Supervised learning in time-dependent environments with performance guarantees

Resumen

En esta tesis, establecemos metodologías para el aprendizaje supervisado a partir de una secuencia detareas dependientes del tiempo que explotan eficazmente la información de todas las tareas, proporcionanuna adaptación multidimensional a los cambios de tareas y ofrecen garantías de rendimiento ajustadas ycomputables. Desarrollamos métodos para entornos de aprendizaje supervisado en los que las tareasllegan a lo largo del tiempo, incluidas técnicas de clasificación supervisada bajo concept drift y técnicasde continual learning. Además, presentamos técnicas de previsión de la demanda de energía que puedenadaptarse a los cambios temporales en los patrones de consumo y evaluar las incertidumbres intrínsecasde la demanda de carga. Los resultados numéricos muestran que las metodologías propuestas puedenmejorar significativamente el rendimiento de los métodos existentes utilizando múltiples conjuntos dedatos de referencia. Esta tesis hace contribuciones teóricas que conducen a algoritmos eficientes paramúltiples escenarios de aprendizaje automático que proporcionan garantías de rendimiento computables yun rendimiento superior al de las técnicas más avanzadas.