Examinando por Autor "Emaldi, Mikel"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    A comparative analysis of human behavior prediction approaches in intelligent environments
    (MDPI, 2022-01-18) Almeida, Aitor; Bermejo Fernández, Unai ; Bilbao Jayo, Aritz ; Azkune Galparsoro, Gorka; Aguilera, Unai ; Emaldi, Mikel ; Dornaika, Fadi; Arganda-Carreras, Ignacio
    Behavior modeling has multiple applications in the intelligent environment domain. It has been used in different tasks, such as the stratification of different pathologies, prediction of the user actions and activities, or modeling the energy usage. Specifically, behavior prediction can be used to forecast the future evolution of the users and to identify those behaviors that deviate from the expected conduct. In this paper, we propose the use of embeddings to represent the user actions, and study and compare several behavior prediction approaches. We test multiple model (LSTM, CNNs, GCNs, and transformers) architectures to ascertain the best approach to using embeddings for behavior modeling and also evaluate multiple embedding retrofitting approaches. To do so, we use the Kasteren dataset for intelligent environments, which is one of the most widely used datasets in the areas of activity recognition and behavior modeling
  • Miniatura
    Ítem
    Recomendación de conjuntos de datos enlazados basada en minería de grafos
    (Universidad de Deusto, 2015-11-13) Emaldi, Mikel; López de Ipiña González de Artaza, Diego; Corcho García, Oscar; Facultad de Ingeniería; Ingeniería Informática y Telecomunicación
    Desde que Tim Berners-Lee presentó el concepto de Linked Open Data (“datos abiertos enlazados” en español) en el año 2006, su popularidad y adopción ha ido en aumento. Basado en el paradigma de publicación de información en la Web presentado por Berners-Lee, Hendler y Lassila, y conocido como “Web Semántica”, Linked Open Data dicta una serie de reglas para la correcta publicación de conjuntos de datos en la Web a) utilizar URI para describir objetos del mundo real, b) dichas URI serán HTTP URI para que el acceso a ellas sea posible de manera universal, c) al acceder a estas URI se mostrará información relevante a través de los estándares definidos por el World Wide Web Consortium (W3C), como las diferentes representaciones del modelo RDF o el lenguaje de consulta SPARQL y d) se incluirán enlaces hacia otros conjuntos de datos, permitiendo la obtención de nuevo conocimiento. Más adelante, Tim Berners-Lee presentaba una escala por la cual se podría calcular la calidad de los conjuntos de datos publicados como Linked Open Data. Esta escala, compuesta por cinco niveles, otorga una estrella por cada nivel superado por el conjunto de datos: 1. Los datos están disponibles en la Web (en cualquier formato) con una licencia que permita considerarlos Open Data, o datos abiertos. 2. Se encuentran disponibles en un formato fácilmente procesable por máquinas (por ejemplo, un documento MS Excel en lugar de una imagen de una tabla escaneada). 3. Además de encontrarse en un formato fácilmente procesable por máquinas, este formato es libre (por ejemplo, un fichero CSV (Comma-Separated Values) en lugar de un fichero MS Excel). 4. Los datos han sido publicados siguiendo los estándares del W3C (RDF y SPARQL). 5. Los datos están enlazados con otros datos, proveyendo contexto y enriqueciéndolos. A raíz de la adopción del paradigma Linked Open Data por empresas y organizaciones han surgido nuevos retos dentro del proceso de publicación de datos en la Web. Uno de ellos trata sobre el último nivel de la escala: el enlazado entre diferentes conjuntos de datos. En la actualidad cuando se publica un nuevo conjunto de datos, el administrador de este conjunto de datos dispone de muy pocas pistas a la hora de seleccionar otros conjuntos de datos con los cuales enlazar el suyo propio. Es cierto que existen catálogos como The Datahub que almacenan metadatos sobre los conjuntos de datos, pero la mayoría de las veces resultan insuficientes, obligando al administrador del conjunto de datos a dedicar excesivo tiempo en la búsqueda de conjuntos de datos relacionados. Para solucionar esta problemática, en esta tesis doctoral se ha desarrollado un sistema que, analizando la estructura de los conjuntos de datos, recomienda otros conjuntos de datos candidatos a ser enlazados con una gran precisión. Para ello, se sintetiza la estructura de los grafos RDF y se aplican técnicas de minería de grafos para extraer los subgrafos más frecuentes de cada conjunto de datos. Una vez extraídos, se buscan similitudes entre estos subgrafos para establecer posibles relaciones entre los conjuntos de datos. Además, junto con esta solución, se han desarrollado una metodología para la síntesis de conjuntos de datos y un juego de ensayo para evaluar las recomendaciones de enlazado de conjuntos de datos.