Home » Departamento de Procesamiento de Señales » Defensa Remota Tesis Maestría : “Detección de anomalías en series multivariable con modelos generativos”

Defensa Remota Tesis Maestría : “Detección de anomalías en series multivariable con modelos generativos”

Viernes 11 de setiembre 14:00hs

Tenemos el agrado de invitarlos a la defensa remota de la tesis de maestría de Gastón García González : “Detección de anomalías en series multivariable con modelos generativos”

Tutor : Alicia Fernández (Universidad de la República) y Gabriel Gómez Sena (Universidad de la República)

Tribunal :  Federico Lecumberry (Universidad de la República), José Acuña (Universidad de la República), Marcelo Fiori (Universidad de la República), Pedro Casas (Austrian Institute of Technology) y Rafael Molina (Universidad de Granada)

Podrán asistir como público a la defensa, a través del mismo canal que usará el tesista y el tribunal, a través de Zoom

En esta plataforma no es necesario que se registren, si puede que les pidan para ejecutar algo a partir de vuestro navegador

Identifíquense al ingresar con su nombre y apellido real (no con un alias)

Mantengan su micrófono silenciado y su video apagado

Al finalizar las preguntas del tribunal podrán permanecer en la reunión para aguardar el fallo del tribunal (el tribunal deliberará en otra sala virtual).

https://us02web.zoom.us/j/82148822637?pwd=UkZWU2lHdXU0ZklFUkowOGlRbHFVUT09

ID de reunión: 821 4882 2637
Código de acceso: 590819

Saludos,

Alicia Fernández y Gabriel Gómez Sena

Resumen :

La detección de anomalías es un campo de estudio relevante para muchas aplicaciones y contextos. En el monitoreo de sistemas, la recopilación de múltiples variables es esencial para tener un conocimiento del estado del sistema y resolver a tiempo eventuales problemas. Un análisis eficiente de anomalías puede ser útil para detectar problemas de rendimiento, fallas, ataques externos e intentos de fraude. Aunque la detección de anomalías en series temporales es un área de investigación madura, la aparición de grandes plataformas de datos que permiten el procesamiento de cantidades masivas y diversas de datos, junto con la reciente gran exploración científica de nuevas herramientas para aplicación de aprendizaje profundo, plantean nuevas oportunidades y desafíos para investigar en el tema. En particular, la detección de anomalías en series multivariables es un desafío, ya que generalmente los métodos de detección tiene dos esquemas: el análisis univariable, ejecutando un detector independiente para cada serie de tiempo, o el análisis multivariable, tomando a cada instante de tiempo de manera independiente. En este trabajo se plantea la idea de monitorear todas las series de un sistema con un solo modelo teniendo en cuenta la relación temporal. Para esto se recurrió al uso de modelos generativos no-supervisados basados en redes neuronales, los cuales han demostrado una gran capacidad para aprender la distribución de datos complejos. Además, el uso de estas herramientas ayudan a resolver otros dos grandes problemas en la detección de anomalías que son: el alto desequilibrio entre los datos normales y anómalos, y la falta de etiquetas para fines de aprendizaje y validación. Se implementaron dos métodos, el primero basado en el error de reconstrucción utilizando Varationals Auto-Encoders (VAE), y el segundo utilizando redes recurrentes entrenadas bajo el enfoque de las Generative Adversarial Networks (GAN), explotando no solo las propiedades generativas, sino también las discriminativas. Como un aporte importante con respecto al estado del arte, en este trabajo se logra visualizar tanto la capacidad de detección de los métodos como la capacidad de generación que es la base de los mismos. Las evaluaciones fueron hechas en dos conjuntos diferentes de datos reales, uno propio y otro público, obteniéndose muy buenos resultados. Las implementaciones fueron realizadas con la librería keras, logrando que la arquitectura del código sea compacta y sencilla de entender.