E68 - Resumen EVIC 2023

Resumen

Episodio de resumen de la EVIC 2023 (Escuela de Verano de Inteligencia Computacional), en el que se repasan las charlas que los presentadores consideraron más interesantes o comprensibles. Se tratan la privacidad en ML (k‑anonimidad, privacidad diferencial), los sistemas difusos y el control óptimo, las simetrías y los espacios latentes en machine learning, la difusión científica, la segmentación de imágenes médicas con restricciones anatómicas y los procesos gaussianos para regresión. En paralelo hay digresiones sobre legalidad del scraping y datos públicos, derechos de autor en YouTube y matemática pura. Una conclusión central es que agregar información de contexto (formas fijas, simetrías) a los modelos mejora la detección de anomalías y que espacios latentes compartidos permiten combinar autoencoders. Ninguna charla fue grabada, por lo que se compartirán enlaces a materiales alternativos en Discord.

Capítulos

• 00:00
  IntroSe presenta el episodio 68 sobre la EVIC. Comentan qué temas conocían de antemano, que algunas charlas fueron en inglés y otras en español, la sesión de pósters, los coffee breaks y un repaso rápido de las charlas (convolutional networks, modelos bimodales, manipulación de imágenes, cambio climático, difusión científica) antes de pasar a las principales.
• 10:14
  Introducción a la privacidad en machine learning e inteligencia artificial - Andrés Muñoz MedinaSe definen privacidad (controlar el acceso a información personal sin que los datos pierdan utilidad), criptografía (cifrado César, análisis de frecuencia), k‑anonimidad (agrupar para que haya al menos k personas con las mismas características) y privacidad diferencial (definida en 2006, mecanismos ε‑diferencialmente privados sobre bases de datos vecinas). Se menciona que volver "privado" un método es difícil, y la conversación deriva a datos públicos, datos sensibles, scraping, derechos de autor en YouTube y agentes basados en GPT con visión.
• 33:40
  Evolving Fuzzy Systems - Igor SkrjancLos sistemas difusos sirven en control óptimo como heurística: el ejemplo es un aire acondicionado que se prende y apaga hasta alcanzar la temperatura. También se menciona el fuzzy join/merge para cruzar tablas por coincidencia aproximada de textos. Se debate si "vigente" es la palabra adecuada y se aclara que difuso no es lo mismo que difusión.
• 42:30
  MemesMemes del Discord sobre matemática (espacios de Sobolev, Fibonacci, matemática pura vs aplicada, un libro de topología), con digresión sobre teoría de grupos, grupos cíclicos Z_n y simetrías de moléculas y figuras geométricas.
• 51:15
  Simetrías en inteligencia artificial - Soledad VillarSe explica cómo las arquitecturas de ML pueden explotar simetrías (ejemplo: rotar una imagen 90° cuatro veces). Se introduce el embedding como función inyectiva que preserva estructura hacia un espacio latente, donde operar es a veces más fácil, y la analogía con la transformada de Fourier y con PCA/autoencoders. Se menciona una aplicación a cosmología.
• 01:05:56
  Evaluación de modelos de ML más allá de lo básico - Arturo AmorMención breve: el tema ya se había tratado en el stream y se recomienda ver el ejercicio de Arturo.
• 01:06:10
  Difusión científica - Gabriel LeónGabriel León, autor de un podcast de ciencia, plantea que la base de la ciencia es la curiosidad y que los estereotipos del científico (bata blanca, Einstein) son falsos: cualquiera puede hacer ciencia ante una pregunta interesante.
• 01:07:28
  Improving anatomical plausibility and auditing fairness in deep segmentation networks - Enzo FerranteCon imágenes médicas regulares (pulmones, corazón) se entrena un autoencoder con ruido y se agrega un término a la función de pérdida que pondera zonas donde debe haber órganos, mejorando la detección de anomalías frente a una pérdida global por píxeles. Se comenta la transformada wavelet como analogía, la aplicación a otros casos estándar (termopaneles, minería) y la idea de unir encoder y decoder de autoencoders distintos (imagen→grafo) si comparten el espacio latente.
• 01:19:51
  Procesos gaussianos para regresión - Gonzalo RiosSe pasa de la distribución gaussiana a N variables gaussianas y, en el límite, a una función como colección infinita de variables aleatorias. Así se interpola un conjunto de puntos con una curva y una banda de incertidumbre. Se usa la charla de Felipe Tobar como material, porque no se halló la de Gonzalo.
• 01:24:17
  CierreConclusiones: interés por simetrías, imágenes médicas y espacios latentes compartidos; comentarios sobre lo difícil de equilibrar rigor e intuición. Se anuncian los recursos en Discord, YouTube y se despiden con felicitaciones de Navidad.

Palabras clave