{"id":107,"date":"2025-01-14T10:24:08","date_gmt":"2025-01-14T09:24:08","guid":{"rendered":"http:\/\/si2dev2"},"modified":"2026-03-03T13:03:12","modified_gmt":"2026-03-03T12:03:12","slug":"tesis","status":"publish","type":"page","link":"https:\/\/incibe.dasci.es\/en\/areas\/investigacion-en-ia-aplicada-a-ciberseguridad\/tesis\/","title":{"rendered":"Thesis"},"content":{"rendered":"
\"\"<\/figure>
\n

T\u00edtulo – Desarrollo de modelos de Inteligencia Artificial Interpretables en Aprendizaje Federado: Fusi\u00f3n de \u00e1rboles de decisi\u00f3n<\/strong><\/p>\n\n\n\n

Autor<\/strong> – D. Argente del Castillo Garrido, Alberto<\/p>\n\n\n\n

Directores\/as<\/strong> – Dra. D\u00f1a. Luz\u00f3n Garc\u00eda, Mar\u00eda Victoria, Dr. D. Herrera Triguero, Francisco<\/p>\n\n\n\n

Fecha defensa <\/strong>– 2024-06-07<\/p>\n\n\n\n

Resumen <\/strong>– Los sistemas de Inteligencia Artificial est\u00e1n presentes en el d\u00eda a d\u00eda de las personas, ofreciendo m\u00faltiples avances a los usuarios de estos. El aumento de estos sistemas crece en paralelo con la preocupaci\u00f3n por la privacidad de los datos que se usan para crear estos sistemas por parte de los usuarios, y de diversas instituciones oficiales. Algunos de estos sistemas de Inteligencia Artificial pueden tener un impacto muy alto en las personas, como por ejemplo un sistema de diagn\u00f3stico de c\u00e1ncer, y es inaceptable correr el riesgo de usar estos sistemas en benepl\u00e1cito de sus caracter\u00edsticas. Es necesaria la creaci\u00f3n de sistemas de Inteligencia Artificial fiables para garantizar que estos sean robustos, transparentes, no discriminatorios, accesibles y respetuosos con la privacidad de los datos de los usuarios. El Aprendizaje Federado es un paradigma de Aprendizaje Autom\u00e1tico distribuido y colaborativo que surge como una soluci\u00f3n para asegurar la privacidad y gobernanza de los datos de los usuarios, dado que no es necesario el intercambio de datos privados entre los nodos que entrenan el modelo de Inteligencia Artificial. Adem\u00e1s de que un sistema de Inteligencia Artificial mantenga la privacidad y la seguridad de los datos de los usuarios, es necesario que \u00b4este sea interpretable, sobre todo en campos donde manejan datos sensibles. De esta forma se podr\u00edan utilizar estos sistemas, que ayudar\u00edan a los expertos en la toma de decisiones final, no s\u00f3lo por ofrecer la predicci\u00f3n del sistema, sino porque tambi\u00e9n proporcionan los motivos por los que se ha tomado esta decisi\u00f3n. La hip\u00f3tesis central de esta tesis es que los modelos interpretables tradicionales del Aprendizaje Autom\u00e1tico centralizado pueden mantener su interpretabilidad en un entorno federado. La creaci\u00f3n de estos modelos permitir\u00e1 crear sistemas de Inteligencia Artificial fiables que puedan llegar a ser utilizados en \u00e1mbitos donde la privacidad de los datos sea imperativa. Para corroborar la hip\u00f3tesis de partida, se han marcado los siguientes objetivos: 1. Desarrollo de una metodolog\u00eda que permita unificar el proceso de entrenamiento de nuevos modelos en entornos de Aprendizaje Federado. 2. Dise\u00f1o, implementaci\u00f3n y evaluaci\u00f3n de un agregador de Aprendizaje Federado para \u00b4Arboles de Decisi\u00f3n basados en reglas. Como resultado se ha desarrollado la propuesta de agregaci\u00f3n de \u00b4arboles de decisi\u00f3n ICDTA4FL. 3. Desarrollar un software de Aprendizaje Federado que permita la implementaci\u00f3n de agregadores para los diferentes modelos de Aprendizaje Federado interpretables y explicables. Este software permitir\u00e1 a\u02dcnadir agregadores para modelos de Aprendizaje Autom\u00e1tico interpretables, y que permita realizar la experimentaci\u00f3n en diferentes entornos federados. Como resultado se ha desarrollado el software FLEX-Trees. Esta tesis logra aunar la privacidad de los datos junto a la interpretabilidad de sistemas de Inteligencia Artificial en entornos de Aprendizaje Federado, con la creaci\u00f3n de un proceso de agregaci\u00f3n de modelos interpretables, que permite adaptar un modelo cl\u00e1sico de Aprendizaje Autom\u00e1tico, como lo son los \u00b4Arboles de Decisi\u00f3n, a un entorno de Aprendizaje Federado. Tambi\u00e9n se ha realizado un software que incluye algunos de los modelos interpretables del estado del arte para Aprendizaje Federado, y todo esto llevando a cabo una metodolog\u00eda de trabajo de entrenamiento y evaluaci\u00f3n en entornos de Aprendizaje Federado.<\/p>\n\n\n\n

Enlace<\/strong> – https:\/\/digibug.ugr.es\/handle\/10481\/93123<\/a><\/p>\n<\/div><\/div>\n\n\n\n