Con el fin de visibilizar el trabajo en Investigación, ahora en nuestro sitio web, encontrarás papers publicados durante el primer semestre del 2025-1 de cada profesor ó profesora que a su vez son investigadores e investigadoras.
En esta oportunidad se publican investigaciones de Miguel Romero, académico del Departamento Ciencia de la Computación – Escuela de Ingeniería de la Pontificia Universidad Católica de Chile e investigador del Centro Nacional de Inteligencia Artificial (CENIA).
- “Explaining k-Nearest Neighbors: Abductive and Counterfactual Explanations”.
Pablo Barceló, Alexander Kozachinskiy, Bernardo Subsercaseaux, José Verschae and Miguel Romero*
Disponible: https://dl.acm.org/doi/10.1145/3725234
La investigación propone nuevas formas de explicar modelos k-Nearest Neighbors desde una perspectiva centrada en las características del dato, en lugar de los vecinos cercanos. Estudia explicaciones abductivas (qué características bastan para justificar una clasificación) y contrafactuales (qué cambios mínimos alterarían la clasificación), analizando su complejidad teórica y mostrando que, pese a algunos casos difíciles, es posible computarlas en la práctica con técnicas como programación cuadrática entera y SAT solving. - “Minimizing Conjunctive Regular Path Queries”.
Diego Figueira, Rémi Morvan and Miguel Romero*
Disponibilidad: https://dl.acm.org/doi/10.1145/3725237
Este estudio aborda la minimización de consultas de caminos regulares conjuntivas (CRPQs) y sus uniones (UCRPQs), mostrando que el problema es decidible en ambos casos. Para CRPQs, la complejidad va de ExpSpace a 2ExpSpace; para UCRPQs, es ExpSpace-completa, igual que el problema de contención. En una clase restringida de UCRPQs con expresiones regulares simples, la minimización es ΠP₂-completa. - “How Expressive are Knowledge Graph Foundation Models?“
Xingyue Huang, Pablo Barceló, Michael M. Bronstein, Ismail Ilkan Ceylan, Mikhail Galkin, Juan L Reutter and Miguel Romero*
Disponible: https://openreview.net/forum?id=mXEdUcLtaK
Este estudio analiza el poder expresivo de los modelos fundacionales para grafos de conocimiento (KGFMs), que pueden generalizar a grafos con vocabularios relacionales completamente nuevos. Los autores demuestran que la expresividad de estos modelos depende de los motifs utilizados para aprender las representaciones de relaciones. Observan que los motivos comúnmente usados son binarios, lo que limita la expresividad, y proponen modelos más potentes basados en motivos más ricos (por ejemplo, interacciones entre tríos de relaciones). Validan empíricamente que estos motivos más complejos mejoran el rendimiento en múltiples dominios.
Te invitamos a revisar los Laboratorios de Investigación dentro del DCC UC:https://dcc.ing.uc.cl/investigacion/laboratorios/
Te invitamos a revisar los Centros de Investigación Asociados al DCC UC: https://dcc.ing.uc.cl/investigacion/centros-de-investigacion-asociados/
