Please use this identifier to cite or link to this item: http://repositorio.udec.cl/jspui/handle/11594/9862
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorCabrera Vives, Guillermo Felipe; supervisor de gradoes
dc.contributor.authorBolívar Severino, César Andréses
dc.date.accessioned2022-04-26T12:24:18Z-
dc.date.available2022-04-26T12:24:18Z-
dc.date.issued2022-
dc.identifier.urihttp://repositorio.udec.cl/jspui/handle/11594/9862-
dc.descriptionTesis presentada para optar al grado académico de Magíster en Ciencias de la Computación.es
dc.description.abstractLos modelos de Aprendizaje Profundo pueden verse afectados negativamente cuando ocurre un cambio de distribución entre el conjunto de datos de entrenamiento y el conjunto de datos de prueba. Esta baja en desempeño puede acrecentarse aún más cuando se tienen pocos datos etiquetados, pero puede mitigarse empleando técnicas de Apatación de Dominio. En este trabajo, se estudia la clasificación binaria de alertas astronómicas en “real” versus “bogus”, utilizando cuatro conjuntos de datos diferentes: Asteroid Terrestrial-impact Alert System (ATLAS), Dark Energy Survey (DES), High-cadence Transient Survey (HiTS) y Zwicky Transient Facility (ZTF). Se utiliza un modelo de clasificación profundo con un entrenamiento fine tuning y un modelo de adaptación de dominio llamado Minimax Entropy (MME), y se estudia el comportamiento de dichos modelos en diferentes escenarios donde el conjunto de entrenamiento difiere al de prueba, y donde se utiliza pocos elementos etiquetados por clase de los conjuntos de datos objetivo para el entrenamiento. Se muestra que el domain shift está presente en los conjuntos de datos, y que ambos modelos son capaces de mejorar la exactitud de un modelo base, incluso con apenas 1 elemento etiquetado por clase para algunos de los escenarios propuestos.es
dc.language.isospaes
dc.publisherUniversidad de Concepción.es
dc.rightsCreative Commoms CC BY NC ND 4.0 internacional (Atribución-NoComercial-SinDerivadas 4.0 Internacional)-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es-
dc.subjectRedes Neurales (Ciencia de la Computación)-
dc.subjectVera C. Rubin Observatorio-
dc.subjectProcesamiento Electrónico de Datos-
dc.subjectAprendizaje de Máquina-
dc.subjectAprendizaje Reforzado-
dc.subjectRedes Neurales (Ciencia de la Computación)es
dc.subjectVera C. Rubin Observatorioes
dc.subjectProcesamiento Electrónico de Datoses
dc.subjectAprendizaje de Máquinaes
dc.subjectAprendizaje Reforzadoes
dc.titleAdaptación de dominio profunda sobre imágenes astronómicas.es
dc.typeTesises
dc.description.facultadDepartamento de Ingeniería Informática y Ciencias de la Computaciónes
Appears in Collections:Ingeniería Informática y Ciencias de la Computación - Tesis Magister

Files in This Item:
File Description SizeFormat 
Tesis César Bolivar.pdfTesis presentada para optar al grado académico de Magíster en Ciencias de la Computación.2,06 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons