Un Método de Autoetiquetado para el Aprendizaje Automático Adaptativo mediante Causalidad Interactiva

Aprender de datos no etiquetados, o auto-aprendizaje, puede reducir sustancialmente la complejidad de la utilización del aprendizaje automático (ML) en despliegues en tiempo real. Si bien el desarrollo de algoritmos no/sesgados muestra resultados prometedores en el aprendizaje con etiquetas reducidas, la suposición fundamental de suavidad de datos restringe su alcance de aplicación, especialmente con distribuciones de datos no estacionarias en diferentes dominios. Aprovechando relaciones causales invariantes entre dominios, la causalidad se ha empleado recientemente para fomentar un ML robusto. En este trabajo, hemos desarrollado un método genérico para autoetiquetar datos que se basa en la causalidad conocida entre objetos interactivos y relaciones temporales aprendidas entre eventos causales para identificar y asociar etiquetas y datos de entrada. Se estudia el intervalo temporal causal entre eventos de causa y efecto asincrónicos para lograr el autoetiquetado. Utilizamos la teoría de sistemas dinámicos en un entorno unidimensional para demostrar que nuestro método propuesto supera el aprendizaje semi-supervisado basado en la similitud de características tradicional. Se realizó un experimento de simulación por computadora para generar datos de alta dimensión, y los resultados comprensivos revelan el potencial de adaptación de aprendizaje en entornos dinámicos para mejorar la robustez del ML frente a cambios en la distribución de datos.