En los últimos años, uno de los avances más prometedores en la Inteligencia Artificial ha sido el modelado generativo aplicando Redes Neuronales Generativas Antagónicas (Generative Adversarial Networks, GAN). Las GAN se utilizan para generar imágenes realistas que engañan al ojo humano, la edición de fotografías, la generación de imágenes a partir de texto o la producción de sonido y video. Todo ello ha motivado su aplicación en dominios de todo tipo como la medicina, la ingeniería, la ciencia, el diseño, el arte y los videojuegos.

El entrenamiento de las GAN se realiza aplicando un paradigma adversarial/antagónico, en el que dos redes neuronales profundas compiten para optimizar sus parámetros. La competición definida por el entrenamiento de las GAN las conecta con la coevolución competitiva de las especies en la Naturaleza, similar a las relaciones depredador/presa en las que el depredador evoluciona para perfeccionar su estrategia de caza y la presa para mejorar sus técnicas de evasión. Así, se están proponiendo diferentes soluciones basadas en Algoritmos Coevolutivos para mejorar la convergencia del entrenamiento de las GAN.

Durante la charla se introducirán los conceptos fundamentales de las redes GAN, sus principales patologías y cómo las estrategias basadas en Computación Evolutiva se están aplicando en el entrenamiento de las GAN.

Bio:

Jamal Toutouh es Profesor Ayudante Doctor en la Universidad de Málaga (España). Anteriormente, fue becario postdoctoral Marie Skłodowska Curie en el laboratorio CSAIL del Instituto Tecnológico de Massachusetts (MIT) de Estados Unidos. Obtuvo su doctorado en Tecnologías Informáticas en la Universidad de Málaga. Durante sus estudios de doctorado, Jamal analizó e ideó métodos de Aprendizaje Automático y optimización inspirados en la Naturaleza para abordar problemas en el dominio de la movilidad inteligente. Su tesis doctoral fue galardonada con varios premios, entre ellos el de Mejor Tesis Doctoral Española en Smart Cities (2018).

Actualmente, es un entusiasta del Modelado Generativo y las GAN. Su
investigación explora la combinación de enfoques basados en el Gradiente
Descendente y en la Computación Evolutiva para abordar el Modelado
Generativo Profundo. En concreto, Jamal se centra en la mejora de la
eficacia y la eficiencia del entrenamiento de las Redes Generativas
Antagónicas (GAN) para afrontar diferentes retos relacionados con la
Mecánica de Fluidos, las Ciudades Inteligentes, la Movilidad Inteligente
y el Cambio Climático. Los trabajos de investigación cuentan con siete
premios y nominaciones en congresos de prestigio como GECCO. Asimismo,
Jamal ha sido invitado a dar charlas y tutoriales en congresos de
prestigio como GECCO, CEC y PPSN y en universidades internacionales.