Reconocimiento de actividades humanas con grandes datos: algoritmo de festín de pirañas para escalabilidad y entrenamiento de redes de hidrocarburos artificiales

En la actualidad el Reconocimiento de Actividades Humanas es un problema de investigación abierto con impacto en áreas médicas, de entretenimiento y seguridad, entre otras. Algunos de los mayores retos de este problema se encuentran en el manejo de conjuntos de datos con gran número de dimensiones y en la flexibilidad de los modelos de clasificación. Se han explorado soluciones utilizando aprendizaje automático, sobre los que destaca el algoritmo de Redes de Hidrocarburos Artificiales, por su robustez en la aproximación de soluciones para fenómenos con ruido presente y alta variación entre dimensiones. La solución propuesta en este documento pretende integrar un nuevo algoritmo metaheurístico y una estrategia de procesamiento paralelo para el entrenamiento de este modelo. El algoritmo presentado fue inspirado en el comportamiento de los cardúmenes de pirañas al momento de alimentarse, por lo que recibe el nombre de Algoritmo de Festín de Pirañas. El algoritmo incorpora dos funciones de actualización de movimiento, cuatro hiperparámetros ajustables entre los cuales existe un control de puntos de interés y una estrategia de incentivos y castigos para la política de exploración del algoritmo.

Resumen -- 1. Introducción -- 2. Antecedentes y estado de la cuestión -- 2.1 El modelo de redes de hidrocarburos artificiales -- 2.2 Metodología de optimización -- 2.3 Escalabilidad del aprendizaje automático -- 2.4 Reconocimiento de actividades humanas - HAR -- 3. Descripción de la propuesta -- 3.1 Algoritmo de festín de pirañas - PFO -- 3.2 Pseudocódigo de la propuesta -- 3.3 Paralelización -- 3.4 Codificación del algoritmo -- 3.5 Métricas y soporte de la propuesta -- 3.6 Diseño de experimentos -- 3.7 Implementación y ambientes de pruebas -- 4. Resultados y discusión -- 4.1 Análisis de impacto en el tiempo de ejecución -- 4.2 Análisis del error cuadrático medio -- 4.3 Caso de estudio: Aplicación de PFO y AHN en HAR -- Discusión y resultados del algoritmo PFO -- 5. Conclusiones y trabajo futuro