AGRUPACIÓN DE DATOS CON MODELOS BIOLÓGICOS VISUALES”

Abstract

La agrupación implica el proceso de dividir una colección de objetos abstractos en varios grupos que se integran con elementos similares. En la literatura se han introducido y desarrollado varios métodos de agrupación con diferentes niveles de rendimiento. Entre estos enfoques, los algoritmos de densidad presentan las mejores ventajas, ya que pueden encontrar clústeres de entre un conjunto de datos con diferentes escalas, formas, y densidades sin requerir el número de grupos como entrada. Por otro lado, hay procesos que los humanos realizan mucho mejor que los enfoques deterministas o las computadoras. De hecho, los seres humanos pueden agrupar datos visualmente de forma excepcional sin necesidad de ningún tipo de formación. Bajo esta capacidad única, la agrupación, instantánea y sin esfuerzo para los humanos, representa un desafío fundamental para la inteligencia artificial. En este trabajo, se desarrolló un modelo de agrupamiento simple, inspirado en la forma en que el sistema visual humano asocia patrones espacialmente. El modelo, en algún nivel de abstracción, se puede caracterizar como una estrategia de agrupación por densidad. El enfoque se basa en redes neuronales celulares (CNN), las cuales han demostrado ser los mejores modelos para emular el sistema visual humano. En el método propuesto, similar al modelo biológico, la CNN se utiliza para construir grupos espacialmente, mientras que un mecanismo automático prueba diferentes escalas de resolución para encontrar la mejor categorización de datos posible. Se han adoptado diferentes conjuntos de datos para evaluar el rendimiento del algoritmo propuesto. Sus resultados también se han comparado con técnicas de agrupamiento de densidad populares en la literatura. Los resultados computacionales demuestran que el enfoque propuesto, utilizando la CNN, presenta resultados competitivos en comparación con otros algoritmos en cuanto a precisión y robustez.