9rcoles 13 de diciembre 14:00 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nSoledad Villar<\/a><\/h3>\n\n\n\nSoledad Villar es profesora de la Universidad de Johns Hopkins en Estados Unidos. Ella estudi\u00f3 licenciatura en matem\u00e1tica e ingenier\u00eda en computaci\u00f3n en Uruguay, y luego hizo un doctorado en matem\u00e1tica en la Universidad de Texas en Austin, y un postdoctorado en la Universidad de Nueva York.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong><\/p>\n\n\n\nCualquier representaci\u00f3n de datos implica elecciones arbitrarias del investigador. Debido a que esas elecciones son externas al proceso de generaci\u00f3n de datos, cada elecci\u00f3n conduce a una simetr\u00eda exacta, correspondiente al grupo de transformaciones que lleva una posible representaci\u00f3n a otra. \u00c9stas son las simetr\u00edas pasivas; donde los resultados son independientes de la elecci\u00f3n del sistema de coordenadas y unidades, fundamentales en f\u00edsica.En el aprendizaje autom\u00e1tico, la simetr\u00eda pasiva m\u00e1s visible es la simetr\u00eda de permutaci\u00f3n en grafos.
Las simetr\u00edas activas son aquellas que deben establecerse mediante observaci\u00f3n y experimentaci\u00f3n, como invarianza y equivarianza con respecto a rotaciones y translaciones en modelos f\u00edsicos. Nuestro objetivo, en esta charla, es explicar el rol de las simetr\u00edas en m\u00e9todos de inteligencia artificial, y los conceptos matem\u00e1ticos para implementarlas en la pr\u00e1ctica.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/3.png\")
<\/figure>\n\n\n\nDifferent applications of evolving Fuzzy Systems<\/strong><\/p>\n\n\n\nMi\u00e9rcoles 13 de diciembre 11:45 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nIgor \u0160krjanc<\/a><\/h3>\n\n\n\nIgor \u0160krjanc obtuvo los grados de licenciatura, m\u00e1ster y doctorado en Ingenier\u00eda El\u00e9ctrica en 1988, 1991 y 1996, respectivamente, en la Facultad de Ingenier\u00eda El\u00e9ctrica e Inform\u00e1tica de la Universidad de Liubliana (Eslovenia). Actualmente es Profesor Titular en la misma facultad y Jefe del Laboratorio de Sistemas Aut\u00f3nomos y M\u00f3viles. Imparte clases de teor\u00eda b\u00e1sica de control para estudiantes de licenciatura y de control inteligente avanzado en posgrado. Sus principales \u00e1reas de investigaci\u00f3n son los sistemas de control adaptativos, predictivos, neurodifusos y difusos adaptativos. Sus intereses de investigaci\u00f3n actuales incluyen tambi\u00e9n el campo de los sistemas m\u00f3viles aut\u00f3nomos en el sentido de la localizaci\u00f3n, el control visual directo y control de seguimiento de trayectorias. Posee research fellowships<\/em> de Humboldt y de la Sociedad Japonesa para la Promoci\u00f3n de la Ciencia (JSPS), Catedra de Excelencia de la Universidad Carlos III de Madrid de los a\u00f1os 2018 y 2021, y es miembro de la Academia Eslovena de Ingenier\u00eda. Tambi\u00e9n es editor asociado de IEEE Transaction on Neural Networks and Learning System<\/em>, IEEE Transaction on Fuzzy Systems<\/em>, Evolving Systems journal<\/em> e International journal of artificial intelligence<\/em>.<\/strong><\/p>\n\n\n\nResumen de la charla (a ser dictada en idioma ingl\u00e9s):<\/strong><\/p>\n\n\n\nFuzzy systems have long been recognized for their capacity to model and address complex real-world problems, thanks to their ability to handle uncertainty and imprecision. Over the years, evolving fuzzy systems have emerged as a dynamic and adaptive extension of traditional fuzzy logic, offering even greater flexibility and applicability across various domains. This invited talk delves into the diverse applications of evolving fuzzy systems, showcasing their utility and versatility in solving a wide array of challenges. The talk begins by providing an overview of the evolving fuzzy system framework, emphasizing its unique features such as online learning, incremental adaptation, and self-improvement. Subsequently, a journey through different domains unfolds, highlighting how evolving fuzzy systems have made significant contributions. In engineering and control, evolving fuzzy systems have proven invaluable for tasks such as autonomous robotics, adaptive control, and fault detection in dynamic environments. The talk explores how these systems adapt in real-time to changing conditions, enhancing precision and robustness. In summary, this invited talk provides an illuminating glimpse into the multifaceted world of evolving fuzzy systems, demonstrating their relevance and effectiveness in tackling complex problems across engineering. Attendees will gain insights into the transformative potential of these systems and their capacity to adapt and evolve, making them indispensable tools for addressing the challenges of our dynamic and uncertain world.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/08\/14.png\")
<\/figure>\n\n\n\nCiencia, sociedad e IA: \u00bfsue\u00f1an los androides con personas felices?<\/strong><\/p>\n\n\n\nJueves 14 de diciembre 9:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nGabriel Le\u00f3n<\/a><\/h3>\n\n\n\nGabriel Le\u00f3n es bioqu\u00edmico y doctor en biolog\u00eda celular y molecular de la PUC. Fue acad\u00e9mico e investigador en la UNAB y director del Centro para la Comunicaci\u00f3n de la Ciencia en esa Universidad. Desde el a\u00f1o 2018 se dedica a la comunicaci\u00f3n de la ciencia de manera independiente; es panelista de ciencia en radio, conductor de Rockstars en TXSplus.com<\/a>, autor de 10 libros de divulgaci\u00f3n cient\u00edfica y anfitri\u00f3n del podcast La Ciencia Pop, el podcast de ciencia m\u00e1s escuchado en Chile.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong><\/p>\n\n\n\n\u00bfQu\u00e9 es la ciencia? \u00bfC\u00f3mo son los cient\u00edficos? \u00bfQu\u00e9 espera la sociedad de la ciencia? \u00bfC\u00f3mo la IA afectar\u00e1 nuestras vidas? En esta charla se abordar\u00e1n estas preguntas tratando de entender c\u00f3mo la sociedad en su conjunto se puede beneficiar de la curiosidad de quienes se dedican a producir conocimiento. Al mismo tiempo se destacar\u00e1 c\u00f3mo este trabajo debe realizarse de manera responsable, colaborativa y con el foco puesto en las personas.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"\"](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/11\/8.png\")
<\/figure>\n\n\n\nImproving anatomical plausibility and auditing fairness in deep segmentation networks<\/strong><\/p>\n\n\n\nJueves 14 de diciembre 10:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nEnzo Ferrante<\/a><\/h3>\n\n\n\nDr. Enzo Ferrante complet\u00f3 su doctorado en Ciencias de la Computaci\u00f3n en la Universit\u00e9 Paris-Saclay e INRIA (Par\u00eds, Francia), y trabaj\u00f3 como investigador postdoctoral en el Imperial College de Londres en el Reino Unido. Tambi\u00e9n ha sido estudiante visitante en el CVGL Lab de la Universidad de Stanford (2014), Investigador Visitante Fulbright en el A. Martinos Center for Biomedical Imaging (Massachusetts General Hospital – Harvard Medical School, 2021) en Boston, y puesto de Profesor Invitado DATAIA en la Universit\u00e9 Paris-Saclay en Francia (2023).
Regres\u00f3 a Argentina en 2017, ocupando un puesto de investigador docente en el Consejo Nacional de Investigaciones Cient\u00edficas y T\u00e9cnicas de Argentina (CONICET). Se desempe\u00f1a regularmente como miembro del comit\u00e9 de programa de importantes conferencias de im\u00e1genes m\u00e9dicas como MICCAI, MIDL, ISBI e IPMI, y ha organizado varios talleres en este contexto. Dirige la l\u00ednea de investigaci\u00f3n Machine Learning for Biomedical Image Computing<\/em> en el Instituto de Investigaci\u00f3n de Se\u00f1ales, Sistemas e Inteligencia Computacional, sinc(i). En 2020, el Dr. Ferrante recibi\u00f3 el Premio Joven Investigador de la Academia Nacional de Ciencias de Argentina y el Premio Mercosur de Ciencia y Tecnolog\u00eda por sus contribuciones cient\u00edficas a la IA para la computaci\u00f3n de im\u00e1genes m\u00e9dicas. Sus intereses de investigaci\u00f3n abarcan la inteligencia artificial y el an\u00e1lisis de im\u00e1genes biom\u00e9dicas, centr\u00e1ndose actualmente en la equidad, la adaptaci\u00f3n y generalizaci\u00f3n de dominios, la calibraci\u00f3n y la segmentaci\u00f3n anat\u00f3mica de im\u00e1genes m\u00e9dicas.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong><\/p>\n\n\n\nThe evolution of deep segmentation networks has empowered the enhancement of extensive medical imaging datasets with automatically generated anatomical segmentation masks. In this talk we will discuss recent methods we proposed to improve anatomical plausibility in deep segmentation networks. By improving anatomical plausibility we mean to ensure that the segmentation masks produced by our network are constrained to the actual shape and appearance of organs. We will briefly discuss some of our studies [1,2,3] which use autoencoders to learn low dimensional embeddings of anatomical structures and propose different ways in which they can be incorporated into deep learning models for segmentation and registration.<\/p>\n\n\n\n
The complexity is further intensified by recent studies indicating potential biases in AI-based medical imaging models related to gender, age, and ethnicity [4,5]. Here we will share insights from our journey in developing the CheXMask large-scale database of x-ray anatomical segmentations [6]. We will delve into the strategies we implemented for automatic quality control and the methods we formulated for unsupervised bias discovery in the absence of ground-truth annotations [7].<\/p>\n\n\n\n
[1] Learning deformable registration of medical images with anatomical constraints | Mansilla L, Milone D, Ferrante E. – Neural Networks (2020)<\/p>\n\n\n\n
[2] Post-DAE: Anatomically Plausible Segmentation via Post-Processing with Denoising Autoencoders | Larrazabal A, Martinez C, Glocker B, Ferrante E. – IEEE Transactions on Medical Imaging (2020) – MICCAI 2019 (conference version)<\/p>\n\n\n\n
[3] HybridGNet – Improving anatomical plausibility in image segmentation via hybrid graph neural networks: applications to chest x-ray image analysis | Gaggion N, Mansilla L, Mosquera C, Milone D, Ferrante E. – IEEE Transactions on Medical Imaging (2022) MICCAI 2021 (conference version)<\/p>\n\n\n\n
[4] Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis | Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. – Proceedings of the National Academy of Sciences (2020)<\/p>\n\n\n\n
[5] Addressing fairness in artificial intelligence for medical imaging | Ricci Lara MA, Echeveste R, Ferrante E. – Nature communications (2022)<\/p>\n\n\n\n
[6] CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images | Gaggion N, Mosquera C, Mansilla L, Aineseder M, Milone DH, Ferrante E. – arXiv preprint (2023)<\/p>\n\n\n\n
[7] Unsupervised bias discovery in medical image segmentation | Gaggion N, Echeveste R, Mansilla L, Milone DH, Ferrante E. – MICCAI FAIMI Workshop (2023)<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/10\/19.png\")
<\/figure>\n\n\n\n Comprender el universo y salvar nuestro planeta \u00e9poca a \u00e9poca<\/strong><\/p>\n\n\n\nJueves 14 de diciembre 11:45 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nLuis Mart\u00ed<\/a><\/h3>\n\n\n\nLuis es actualmente director cient\u00edfico de Inria Chile, el centro chileno de Inria, el Instituto Nacional de Ciencias Computacionales franc\u00e9s. Previamente fue investigador senior del equipo TAU en Inria Saclay desde 2015. Tambi\u00e9n fue profesor adjunto (titular) en el Instituto de Computaci\u00f3n de la Universidade Federal Fluminense. Anteriormente, Luis fue CNPq Young Talent of Science Fellow en el Laboratorio de Rob\u00f3tica Aplicada e Inteligencia del Departamento de Ingenier\u00eda El\u00e9ctrica de la Pontif\u00edcia Universidade Cat\u00f3lica do Rio de Janeiro, Brasil. Luis hizo su doctorado en el Grupo de Inteligencia Artificial Aplicada del Departamento de Inform\u00e1tica de la Universidad Carlos III de Madrid, Madrid, Espa\u00f1a, y se licenci\u00f3 en Inform\u00e1tica por la Universidad de La Habana. Sus intereses principales son la inteligencia artificial y, en particular, el aprendizaje autom\u00e1tico, redes neuronales, computaci\u00f3n evolutiva, optimizaci\u00f3n y los sistemas h\u00edbridos, entre otros.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong><\/p>\n\n\n\nLa inteligencia artificial (IA) tiene un triple papel con respecto a nuestra comprensi\u00f3n e impacto sobre los fen\u00f3menos naturales. En primer lugar, la IA es la clave para comprender fen\u00f3menos complejos como los relacionados con la astrof\u00edsica o el cambio clim\u00e1tico. En segundo lugar, la IA es esencial en un holoceno viable y sostenible. La tercera se refiere al impacto de la IA (como el resto de la tecnolog\u00eda de la informaci\u00f3n) como factor que contribuye a la contaminaci\u00f3n, la generaci\u00f3n de CO2 y el cambio clim\u00e1tico. En esta charla, me sumergir\u00e9 en los retos subyacentes a los que nos enfrentamos al abordar los problemas mencionados. Lo har\u00e9 repasando algunos proyectos interrelacionados. En primer lugar, presentar\u00e9 nuestro proyecto Oc\u00e9anIA, centrado en el desarrollo de nuevas herramientas de IA, aprendizaje autom\u00e1tico y modelamiento matem\u00e1tico para contribuir a la comprensi\u00f3n de la estructura, el funcionamiento, los mecanismos subyacentes y la din\u00e1mica del simbioma oce\u00e1nico global y su relaci\u00f3n con el cambio clim\u00e1tico. A continuaci\u00f3n, mostrar\u00e9 nuestro proyecto EMISTRAL, en el que dise\u00f1amos y evaluamos controladores de autoaprendizaje para veleros aut\u00f3nomos de vigilancia medioambiental basados en aprendizaje reforzado, el aprendizaje por transferencia y el aprendizaje aut\u00f3nomo para el muestreo del oc\u00e9ano. Por \u00faltimo, abordaremos el otro lado de esta dicotom\u00eda buscando en el interior de la IA una forma de hacerla m\u00e1s viable desde el punto de vista ecol\u00f3gico en nuestro proyecto GreenAI.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/11\/17.png\")
<\/figure>\n\n\n\nInterpretable Convolutional NNs and Graph CNNs: Role of Domain Knowledge<\/strong><\/p>\n\n\n\nViernes 15 de diciembre 9:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nDanilo Mandic<\/a><\/h3>\n\n\n\nDanilo P. Mandic es Profesor de Inteligencia Artificial en el Imperial College de Londres (Reino Unido) y ha trabajado en las \u00e1reas de inteligencia artificial, procesamiento estad\u00edstico de se\u00f1ales, macrodatos, an\u00e1lisis de datos en grafos, bioingenier\u00eda y modelizaci\u00f3n financiera. Es miembro del IEEE y actual Presidente de la Sociedad Internacional de Redes Neuronales (INNS). El Dr. Mandic es Director del Laboratorio de Inteligencia de M\u00e1quinas Financieras del Imperial y tiene m\u00e1s de 600 publicaciones en revistas y conferencias internacionales. Ha publicado dos monograf\u00edas de investigaci\u00f3n sobre redes neuronales, tituladas “Recurrent Neural Networks for Prediction”, Wiley 2001, y “Complex Valued Nonlinear Adaptive Filters: Noncircularity, Widely Linear and Neural models<\/em>“, Wiley 2009 (ambos primeros libros en sus respectivas \u00e1reas), y ha coeditado libros sobre Fusi\u00f3n de Datos (Springer 2008) y Neuro y Bioinform\u00e1tica (Springer 2012). Tambi\u00e9n ha sido coautor de una monograf\u00eda de investigaci\u00f3n en dos vol\u00famenes sobre redes tensoriales para Big Data, titulada “Tensor Networks for Dimensionality Reduction and Large Scale Optimization<\/em>” (Now Publishers, 2016 y 2017), y m\u00e1s recientemente de una monograf\u00eda de investigaci\u00f3n sobre Data Analytics on Graphs (Now Publishers, 2021). <\/strong><\/p>\n\n\n\nEl Dr. Mandic recibi\u00f3 en 2019 el premio Dennis Gabor a los “Logros destacados en ingenier\u00eda neuronal”, otorgado por la Sociedad Internacional de Redes Neuronales. Ganador en 2023 del premio The Prize Paper Award<\/em>, otorgado por la Sociedad de Ingenier\u00eda en Medicina y Biolog\u00eda del IEEE por su art\u00edculo sobre el casco inteligente, ganador en 2018 del premio al mejor art\u00edculo en la revista IEEE Signal Processing Magazine<\/em> por su art\u00edculo sobre descomposiciones tensoriales para aplicaciones de procesamiento de se\u00f1ales, y ganador en 2021 del premio al mejor art\u00edculo en la serie de conferencias de la Conferencia Internacional sobre Ac\u00fastica, Habla y Procesamiento de Se\u00f1ales (ICASSP). El Dr. Mandic ha desempe\u00f1ado diversas funciones en las series de conferencias Word Congress on Computational Intelligence (WCCI) e International Joint Conference on Neural Networks (IJCNN), y ha sido editor asociado de IEEE Transactions on Neural Networks and Learning Systems, IEEE Signal Processing Magazine e IEEE Transactions on Signal Processing. Ha impartido m\u00e1s de 70 conferencias magistrales y tutoriales en congresos internacionales y fue nombrado por el World University Service (WUS), como profesor visitante dentro del Brain Gain Program (BGP), en 2015. En la actualidad, Danilo es Distinguished Lecturer<\/em> de la IEEE Computational Society<\/em> y conferenciante distinguido de la IEEE Signal Processing Society<\/em>. El Dr. Mandic recibi\u00f3 en 2014 el premio President Award for Excellence in Postgraduate Supervision<\/em> del Imperial College y es titular de seis patentes.<\/strong><\/p>\n\n\n\nResumen de la charla (a ser dictada en idioma ingl\u00e9s):<\/strong><\/p>\n\n\n\nThe success of deep learning (DL) and convolutional neural networks (CNN) has also highlighted that NN-based analysis of signals and images of large sizes poses a considerable challenge, as the number of NN weights increases exponentially with data volume \u2013 the so called Curse of Dimensionality. In addition, the largely ad-hoc fashion of their development, albeit one reason for their rapid success, has also brought to light the intrinsic limitations of CNNs – in particular those related to their black box nature. To this end, we revisit the operation of CNNs from first principles and show that their key component \u2013 the convolutional layer \u2013 effectively performs matched filtering of its inputs with a set of templates (filters, kernels) of interest. This serves as a vehicle to establish a compact matched filtering perspective of the whole convolution-activation-pooling chain, which allows for a theoretically well founded and physically meaningful insight into the overall operation of CNNs. This is shown to help mitigate their interpretability and explainability issues, together with providing intuition for further developments and novel physically meaningful ways of their initialisation. Such an approach is next extended to Graph CNNs (GCNNs), which benefit from the universal function approximation property of NNs, pattern matching inherent to CNNs, and the ability of graphs to operate on nonlinear domains. GCNNs are revisited starting from the notion of a system on a graph, which serves to establish a matched-filtering interpretation of the whole convolution-activation-pooling chain within GCNNs, while inheriting the rigour and intuition from signal detection theory. This both sheds new light onto the otherwise black box approach to GCNNs and provides well-motivated and physically meaningful interpretation at every step of the operation and adaptation of GCNNs. It is our hope that the incorporation of domain knowledge, which is central to this approach, will help demystify CNNs and GCNNs, together with establishing a common language between the diverse communities working on Deep Learning and opening novel avenues for their further development.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/10.png\")
<\/figure>\n\n\n\nM\u00e9todos para el estudio de conectividad cerebral basados en Resonancia Magn\u00e9tica por difusi\u00f3n<\/strong><\/p>\n\n\n\nViernes 15 de diciembre 10:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nPamela Guevara<\/a><\/h3>\n\n\n\nProfesora Titular del Departamento de Ingenier\u00eda El\u00e9ctrica, Facultad de Ingenier\u00eda, Universidad de Concepci\u00f3n. Obtuvo su t\u00edtulo de Ingeniera Civil Electr\u00f3nica en la Universidad de Concepci\u00f3n, y realiz\u00f3 sus estudios de Mag\u00edster y Doctorado en Francia, en la Universit\u00e9 Paris-Sud, en el Centro de estudio del cerebro Neurospin, especializ\u00e1ndose en el An\u00e1lisis de Im\u00e1genes M\u00e9dicas. Sus intereses de investigaci\u00f3n se centran en el \u00e1rea de Procesamiento y An\u00e1lisis de Im\u00e1genes M\u00e9dicas, Neuroim\u00e1genes, Neurociencia Computacional y Desarrollo de aplicaciones cient\u00edficas. Actualmente es Investigadora Titular del centro AC3E, Investigadora Asociada del centro CENIA e investigadora adjunta del centro GERO.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong><\/p>\n\n\n\nLa Resonancia Magn\u00e9tica por difusi\u00f3n permite reconstruir conjuntos de datos de tractografia cerebral, que representan la trayectorias de los principales fasc\u00edculos de fibras de la materia blanca. Estos est\u00e1n compuestos por polil\u00edneas 3D, y su an\u00e1lisis presentan desaf\u00edos computacionales interesantes debido a su gran tama\u00f1o, ruido, y complejidad morfol\u00f3gica. Revisaremos los principales m\u00e9todos usados para analizar los datos de tractograf\u00eda para el estudio de la conectividad cerebral, tales como clustering de fibras, segmentaci\u00f3n de fasc\u00edculos, filtrado, parcelaci\u00f3n cortical basada en datos de difusi\u00f3n, y simulaci\u00f3n de datos para validaci\u00f3n de algoritmos.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/10\/20.png\")
<\/figure>\n\n\n\nExploring latent subspaces on semantic image manipulation<\/strong><\/p>\n\n\n\nViernes 15 de diciembre – 11:45 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n
\nLeandro Fernandes<\/a><\/h3>\n\n\n\nLeandro A. F. Fernandes es licenciado en Inform\u00e1tica (2002) de la Fundaci\u00f3n Universidad Regional de Blumenau (FURB), m\u00e1ster (2006) y doctor (2010) en Inform\u00e1tica de la Universidade Federal do Rio Grande do Sul (UFRGS). Fue investigador postdoctoral en la UFRGS de 2010 a 2011. Actualmente, es miembro del cuerpo docente de la Universidad Federal Fluminense (UFF) en Niter\u00f3i, Brasil. Desde 2023, Leandro es miembro de la Divisi\u00f3n 8 para NC-BR en la Comisi\u00f3n Internacional de Iluminaci\u00f3n (CIE). Sus intereses de investigaci\u00f3n abarcan la mayor\u00eda de los aspectos de computaci\u00f3n visual e inteligencia artificial, especialmente computer vision<\/em> y las fronteras entre la recuperaci\u00f3n, extracci\u00f3n y organizaci\u00f3n de la informaci\u00f3n, y el aprendizaje autom\u00e1tico aplicado a la visi\u00f3n. Esto incluye el modelamiento sem\u00e1ntico, la detecci\u00f3n multidimensional de formas y patrones, la metrolog\u00eda de im\u00e1genes, el modelamiento y seguimiento basados en im\u00e1genes, y el \u00e1lgebra geom\u00e9trica (\u00e1lgebra de Clifford en f\u00edsica) aplicada a la computaci\u00f3n visual. De 2015 a 2021, Leandro fue titular de una Research Productivity Fellowship (PQ-2)<\/em> del Consejo Nacional de Desarrollo Cient\u00edfico y Tecnol\u00f3gico (CNPq) y de un Young Scientist of Our State Fellowship (JCNE)<\/em> de la Funda\u00e7\u00e3o de Amparo \u00e0 Pesquisa do Estado do Rio de Janeiro (FAPERJ). Adem\u00e1s, recibi\u00f3 un premio en el Programa 2020 Google Research Awards in Latin America<\/em> por la investigaci\u00f3n realizada por uno de sus estudiantes de doctorado, el Premio Elon Lages Lima 2021 por su libro sobre \u00e1lgebra geom\u00e9trica, y el Premio Inventor Petrobras 2022. Leandro fue copresidente de programa del AGACSE 2018 y del SIBGRAPI 2016, copresidente general del SIBGRAPI 2017, copresidente tutorial del SIBGRAPI 2021 y 2022, copresidente de publicaci\u00f3n y general del IWSSIP 2020, editor invitado de n\u00fameros especiales del Computers & Graphics Journal y del International Journal of Innovative Computing and Applications, y miembro del Comit\u00e9 T\u00e9cnico TC1-89 de la CIE Enhancement of Images for Colour Defective Observers<\/em> de 2012 a 2020.<\/strong><\/p>\n\n\n\nResumen de la charla (a ser dictada en idioma ingl\u00e9s):<\/strong><\/p>\n\n\n\nSemantic image manipulation is a complex challenge characterized by the need to modify high-level features while preserving the visual similarity to the original image. Recent advancements in deep generative techniques have shown that altering semantic attributes in a latent space can yield impressive results. However, a fundamental question persists: Can we perform meaningful algebraic operations on high-level visual semantic attributes within images? In this talk, we illustrate the possibility of interpreting and manipulating image pseudovectors (which represent (n – 1)-dimensional subspaces) as combinations of visual features (k-dimensional subspaces, where 0 < k < n) using Geometric Algebra (GA). GA operations can be applied depending on the organization of the latent space, allowing us to address a wide range of problems without retraining generative models for specific tasks. As a proof of concept, we will demonstrate how GA operations can be applied to manipulate subspaces within the latent space of facial images. These operations enable tasks such as adding or removing clothing accessories, altering age-related characteristics, changing hairstyles, and conducting semantic queries on sets of images. In this talk, we try to keep mathematics to a minimum while showing its interpretation in a didactic way.<\/p>\n<\/div>\n<\/div>\n\n\n\n
Tutorial Speakers<\/h2>\n\n\n\n\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/4.png\")
<\/figure>\n\n\n\nResponsible AI in the context of GenAI<\/strong><\/p>\n\n\n\nMi\u00e9rcoles 13 de diciembre – 15:15 – B02, Beauchef 851<\/p>\n<\/div>\n\n\n\n
\nIv\u00e1n Castro<\/a><\/h3>\n\n\n\nSenior Data Scientist Consultant from AWS Professional Services. Currently supporting AWS customers over their cloud journey tackling advanced analytics projects, MLOps implementations. Participated also as ML advisor for customers in different areas including Recommender Systems, Natural Language Processing, MLOps and Generative AI applications. Iv\u00e1n also participates as a part-time teacher @ DIE Uchile and also supports research in Image Processing for Biomedical applications.
Bio (Esp): Consultor Senior Data Scientist<\/em> de AWS Professional Services. Actualmente ofrece soporte a los clientes de AWS en su viaje por la nube, abordando proyectos de an\u00e1lisis avanzados e implementaciones de Machine Learning Operations<\/em> (MLOps). Tambi\u00e9n ha participado como asesor de ML para clientes en diferentes \u00e1reas, incluyendo Sistemas de Recomendaci\u00f3n, Procesamiento del Lenguaje Natural, MLOps y aplicaciones de IA Generativa. Iv\u00e1n tambi\u00e9n participa como profesor a tiempo parcial del Departamento de Ingenier\u00eda El\u00e9ctrica de la Universidad de Chile y tambi\u00e9n apoya la investigaci\u00f3n en Procesamiento de Im\u00e1genes para aplicaciones biom\u00e9dicas.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/p>\n\n\n\n
La IA generativa nos presenta nuevos desaf\u00edos: definir, medir y mitigar preocupaciones acerca de la equidad, toxicidad y propiedad intelectual entre otros elementos. En esta charla, nos subrayaremos estos desaf\u00edos y maneras de enfrentarlos.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/9.png\")
<\/figure>\n\n\n\nImputaci\u00f3n de datos faltantes: \u00bfqu\u00e9 podemos hacer?<\/strong><\/p>\n\n\n\nJueves 14 de diciembre – 14:00 – B01, Beauchef 851<\/p>\n<\/div>\n\n\n\n
\nGloria Henriquez<\/a><\/h3>\n\n\n\nDra. Ciencias de la Ingenier\u00eda Menci\u00f3n Autom\u00e1tica, Ing. Civil en Electricidad, M\u00e9dico Cirujano, Investigadora de la L\u00ednea de Salud Digital del Centro de Modelamiento Matem\u00e1tico de la Universidad de Chile, Miembro de la Comisi\u00f3n de Salud del Colegio de Ingenieros de Chile.<\/strong><\/p>\n\n\n\nResumen de la charla:<\/strong><\/p>\n\n\n\nLos datos faltantes constituyen un problema que se presenta en distintos \u00e1mbitos y que pueden afectar, en mayor o menor medida, la ejecuci\u00f3n, interpretaci\u00f3n, resultados y conclusiones de un estudio o proyecto. La t\u00e9cnica tradicional y m\u00e1s conocida para el tratamiento de datos faltantes se conoce como \u201cimputaci\u00f3n de datos\u201d. Gran parte de los estudios relacionados con los m\u00e9todos de imputaci\u00f3n se centran en el problema de la estimaci\u00f3n de la media y se basan en dise\u00f1os muestrales simples. El objetivo de esta sesi\u00f3n es realizar un trabajo colaborativo que nos permita plantear distintas maneras de resolver este dilema.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/7.png\")
<\/figure>\n\n\n\nGraph Neural Networks<\/strong><\/p>\n\n\n\nViernes 15 de diciembre – 15:15 – B01, Beauchef 851<\/p>\n<\/div>\n\n\n\n
\nChristopher P. Ley<\/a><\/h3>\n\n\n\nChristopher Ley, PhD investiga aplicaciones de investigaci\u00f3n de Inteligencia Artificial (IA) y Aprendizaje Profundo (AD). Espec\u00edficamente Redes Neuronales Gr\u00e1ficas Din\u00e1micas de Tiempo Continuo (Grafos As\u00edncronos) y en general Aprendizaje Profundo Geom\u00e9trico, el estudio de la metodolog\u00eda unificadora mediante la cual se definen arquitecturas de aprendizaje profundo a trav\u00e9s de principios geom\u00e9tricos unificados (sesgos inductivos) para explotar las regularidades subyacentes que surgen de la baja dimensionalidad y estructura del mundo f\u00edsico. Actualmente es investigador del Centro de Modelamiento Matem\u00e1tico de la Universidad de Chile.<\/strong><\/p>\n\n\n\nResumen de la charla (a ser dictada en idioma ingl\u00e9s)<\/strong>:<\/p>\n\n\n\nGraphs can be thought of the main modality of data we receive from nature. This is due to the fact that most of the patterns we see, both in natural and artificial systems, are elegantly representable using the language of graph structures. Prominent examples include molecules (represented as graphs of atoms and bonds), social networks and transportation networks. This potential has already been seen by key scientific and industrial groups, with already-impacted application areas including traffic forecasting, drug discovery, social network analysis and recommender systems. Further, some of the most successful domains of application for machine learning in previous years — images, text and speech processing — can be seen as special cases of graph representation learning, and consequently there has been significant exchange of information between these areas. Graph Neural Networks are the techniques of building machine learning models over data that lives on graphs s (interconnected structures of nodes connected by edges). In this tutorial we will introduce theory underpinning Graph Neural Networks and demonstrate practical applications using the latest frameworks for deep learning on graphs.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/10\/21.png\")
<\/figure>\n\n\n\nEvaluaci\u00f3n de los modelos de machine learning: m\u00e1s all\u00e1 de lo b\u00e1sico<\/strong><\/p>\n\n\n\nMi\u00e9rcoles 13 de diciembre – 15:15 – B01, Beauchef 851<\/p>\n<\/div>\n<\/div>\n\n\n\n
\nArturo Amor<\/a><\/h3>\n\n\n\nArturo Amor es doctor en f\u00edsica te\u00f3rica del Instituto de Ciencias Nucleares de la Universidad Nacional Aut\u00f3noma de M\u00e9xico (UNAM). Continu\u00f3 su investigaci\u00f3n en el mismo campo como postdoc en la \u00c9cole Polytechnique, en Francia. Ingeniero de investigaci\u00f3n en Inria en el equipo-proyecto SODA del centro Inria de Saclay, y parte del equipo de documentaci\u00f3n de la librer\u00eda scikit-learn, su principal tarea es dar mantenimiento a la documentaci\u00f3n y hacerla m\u00e1s accesible a todo tipo de usuarios.<\/strong><\/p>\n\n\n\nResumen de la charla<\/strong>:<\/p>\n\n\n\nLa evaluaci\u00f3n de modelos es un aspecto crucial del machine learning, sea para elegir el mejor modelo o para decidir si un modelo es lo suficientemente bueno para ponerlo en producci\u00f3n. Este tutorial ofrecer\u00e1 una introducci\u00f3n did\u00e1ctica a los diversos aspectos estad\u00edsticos de la evaluaci\u00f3n de modelos: qu\u00e9 aspectos de la predicci\u00f3n de modelos son importantes de capturar, y c\u00f3mo las diferentes m\u00e9tricas disponibles en scikit-learn lo hacen. C\u00f3mo dise\u00f1ar un procedimiento de evaluaci\u00f3n de modelos que sea el m\u00e1s adecuado para seleccionar el mejor modelo, o controlar que un modelo es adecuado para su uso. Este tutorial va m\u00e1s all\u00e1 de la mera aplicaci\u00f3n de scikit-learn y esperamos que incluso los expertos aprendan consideraciones \u00fatiles.
Discutiremos c\u00f3mo las buenas m\u00e9tricas deben caracterizar todos los aspectos del error, por ejemplo, en la clase positiva y negativa; la probabilidad de una detecci\u00f3n, o la probabilidad de un evento verdadero dada una detecci\u00f3n; ya que debe ser posible tomar en cuenta el desequilibrio de clases. Las m\u00e9tricas tambi\u00e9n pueden evaluar las puntuaciones de confianza, por ejemplo, la calibraci\u00f3n. Los procedimientos de evaluaci\u00f3n de modelos deben calibrar no s\u00f3lo el rendimiento de generalizaci\u00f3n esperado, sino tambi\u00e9n sus variaciones.<\/p>\n<\/div>\n<\/div>\n\n\n\n
\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/5.png\")
<\/figure>\n\n\n\n
<\/figure>\n\n\n\nIntroducci\u00f3n a la Privacidad en Machine Learning e Inteligencia Artificial<\/strong><\/p>\n\n\n\n Mi\u00e9rcoles 13 de diciembre 10:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Andr\u00e9s Mu\u00f1oz Medina es un investigador mexicano en Google Research. Andr\u00e9s obtuvo su t\u00edtulo en Matem\u00e1ticas de la Universidad Nacional Aut\u00f3noma de M\u00e9xico en 2010. El hizo su doctorado en el instituto Courant en la universidad de Nueva York bajo la supervisi\u00f3n de Mehryar Mohri con un enfoque en fundamentos de Machine Learning. La investigaci\u00f3n de Andr\u00e9s se ha enfocado en el desarrollo de algoritmos para machine learning, teor\u00eda de juegos y privacidad. Adem\u00e1s de m\u00faltiples publicaciones acad\u00e9micas y patentes, el trabajo de Andr\u00e9s se ha materializado en herramientas como la Privacy Sandbox de Chrome que mejoran la privacidad de usuarios en internet. <\/strong><\/p>\n\n\n\n Resumen de la charla:<\/strong> <\/p>\n\n\n\n En la era digital en la que vivimos, \u00bfqu\u00e9 es la privacidad? \u00bfC\u00f3mo controlamos qui\u00e9n tiene acceso a nuestros datos? Compartir nuestra informaci\u00f3n ayuda a generar mejores herramientas de automatizaci\u00f3n: modelos de lenguaje, sistemas de recomendaci\u00f3n,\u2026 \u00bfEs posible que estos sistemas revelen informaci\u00f3n privada? \u00bfC\u00f3mo podemos asegurar que esto no ocurra? En esta pl\u00e1tica tratar\u00e9 de contestar estas preguntas y discutir\u00e9 las soluciones que la comunidad de privacidad ha generado para contestarlas. Iniciaremos la pl\u00e1tica con preguntas filos\u00f3ficas acerca de la dificultad de definir privacidad en el contexto de compartimiento de datos. Despu\u00e9s discutir\u00e9 conceptos t\u00e9cnicos asociados con el compartimiento de datos: criptograf\u00eda, anonimizaci\u00f3n y privacidad diferencial y c\u00f3mo estas soluciones est\u00e1n siendo desarrolladas en el contexto de inteligencia artificial. Finalmente discutir\u00e9 el panorama futuro de compartimiento de datos y por qu\u00e9 es importante aprender a realizar manejo de datos en forma privada.<\/p>\n<\/div>\n<\/div>\n\n\n\n Simetr\u00edas en inteligencia artificial<\/strong><\/p>\n\n\n\n Mi\u00e9rcoles 13 de diciembre 14:00 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Soledad Villar es profesora de la Universidad de Johns Hopkins en Estados Unidos. Ella estudi\u00f3 licenciatura en matem\u00e1tica e ingenier\u00eda en computaci\u00f3n en Uruguay, y luego hizo un doctorado en matem\u00e1tica en la Universidad de Texas en Austin, y un postdoctorado en la Universidad de Nueva York.<\/strong><\/p>\n\n\n\n Resumen de la charla:<\/strong><\/p>\n\n\n\n Cualquier representaci\u00f3n de datos implica elecciones arbitrarias del investigador. Debido a que esas elecciones son externas al proceso de generaci\u00f3n de datos, cada elecci\u00f3n conduce a una simetr\u00eda exacta, correspondiente al grupo de transformaciones que lleva una posible representaci\u00f3n a otra. \u00c9stas son las simetr\u00edas pasivas; donde los resultados son independientes de la elecci\u00f3n del sistema de coordenadas y unidades, fundamentales en f\u00edsica.En el aprendizaje autom\u00e1tico, la simetr\u00eda pasiva m\u00e1s visible es la simetr\u00eda de permutaci\u00f3n en grafos. Different applications of evolving Fuzzy Systems<\/strong><\/p>\n\n\n\n Mi\u00e9rcoles 13 de diciembre 11:45 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Igor \u0160krjanc obtuvo los grados de licenciatura, m\u00e1ster y doctorado en Ingenier\u00eda El\u00e9ctrica en 1988, 1991 y 1996, respectivamente, en la Facultad de Ingenier\u00eda El\u00e9ctrica e Inform\u00e1tica de la Universidad de Liubliana (Eslovenia). Actualmente es Profesor Titular en la misma facultad y Jefe del Laboratorio de Sistemas Aut\u00f3nomos y M\u00f3viles. Imparte clases de teor\u00eda b\u00e1sica de control para estudiantes de licenciatura y de control inteligente avanzado en posgrado. Sus principales \u00e1reas de investigaci\u00f3n son los sistemas de control adaptativos, predictivos, neurodifusos y difusos adaptativos. Sus intereses de investigaci\u00f3n actuales incluyen tambi\u00e9n el campo de los sistemas m\u00f3viles aut\u00f3nomos en el sentido de la localizaci\u00f3n, el control visual directo y control de seguimiento de trayectorias. Posee research fellowships<\/em> de Humboldt y de la Sociedad Japonesa para la Promoci\u00f3n de la Ciencia (JSPS), Catedra de Excelencia de la Universidad Carlos III de Madrid de los a\u00f1os 2018 y 2021, y es miembro de la Academia Eslovena de Ingenier\u00eda. Tambi\u00e9n es editor asociado de IEEE Transaction on Neural Networks and Learning System<\/em>, IEEE Transaction on Fuzzy Systems<\/em>, Evolving Systems journal<\/em> e International journal of artificial intelligence<\/em>.<\/strong><\/p>\n\n\n\n Resumen de la charla (a ser dictada en idioma ingl\u00e9s):<\/strong><\/p>\n\n\n\n Fuzzy systems have long been recognized for their capacity to model and address complex real-world problems, thanks to their ability to handle uncertainty and imprecision. Over the years, evolving fuzzy systems have emerged as a dynamic and adaptive extension of traditional fuzzy logic, offering even greater flexibility and applicability across various domains. This invited talk delves into the diverse applications of evolving fuzzy systems, showcasing their utility and versatility in solving a wide array of challenges. The talk begins by providing an overview of the evolving fuzzy system framework, emphasizing its unique features such as online learning, incremental adaptation, and self-improvement. Subsequently, a journey through different domains unfolds, highlighting how evolving fuzzy systems have made significant contributions. In engineering and control, evolving fuzzy systems have proven invaluable for tasks such as autonomous robotics, adaptive control, and fault detection in dynamic environments. The talk explores how these systems adapt in real-time to changing conditions, enhancing precision and robustness. In summary, this invited talk provides an illuminating glimpse into the multifaceted world of evolving fuzzy systems, demonstrating their relevance and effectiveness in tackling complex problems across engineering. Attendees will gain insights into the transformative potential of these systems and their capacity to adapt and evolve, making them indispensable tools for addressing the challenges of our dynamic and uncertain world.<\/p>\n<\/div>\n<\/div>\n\n\n\n Ciencia, sociedad e IA: \u00bfsue\u00f1an los androides con personas felices?<\/strong><\/p>\n\n\n\n Jueves 14 de diciembre 9:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Gabriel Le\u00f3n es bioqu\u00edmico y doctor en biolog\u00eda celular y molecular de la PUC. Fue acad\u00e9mico e investigador en la UNAB y director del Centro para la Comunicaci\u00f3n de la Ciencia en esa Universidad. Desde el a\u00f1o 2018 se dedica a la comunicaci\u00f3n de la ciencia de manera independiente; es panelista de ciencia en radio, conductor de Rockstars en TXSplus.com<\/a>, autor de 10 libros de divulgaci\u00f3n cient\u00edfica y anfitri\u00f3n del podcast La Ciencia Pop, el podcast de ciencia m\u00e1s escuchado en Chile.<\/strong><\/p>\n\n\n\n Resumen de la charla:<\/strong><\/p>\n\n\n\n \u00bfQu\u00e9 es la ciencia? \u00bfC\u00f3mo son los cient\u00edficos? \u00bfQu\u00e9 espera la sociedad de la ciencia? \u00bfC\u00f3mo la IA afectar\u00e1 nuestras vidas? En esta charla se abordar\u00e1n estas preguntas tratando de entender c\u00f3mo la sociedad en su conjunto se puede beneficiar de la curiosidad de quienes se dedican a producir conocimiento. Al mismo tiempo se destacar\u00e1 c\u00f3mo este trabajo debe realizarse de manera responsable, colaborativa y con el foco puesto en las personas.<\/p>\n<\/div>\n<\/div>\n\n\n\n Improving anatomical plausibility and auditing fairness in deep segmentation networks<\/strong><\/p>\n\n\n\n Jueves 14 de diciembre 10:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Dr. Enzo Ferrante complet\u00f3 su doctorado en Ciencias de la Computaci\u00f3n en la Universit\u00e9 Paris-Saclay e INRIA (Par\u00eds, Francia), y trabaj\u00f3 como investigador postdoctoral en el Imperial College de Londres en el Reino Unido. Tambi\u00e9n ha sido estudiante visitante en el CVGL Lab de la Universidad de Stanford (2014), Investigador Visitante Fulbright en el A. Martinos Center for Biomedical Imaging (Massachusetts General Hospital – Harvard Medical School, 2021) en Boston, y puesto de Profesor Invitado DATAIA en la Universit\u00e9 Paris-Saclay en Francia (2023). Resumen de la charla:<\/strong><\/p>\n\n\n\n The evolution of deep segmentation networks has empowered the enhancement of extensive medical imaging datasets with automatically generated anatomical segmentation masks. In this talk we will discuss recent methods we proposed to improve anatomical plausibility in deep segmentation networks. By improving anatomical plausibility we mean to ensure that the segmentation masks produced by our network are constrained to the actual shape and appearance of organs. We will briefly discuss some of our studies [1,2,3] which use autoencoders to learn low dimensional embeddings of anatomical structures and propose different ways in which they can be incorporated into deep learning models for segmentation and registration.<\/p>\n\n\n\n The complexity is further intensified by recent studies indicating potential biases in AI-based medical imaging models related to gender, age, and ethnicity [4,5]. Here we will share insights from our journey in developing the CheXMask large-scale database of x-ray anatomical segmentations [6]. We will delve into the strategies we implemented for automatic quality control and the methods we formulated for unsupervised bias discovery in the absence of ground-truth annotations [7].<\/p>\n\n\n\n [1] Learning deformable registration of medical images with anatomical constraints | Mansilla L, Milone D, Ferrante E. – Neural Networks (2020)<\/p>\n\n\n\n [2] Post-DAE: Anatomically Plausible Segmentation via Post-Processing with Denoising Autoencoders | Larrazabal A, Martinez C, Glocker B, Ferrante E. – IEEE Transactions on Medical Imaging (2020) – MICCAI 2019 (conference version)<\/p>\n\n\n\n [3] HybridGNet – Improving anatomical plausibility in image segmentation via hybrid graph neural networks: applications to chest x-ray image analysis | Gaggion N, Mansilla L, Mosquera C, Milone D, Ferrante E. – IEEE Transactions on Medical Imaging (2022) MICCAI 2021 (conference version)<\/p>\n\n\n\n [4] Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis | Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. – Proceedings of the National Academy of Sciences (2020)<\/p>\n\n\n\n [5] Addressing fairness in artificial intelligence for medical imaging | Ricci Lara MA, Echeveste R, Ferrante E. – Nature communications (2022)<\/p>\n\n\n\n [6] CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images | Gaggion N, Mosquera C, Mansilla L, Aineseder M, Milone DH, Ferrante E. – arXiv preprint (2023)<\/p>\n\n\n\n [7] Unsupervised bias discovery in medical image segmentation | Gaggion N, Echeveste R, Mansilla L, Milone DH, Ferrante E. – MICCAI FAIMI Workshop (2023)<\/p>\n<\/div>\n<\/div>\n\n\n\n Comprender el universo y salvar nuestro planeta \u00e9poca a \u00e9poca<\/strong><\/p>\n\n\n\n Jueves 14 de diciembre 11:45 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Luis es actualmente director cient\u00edfico de Inria Chile, el centro chileno de Inria, el Instituto Nacional de Ciencias Computacionales franc\u00e9s. Previamente fue investigador senior del equipo TAU en Inria Saclay desde 2015. Tambi\u00e9n fue profesor adjunto (titular) en el Instituto de Computaci\u00f3n de la Universidade Federal Fluminense. Anteriormente, Luis fue CNPq Young Talent of Science Fellow en el Laboratorio de Rob\u00f3tica Aplicada e Inteligencia del Departamento de Ingenier\u00eda El\u00e9ctrica de la Pontif\u00edcia Universidade Cat\u00f3lica do Rio de Janeiro, Brasil. Luis hizo su doctorado en el Grupo de Inteligencia Artificial Aplicada del Departamento de Inform\u00e1tica de la Universidad Carlos III de Madrid, Madrid, Espa\u00f1a, y se licenci\u00f3 en Inform\u00e1tica por la Universidad de La Habana. Sus intereses principales son la inteligencia artificial y, en particular, el aprendizaje autom\u00e1tico, redes neuronales, computaci\u00f3n evolutiva, optimizaci\u00f3n y los sistemas h\u00edbridos, entre otros.<\/strong><\/p>\n\n\n\n Resumen de la charla:<\/strong><\/p>\n\n\n\n La inteligencia artificial (IA) tiene un triple papel con respecto a nuestra comprensi\u00f3n e impacto sobre los fen\u00f3menos naturales. En primer lugar, la IA es la clave para comprender fen\u00f3menos complejos como los relacionados con la astrof\u00edsica o el cambio clim\u00e1tico. En segundo lugar, la IA es esencial en un holoceno viable y sostenible. La tercera se refiere al impacto de la IA (como el resto de la tecnolog\u00eda de la informaci\u00f3n) como factor que contribuye a la contaminaci\u00f3n, la generaci\u00f3n de CO2 y el cambio clim\u00e1tico. En esta charla, me sumergir\u00e9 en los retos subyacentes a los que nos enfrentamos al abordar los problemas mencionados. Lo har\u00e9 repasando algunos proyectos interrelacionados. En primer lugar, presentar\u00e9 nuestro proyecto Oc\u00e9anIA, centrado en el desarrollo de nuevas herramientas de IA, aprendizaje autom\u00e1tico y modelamiento matem\u00e1tico para contribuir a la comprensi\u00f3n de la estructura, el funcionamiento, los mecanismos subyacentes y la din\u00e1mica del simbioma oce\u00e1nico global y su relaci\u00f3n con el cambio clim\u00e1tico. A continuaci\u00f3n, mostrar\u00e9 nuestro proyecto EMISTRAL, en el que dise\u00f1amos y evaluamos controladores de autoaprendizaje para veleros aut\u00f3nomos de vigilancia medioambiental basados en aprendizaje reforzado, el aprendizaje por transferencia y el aprendizaje aut\u00f3nomo para el muestreo del oc\u00e9ano. Por \u00faltimo, abordaremos el otro lado de esta dicotom\u00eda buscando en el interior de la IA una forma de hacerla m\u00e1s viable desde el punto de vista ecol\u00f3gico en nuestro proyecto GreenAI.<\/p>\n<\/div>\n<\/div>\n\n\n\n Interpretable Convolutional NNs and Graph CNNs: Role of Domain Knowledge<\/strong><\/p>\n\n\n\n Viernes 15 de diciembre 9:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Danilo P. Mandic es Profesor de Inteligencia Artificial en el Imperial College de Londres (Reino Unido) y ha trabajado en las \u00e1reas de inteligencia artificial, procesamiento estad\u00edstico de se\u00f1ales, macrodatos, an\u00e1lisis de datos en grafos, bioingenier\u00eda y modelizaci\u00f3n financiera. Es miembro del IEEE y actual Presidente de la Sociedad Internacional de Redes Neuronales (INNS). El Dr. Mandic es Director del Laboratorio de Inteligencia de M\u00e1quinas Financieras del Imperial y tiene m\u00e1s de 600 publicaciones en revistas y conferencias internacionales. Ha publicado dos monograf\u00edas de investigaci\u00f3n sobre redes neuronales, tituladas “Recurrent Neural Networks for Prediction”, Wiley 2001, y “Complex Valued Nonlinear Adaptive Filters: Noncircularity, Widely Linear and Neural models<\/em>“, Wiley 2009 (ambos primeros libros en sus respectivas \u00e1reas), y ha coeditado libros sobre Fusi\u00f3n de Datos (Springer 2008) y Neuro y Bioinform\u00e1tica (Springer 2012). Tambi\u00e9n ha sido coautor de una monograf\u00eda de investigaci\u00f3n en dos vol\u00famenes sobre redes tensoriales para Big Data, titulada “Tensor Networks for Dimensionality Reduction and Large Scale Optimization<\/em>” (Now Publishers, 2016 y 2017), y m\u00e1s recientemente de una monograf\u00eda de investigaci\u00f3n sobre Data Analytics on Graphs (Now Publishers, 2021). <\/strong><\/p>\n\n\n\n El Dr. Mandic recibi\u00f3 en 2019 el premio Dennis Gabor a los “Logros destacados en ingenier\u00eda neuronal”, otorgado por la Sociedad Internacional de Redes Neuronales. Ganador en 2023 del premio The Prize Paper Award<\/em>, otorgado por la Sociedad de Ingenier\u00eda en Medicina y Biolog\u00eda del IEEE por su art\u00edculo sobre el casco inteligente, ganador en 2018 del premio al mejor art\u00edculo en la revista IEEE Signal Processing Magazine<\/em> por su art\u00edculo sobre descomposiciones tensoriales para aplicaciones de procesamiento de se\u00f1ales, y ganador en 2021 del premio al mejor art\u00edculo en la serie de conferencias de la Conferencia Internacional sobre Ac\u00fastica, Habla y Procesamiento de Se\u00f1ales (ICASSP). El Dr. Mandic ha desempe\u00f1ado diversas funciones en las series de conferencias Word Congress on Computational Intelligence (WCCI) e International Joint Conference on Neural Networks (IJCNN), y ha sido editor asociado de IEEE Transactions on Neural Networks and Learning Systems, IEEE Signal Processing Magazine e IEEE Transactions on Signal Processing. Ha impartido m\u00e1s de 70 conferencias magistrales y tutoriales en congresos internacionales y fue nombrado por el World University Service (WUS), como profesor visitante dentro del Brain Gain Program (BGP), en 2015. En la actualidad, Danilo es Distinguished Lecturer<\/em> de la IEEE Computational Society<\/em> y conferenciante distinguido de la IEEE Signal Processing Society<\/em>. El Dr. Mandic recibi\u00f3 en 2014 el premio President Award for Excellence in Postgraduate Supervision<\/em> del Imperial College y es titular de seis patentes.<\/strong><\/p>\n\n\n\n Resumen de la charla (a ser dictada en idioma ingl\u00e9s):<\/strong><\/p>\n\n\n\n The success of deep learning (DL) and convolutional neural networks (CNN) has also highlighted that NN-based analysis of signals and images of large sizes poses a considerable challenge, as the number of NN weights increases exponentially with data volume \u2013 the so called Curse of Dimensionality. In addition, the largely ad-hoc fashion of their development, albeit one reason for their rapid success, has also brought to light the intrinsic limitations of CNNs – in particular those related to their black box nature. To this end, we revisit the operation of CNNs from first principles and show that their key component \u2013 the convolutional layer \u2013 effectively performs matched filtering of its inputs with a set of templates (filters, kernels) of interest. This serves as a vehicle to establish a compact matched filtering perspective of the whole convolution-activation-pooling chain, which allows for a theoretically well founded and physically meaningful insight into the overall operation of CNNs. This is shown to help mitigate their interpretability and explainability issues, together with providing intuition for further developments and novel physically meaningful ways of their initialisation. Such an approach is next extended to Graph CNNs (GCNNs), which benefit from the universal function approximation property of NNs, pattern matching inherent to CNNs, and the ability of graphs to operate on nonlinear domains. GCNNs are revisited starting from the notion of a system on a graph, which serves to establish a matched-filtering interpretation of the whole convolution-activation-pooling chain within GCNNs, while inheriting the rigour and intuition from signal detection theory. This both sheds new light onto the otherwise black box approach to GCNNs and provides well-motivated and physically meaningful interpretation at every step of the operation and adaptation of GCNNs. It is our hope that the incorporation of domain knowledge, which is central to this approach, will help demystify CNNs and GCNNs, together with establishing a common language between the diverse communities working on Deep Learning and opening novel avenues for their further development.<\/p>\n<\/div>\n<\/div>\n\n\n\n M\u00e9todos para el estudio de conectividad cerebral basados en Resonancia Magn\u00e9tica por difusi\u00f3n<\/strong><\/p>\n\n\n\n Viernes 15 de diciembre 10:15 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Profesora Titular del Departamento de Ingenier\u00eda El\u00e9ctrica, Facultad de Ingenier\u00eda, Universidad de Concepci\u00f3n. Obtuvo su t\u00edtulo de Ingeniera Civil Electr\u00f3nica en la Universidad de Concepci\u00f3n, y realiz\u00f3 sus estudios de Mag\u00edster y Doctorado en Francia, en la Universit\u00e9 Paris-Sud, en el Centro de estudio del cerebro Neurospin, especializ\u00e1ndose en el An\u00e1lisis de Im\u00e1genes M\u00e9dicas. Sus intereses de investigaci\u00f3n se centran en el \u00e1rea de Procesamiento y An\u00e1lisis de Im\u00e1genes M\u00e9dicas, Neuroim\u00e1genes, Neurociencia Computacional y Desarrollo de aplicaciones cient\u00edficas. Actualmente es Investigadora Titular del centro AC3E, Investigadora Asociada del centro CENIA e investigadora adjunta del centro GERO.<\/strong><\/p>\n\n\n\n Resumen de la charla:<\/strong><\/p>\n\n\n\n La Resonancia Magn\u00e9tica por difusi\u00f3n permite reconstruir conjuntos de datos de tractografia cerebral, que representan la trayectorias de los principales fasc\u00edculos de fibras de la materia blanca. Estos est\u00e1n compuestos por polil\u00edneas 3D, y su an\u00e1lisis presentan desaf\u00edos computacionales interesantes debido a su gran tama\u00f1o, ruido, y complejidad morfol\u00f3gica. Revisaremos los principales m\u00e9todos usados para analizar los datos de tractograf\u00eda para el estudio de la conectividad cerebral, tales como clustering de fibras, segmentaci\u00f3n de fasc\u00edculos, filtrado, parcelaci\u00f3n cortical basada en datos de difusi\u00f3n, y simulaci\u00f3n de datos para validaci\u00f3n de algoritmos.<\/p>\n<\/div>\n<\/div>\n\n\n\n Exploring latent subspaces on semantic image manipulation<\/strong><\/p>\n\n\n\n Viernes 15 de diciembre – 11:45 – Auditorio D’Etigny<\/p>\n<\/div>\n\n\n\n Leandro A. F. Fernandes es licenciado en Inform\u00e1tica (2002) de la Fundaci\u00f3n Universidad Regional de Blumenau (FURB), m\u00e1ster (2006) y doctor (2010) en Inform\u00e1tica de la Universidade Federal do Rio Grande do Sul (UFRGS). Fue investigador postdoctoral en la UFRGS de 2010 a 2011. Actualmente, es miembro del cuerpo docente de la Universidad Federal Fluminense (UFF) en Niter\u00f3i, Brasil. Desde 2023, Leandro es miembro de la Divisi\u00f3n 8 para NC-BR en la Comisi\u00f3n Internacional de Iluminaci\u00f3n (CIE). Sus intereses de investigaci\u00f3n abarcan la mayor\u00eda de los aspectos de computaci\u00f3n visual e inteligencia artificial, especialmente computer vision<\/em> y las fronteras entre la recuperaci\u00f3n, extracci\u00f3n y organizaci\u00f3n de la informaci\u00f3n, y el aprendizaje autom\u00e1tico aplicado a la visi\u00f3n. Esto incluye el modelamiento sem\u00e1ntico, la detecci\u00f3n multidimensional de formas y patrones, la metrolog\u00eda de im\u00e1genes, el modelamiento y seguimiento basados en im\u00e1genes, y el \u00e1lgebra geom\u00e9trica (\u00e1lgebra de Clifford en f\u00edsica) aplicada a la computaci\u00f3n visual. De 2015 a 2021, Leandro fue titular de una Research Productivity Fellowship (PQ-2)<\/em> del Consejo Nacional de Desarrollo Cient\u00edfico y Tecnol\u00f3gico (CNPq) y de un Young Scientist of Our State Fellowship (JCNE)<\/em> de la Funda\u00e7\u00e3o de Amparo \u00e0 Pesquisa do Estado do Rio de Janeiro (FAPERJ). Adem\u00e1s, recibi\u00f3 un premio en el Programa 2020 Google Research Awards in Latin America<\/em> por la investigaci\u00f3n realizada por uno de sus estudiantes de doctorado, el Premio Elon Lages Lima 2021 por su libro sobre \u00e1lgebra geom\u00e9trica, y el Premio Inventor Petrobras 2022. Leandro fue copresidente de programa del AGACSE 2018 y del SIBGRAPI 2016, copresidente general del SIBGRAPI 2017, copresidente tutorial del SIBGRAPI 2021 y 2022, copresidente de publicaci\u00f3n y general del IWSSIP 2020, editor invitado de n\u00fameros especiales del Computers & Graphics Journal y del International Journal of Innovative Computing and Applications, y miembro del Comit\u00e9 T\u00e9cnico TC1-89 de la CIE Enhancement of Images for Colour Defective Observers<\/em> de 2012 a 2020.<\/strong><\/p>\n\n\n\n Resumen de la charla (a ser dictada en idioma ingl\u00e9s):<\/strong><\/p>\n\n\n\n Semantic image manipulation is a complex challenge characterized by the need to modify high-level features while preserving the visual similarity to the original image. Recent advancements in deep generative techniques have shown that altering semantic attributes in a latent space can yield impressive results. However, a fundamental question persists: Can we perform meaningful algebraic operations on high-level visual semantic attributes within images? In this talk, we illustrate the possibility of interpreting and manipulating image pseudovectors (which represent (n – 1)-dimensional subspaces) as combinations of visual features (k-dimensional subspaces, where 0 < k < n) using Geometric Algebra (GA). GA operations can be applied depending on the organization of the latent space, allowing us to address a wide range of problems without retraining generative models for specific tasks. As a proof of concept, we will demonstrate how GA operations can be applied to manipulate subspaces within the latent space of facial images. These operations enable tasks such as adding or removing clothing accessories, altering age-related characteristics, changing hairstyles, and conducting semantic queries on sets of images. In this talk, we try to keep mathematics to a minimum while showing its interpretation in a didactic way.<\/p>\n<\/div>\n<\/div>\n\n\n\n Responsible AI in the context of GenAI<\/strong><\/p>\n\n\n\n Mi\u00e9rcoles 13 de diciembre – 15:15 – B02, Beauchef 851<\/p>\n<\/div>\n\n\n\n Senior Data Scientist Consultant from AWS Professional Services. Currently supporting AWS customers over their cloud journey tackling advanced analytics projects, MLOps implementations. Participated also as ML advisor for customers in different areas including Recommender Systems, Natural Language Processing, MLOps and Generative AI applications. Iv\u00e1n also participates as a part-time teacher @ DIE Uchile and also supports research in Image Processing for Biomedical applications. Resumen de la charla:<\/p>\n\n\n\n La IA generativa nos presenta nuevos desaf\u00edos: definir, medir y mitigar preocupaciones acerca de la equidad, toxicidad y propiedad intelectual entre otros elementos. En esta charla, nos subrayaremos estos desaf\u00edos y maneras de enfrentarlos.<\/p>\n<\/div>\n<\/div>\n\n\n\n Imputaci\u00f3n de datos faltantes: \u00bfqu\u00e9 podemos hacer?<\/strong><\/p>\n\n\n\n Jueves 14 de diciembre – 14:00 – B01, Beauchef 851<\/p>\n<\/div>\n\n\n\n Dra. Ciencias de la Ingenier\u00eda Menci\u00f3n Autom\u00e1tica, Ing. Civil en Electricidad, M\u00e9dico Cirujano, Investigadora de la L\u00ednea de Salud Digital del Centro de Modelamiento Matem\u00e1tico de la Universidad de Chile, Miembro de la Comisi\u00f3n de Salud del Colegio de Ingenieros de Chile.<\/strong><\/p>\n\n\n\n Resumen de la charla:<\/strong><\/p>\n\n\n\n Los datos faltantes constituyen un problema que se presenta en distintos \u00e1mbitos y que pueden afectar, en mayor o menor medida, la ejecuci\u00f3n, interpretaci\u00f3n, resultados y conclusiones de un estudio o proyecto. La t\u00e9cnica tradicional y m\u00e1s conocida para el tratamiento de datos faltantes se conoce como \u201cimputaci\u00f3n de datos\u201d. Gran parte de los estudios relacionados con los m\u00e9todos de imputaci\u00f3n se centran en el problema de la estimaci\u00f3n de la media y se basan en dise\u00f1os muestrales simples. El objetivo de esta sesi\u00f3n es realizar un trabajo colaborativo que nos permita plantear distintas maneras de resolver este dilema.<\/p>\n<\/div>\n<\/div>\n\n\n\n Graph Neural Networks<\/strong><\/p>\n\n\n\n Viernes 15 de diciembre – 15:15 – B01, Beauchef 851<\/p>\n<\/div>\n\n\n\n Christopher Ley, PhD investiga aplicaciones de investigaci\u00f3n de Inteligencia Artificial (IA) y Aprendizaje Profundo (AD). Espec\u00edficamente Redes Neuronales Gr\u00e1ficas Din\u00e1micas de Tiempo Continuo (Grafos As\u00edncronos) y en general Aprendizaje Profundo Geom\u00e9trico, el estudio de la metodolog\u00eda unificadora mediante la cual se definen arquitecturas de aprendizaje profundo a trav\u00e9s de principios geom\u00e9tricos unificados (sesgos inductivos) para explotar las regularidades subyacentes que surgen de la baja dimensionalidad y estructura del mundo f\u00edsico. Actualmente es investigador del Centro de Modelamiento Matem\u00e1tico de la Universidad de Chile.<\/strong><\/p>\n\n\n\n Resumen de la charla (a ser dictada en idioma ingl\u00e9s)<\/strong>:<\/p>\n\n\n\n Graphs can be thought of the main modality of data we receive from nature. This is due to the fact that most of the patterns we see, both in natural and artificial systems, are elegantly representable using the language of graph structures. Prominent examples include molecules (represented as graphs of atoms and bonds), social networks and transportation networks. This potential has already been seen by key scientific and industrial groups, with already-impacted application areas including traffic forecasting, drug discovery, social network analysis and recommender systems. Further, some of the most successful domains of application for machine learning in previous years — images, text and speech processing — can be seen as special cases of graph representation learning, and consequently there has been significant exchange of information between these areas. Graph Neural Networks are the techniques of building machine learning models over data that lives on graphs s (interconnected structures of nodes connected by edges). In this tutorial we will introduce theory underpinning Graph Neural Networks and demonstrate practical applications using the latest frameworks for deep learning on graphs.<\/p>\n<\/div>\n<\/div>\n\n\n\n Evaluaci\u00f3n de los modelos de machine learning: m\u00e1s all\u00e1 de lo b\u00e1sico<\/strong><\/p>\n\n\n\n Mi\u00e9rcoles 13 de diciembre – 15:15 – B01, Beauchef 851<\/p>\n<\/div>\n<\/div>\n\n\n\n Arturo Amor es doctor en f\u00edsica te\u00f3rica del Instituto de Ciencias Nucleares de la Universidad Nacional Aut\u00f3noma de M\u00e9xico (UNAM). Continu\u00f3 su investigaci\u00f3n en el mismo campo como postdoc en la \u00c9cole Polytechnique, en Francia. Ingeniero de investigaci\u00f3n en Inria en el equipo-proyecto SODA del centro Inria de Saclay, y parte del equipo de documentaci\u00f3n de la librer\u00eda scikit-learn, su principal tarea es dar mantenimiento a la documentaci\u00f3n y hacerla m\u00e1s accesible a todo tipo de usuarios.<\/strong><\/p>\n\n\n\n Resumen de la charla<\/strong>:<\/p>\n\n\n\n La evaluaci\u00f3n de modelos es un aspecto crucial del machine learning, sea para elegir el mejor modelo o para decidir si un modelo es lo suficientemente bueno para ponerlo en producci\u00f3n. Este tutorial ofrecer\u00e1 una introducci\u00f3n did\u00e1ctica a los diversos aspectos estad\u00edsticos de la evaluaci\u00f3n de modelos: qu\u00e9 aspectos de la predicci\u00f3n de modelos son importantes de capturar, y c\u00f3mo las diferentes m\u00e9tricas disponibles en scikit-learn lo hacen. C\u00f3mo dise\u00f1ar un procedimiento de evaluaci\u00f3n de modelos que sea el m\u00e1s adecuado para seleccionar el mejor modelo, o controlar que un modelo es adecuado para su uso. Este tutorial va m\u00e1s all\u00e1 de la mera aplicaci\u00f3n de scikit-learn y esperamos que incluso los expertos aprendan consideraciones \u00fatiles.Andr\u00e9s Mu\u00f1oz Medina<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nSoledad Villar<\/a><\/h3>\n\n\n\n
Las simetr\u00edas activas son aquellas que deben establecerse mediante observaci\u00f3n y experimentaci\u00f3n, como invarianza y equivarianza con respecto a rotaciones y translaciones en modelos f\u00edsicos. Nuestro objetivo, en esta charla, es explicar el rol de las simetr\u00edas en m\u00e9todos de inteligencia artificial, y los conceptos matem\u00e1ticos para implementarlas en la pr\u00e1ctica.<\/p>\n<\/div>\n<\/div>\n\n\n\n<\/figure>\n\n\n\nIgor \u0160krjanc<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nGabriel Le\u00f3n<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nEnzo Ferrante<\/a><\/h3>\n\n\n\n
Regres\u00f3 a Argentina en 2017, ocupando un puesto de investigador docente en el Consejo Nacional de Investigaciones Cient\u00edficas y T\u00e9cnicas de Argentina (CONICET). Se desempe\u00f1a regularmente como miembro del comit\u00e9 de programa de importantes conferencias de im\u00e1genes m\u00e9dicas como MICCAI, MIDL, ISBI e IPMI, y ha organizado varios talleres en este contexto. Dirige la l\u00ednea de investigaci\u00f3n Machine Learning for Biomedical Image Computing<\/em> en el Instituto de Investigaci\u00f3n de Se\u00f1ales, Sistemas e Inteligencia Computacional, sinc(i). En 2020, el Dr. Ferrante recibi\u00f3 el Premio Joven Investigador de la Academia Nacional de Ciencias de Argentina y el Premio Mercosur de Ciencia y Tecnolog\u00eda por sus contribuciones cient\u00edficas a la IA para la computaci\u00f3n de im\u00e1genes m\u00e9dicas. Sus intereses de investigaci\u00f3n abarcan la inteligencia artificial y el an\u00e1lisis de im\u00e1genes biom\u00e9dicas, centr\u00e1ndose actualmente en la equidad, la adaptaci\u00f3n y generalizaci\u00f3n de dominios, la calibraci\u00f3n y la segmentaci\u00f3n anat\u00f3mica de im\u00e1genes m\u00e9dicas.<\/strong><\/p>\n\n\n\n<\/figure>\n\n\n\nLuis Mart\u00ed<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nDanilo Mandic<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nPamela Guevara<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nLeandro Fernandes<\/a><\/h3>\n\n\n\n
Tutorial Speakers<\/h2>\n\n\n\n
<\/figure>\n\n\n\nIv\u00e1n Castro<\/a><\/h3>\n\n\n\n
Bio (Esp): Consultor Senior Data Scientist<\/em> de AWS Professional Services. Actualmente ofrece soporte a los clientes de AWS en su viaje por la nube, abordando proyectos de an\u00e1lisis avanzados e implementaciones de Machine Learning Operations<\/em> (MLOps). Tambi\u00e9n ha participado como asesor de ML para clientes en diferentes \u00e1reas, incluyendo Sistemas de Recomendaci\u00f3n, Procesamiento del Lenguaje Natural, MLOps y aplicaciones de IA Generativa. Iv\u00e1n tambi\u00e9n participa como profesor a tiempo parcial del Departamento de Ingenier\u00eda El\u00e9ctrica de la Universidad de Chile y tambi\u00e9n apoya la investigaci\u00f3n en Procesamiento de Im\u00e1genes para aplicaciones biom\u00e9dicas.<\/strong><\/p>\n\n\n\n<\/figure>\n\n\n\nGloria Henriquez<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nChristopher P. Ley<\/a><\/h3>\n\n\n\n
<\/figure>\n\n\n\nArturo Amor<\/a><\/h3>\n\n\n\n
Discutiremos c\u00f3mo las buenas m\u00e9tricas deben caracterizar todos los aspectos del error, por ejemplo, en la clase positiva y negativa; la probabilidad de una detecci\u00f3n, o la probabilidad de un evento verdadero dada una detecci\u00f3n; ya que debe ser posible tomar en cuenta el desequilibrio de clases. Las m\u00e9tricas tambi\u00e9n pueden evaluar las puntuaciones de confianza, por ejemplo, la calibraci\u00f3n. Los procedimientos de evaluaci\u00f3n de modelos deben calibrar no s\u00f3lo el rendimiento de generalizaci\u00f3n esperado, sino tambi\u00e9n sus variaciones.<\/p>\n<\/div>\n<\/div>\n\n\n\n<\/figure>\n\n\n\n
![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/6.png\")
<\/figure>\n\n\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/08\/16-1.png\")
<\/figure>\n\n\n\n![\"Foto](\"https:\/\/2024.evic.cl\/wp-content\/uploads\/2023\/07\/2.png\")
<\/figure>\n\n\n\n