Reto
- Las técnicas tradicionales de aumento, como rotación, escalado y traslación, no son aplicables a todos los tipos de datos.
- El pequeño tamaño del conjunto de datos dificulta los desarrollos de dl.
- La recopilación de datos adicionales puede resultar prohibitiva, sobre todo en ámbitos especializados.
Metodología
- cGANs para el aumento de datos:
- Utilización de redes adversariales generativas condicionales (cGAN) para generar datos fisiológicos sintéticos.
- Los cGAN aprenden la distribución de datos subyacente y crean muestras de datos diversas y realistas.
Resultado y valor añadido
- Ampliación de datos:
- Se amplió el pequeño conjunto de datos original generando una cantidad sustancial de datos fisiológicos nuevos y realistas.
- Mejora del rendimiento del modelo:
- El conjunto de datos aumentado mejoró el entrenamiento del modelo, lo que condujo a una mayor precisión predictiva y generalización.
- Solución rentable:
- Reducción del coste y el tiempo asociados a la recogida manual de datos, al tiempo que se obtienen resultados comparables o superiores.
Descubre más
Proyectos Relacionados
Consultoría tecnológica
Nuestras competencias
Con INVENSITY a su lado, tendrá acceso a nuestro amplio abanico de competencias, a nuestros profundos conocimientos y a nuestro equipo de consultores altamente cualificados y experimentados.
