El 18 de diciembre a las 12:00 en el Salón de Grados, ha tenido lugar la lectura de la Tesis Doctoral de D. Javier Solís García, titulada “Modelos generativos para la imputación de series temporales”. La tesis ha sido dirigida por Dª Isabel A. Nepomuceno Chamorro y Dª Belén Vega Márquez, y tutorizada por D. José C. Riquelme Santos.
La imputación de series temporales multivariantes es una tarea fundamental en el ámbito del aprendizaje automático, especialmente en aplicaciones >sensibles como la medicina o la monitorización industrial. La presencia de valores ausentes en datos secuenciales puede comprometer gravemente la calidad de los modelos predictivos, dificultando la toma de decisiones informadas y, en contextos críticos, poniendo en riesgo la vida de las personas.
Esta tesis doctoral aborda este desafío desde una perspectiva generativa, explorando el potencial de distintas arquitecturas para resolver el problema de la imputación con precisión, eficiencia y escalabilidad.
El trabajo comienza con un estudio centrado en la predicción temprana de sepsis en unidades de cuidados intensivos (UCI), utilizando el dataset MIMIC-III. En este análisis se demuestra cómo la elección de la estrategia de imputación influye de forma significativa en el rendimiento de los modelos predictivos, especialmente en tareas clínicas donde la calidad y la fiabilidad de los datos pueden marcar la diferencia entre una intervención eficaz o tardía. Este primer estudio sirve como justificación y punto de partida para el desarrollo de nuevas propuestas que aborden el problema de la imputación desde un enfoque generativo.
A lo largo de la tesis se presentan tres propuestas metodológicas que reflejan una evolución progresiva en cuanto a sofisticación técnica y adecuación a escenarios reales: G-TIGRE, un modelo basado en redes generativas adversariales y redes neuronales de grafos; TIMBA, que introduce modelos de difusión y bloques Mamba bidireccionales; y finalmente CoSTI, la primera adaptación conocida de los Consistency Models al ámbito de la imputación espacio-temporal. Este último modelo, entrenado mediante la técnica de Consistency Training, es capaz de realizar imputaciones precisas en un único paso de inferencia, lo que representa una reducción del coste computacional de hasta un 98% frente a modelos de difusión tradicionales.
¡Enhorabuena a doctorando, directoras y tutor!
Fuente: Gabinete de Comunicación de la ETSII.