Pablo Montero Manso, profesor na Universidade de Sidney e actualmente investigador visitante en Google, impartirá o próximo 11 de xullo ás 12.00 unha conferencia no salón de Graos da Facultade de Informática da UDC, que tamén se poderá seguir a través desta ligazón. No seu relatorio, organizado polo grupo MODES, Montero Manso presentará resultados sobre como as grandes redes neurais preentrenadas poden converterse en estimadores estatísticos case óptimos, con aplicacións significativas na previsión de series temporais. 

Montero Manso analizará como estas redes, adestradas nun extenso número de simulacións derivadas de procesos de xeración de datos, poden superar ás propias familias de modelos que xeran estes datos. Por exemplo, unha rede neural adestrada en simulacións ARIMA (AutoRegressive Integrated Moving Average) pode chegar a ser máis precisa na predición de novas observacións de verdadeiros procesos ARIMA que un estimador canónico de Máxima Verosimilitud + AIC para o ARIMA.  

Montero Manso propón nun dos exemplos do estudo unha solución aproximada a un problema que desafiou á comunidade de series temporais durante décadas: o crebacabezas da combinación de modelos de previsión, ou como atopar as ponderacións óptimas para a combinación de modelos. 

Estes “estimadores artificiais” demostraron un rendemento extraordinario en datos reais. Unha rede “simple” adestrada en combinacións de simulacións ARIMA e de Suavizado Exponencial con innovacións Student-t alcanzou unha precisión Top-1 en moitos conxuntos de datos de referencia, superando mesmo arquitecturas de redes neurais ad hoc extremadamente sofisticadas e outros modelos de Aprendizaxe Automática. 

O estudo de Montero Manso tamén aborda as limitacións do paradigma e os resultados do teorema “Non-Free-Lunch”. Aínda que o adestramento destes grandes modelos é custoso, é accesible con hardware de consumo e a inferencia é rápida.  

Sobre Pablo Montero-Manso 

Pablo Montero Manso é profesor titular na Universidade de Sidney e actualmente investigador visitante en Google. A súa investigación céntrase na aprendizaxe automática, a intelixencia artificial e as ferramentas estatísticas para a análise de series temporais, abarcando a previsión, a clasificación, a agrupación e a visualización de datos. Pablo desenvolveu modelos preditivos galardoados en importantes concursos de predición como o M4 e o M6, e os seus modelos foron adoptados pola industria. 

Durante a pandemia de COVID-19, Montero Manso contribuíu con modelos e predicións precisas sobre a evolución da pandemia, que foron parte do proceso de toma de decisións en Australia, España e a Unión Europea. Ademais, é membro do consello asesor do proxecto WHY, que analiza o consumo enerxético dos fogares europeos para a elaboración de políticas, e é autor e colaborador de varias ferramentas de código aberto e conxuntos de datos en Python e R, incluído o popular paquete TSclust para a agrupación de series temporais.