Predictive Coding - University of Washington

“Predictive Coding” o Codificación predictiva es un es una estructura para la comprensión de la reducción de la redundancia y una codificación eficiente en el sistema nervioso.

Al transmitir sólo las partes imprevistas de una señal sensorial, codificación predictiva permite al sistema nervioso reducir la redundancia y hacer un uso completo del rango dinámico limitado de neuronas.

Partiendo de esta hipótesis, codificación de predicción proporciona una explicación funcional para una gama de respuestas neuronales y muchos aspectos de la organización del cerebro como en campos receptivos de la retina y para ser compatible con una variedad de datos neurofisiológicos y psicofísicos obtenidos de diferentes áreas del cerebro.

A Hierarchical Architecture for Adaptive Brain-Computer Interfacing - University of Washington

Por un lado un BCI no invasivo evita la fatiga del usuario y su desventaja es que, a través de su sistema de señales electrocefálicas, recibe señales débiles y poco claras; en contraste un BCI invasivo recibe señales muchísimo más claras, pero termina agotando al usuario por el control constante.

En esta investigación se propone una nueva arquitectura jerárquica de adaptación para el BCI, donde se enseñe al usuario en el transcurso de la experiencia. Posteriormente esas habilidades se invocan como comandos de alto nivel, solucionando el tedioso uso del bajo nivel.

Se hizo la prueba con 4 sujetos y debían entrenar y controlar un robot humanoide en un entorno de hogar virtual. Se usaron procesos Gaussianos para que aprendiera comandos de alto nivel y así el BCI decidiera entre ser autónomo o guiado por el usuario en un momento de duda.

Concluyeron que la arquitectura jerárquica de adaptación para el BCI puede proveer una robusta y flexible forma de controlar complejos robots en entornos del mundo real.

Probabilistic co-adaptive brain–computer interfacing - University of Washington

El objetivo del proyecto es decodificar las señales del cerebro con mayor exactitud y la necesidad de co-adaptación entre el cerebro y la BCI con el fin de lograr juntos una tarea.

En la investigación se propone un nuevo sistema BCI basado en POMDPs (Partially Observable Markov Decision Processes).

Los resultados sugieren que el basarse en un marco de POMDPs es una buena propuesta para el diseño de BCI que deban manejar las señales neuronales y la co-adaptación con el usuario sobre una base continua. 

El hecho de que el POMDP BCI mantiene una distribución de probabilidad sobre el estado del cerebro del usuario permite una forma mucho más potente de la toma de decisiones que los enfoques tradicionales de BCI, que normalmente se han basado en la salida de los clasificadores o técnicas de regresión. Además, la co-adaptación del sistema permite que el BCI para hacer mejoras en su comportamiento, ajustándose automáticamente a las circunstancias cambiantes del usuario.

Acelerando el descubrimiento en las ciencias climatológicas con aprendizaje automático - University of Washington

Los científicos han observados cambios en la temperatura, el nivel del mar y los polos. Lo que ha convertido una prioridad internacional la creación de un sistema que se encargue de entender el clima. Este sistema funciona utilizando modelos climáticos dados por los climatólogos entonces cuando actúa el sistema, este trabaja cuando se detecta una anomalía en el clima el cual mediante el uso de algoritmos de aprendizaje automático este realiza un tipo de match con algún fenómeno climático y el sistema da una predicción de lo que pueda suceder mediante previas experiencias. Esto aún es un prototipo ya que aún tiene muchas fallas como por ejemplo que estamos en unos tiempos en los que hay cambios climáticos muy constantes y no le permiten al sistema realizar un adecuado análisis de la situación por el constante cambio. Lo bueno de este sistema es que ya se ha comprobado que el mismo al no tener en cuenta una situación el mismo busca una situación similar que haya ocurrido y que tenga en su base de conocimiento y realiza una inferencia para poder sacar su propia conclusión. 

Decision-Theoretic Control for Crowdsourced Workflows - University of Washington

Crowdsourcing es un marco de referencia reciente en el cual las tareas de la inteligencia humana están externalizadas hacia una multitud de personas desconocidas como una llamada abierta. Crowdsourcing se ha convertido en inmensamente popular con hordas de trabajadores, quienes lo usan para resolver una gran variedad de trabajos. Para obtener un mayor resultado de calidad, los solicitantes subdividen una larga tarea en una cadena de pequeñas sub tareas que se combinan en un complejo, iterativo flujo de trabajo, en el cual los trabajadores revisan y mejoran sus resultados.

Crowdsourcing Taxonomy Creation - University of Washington

El objetivo es analizar grandes proyectos en el trabajo que puede ser realizado en microtareas paralelas. Algoritmos paralelos de multitud habilitan centenas de personas a aportar a la misma vez. Convirtiendo tareas en cortas microtareas hace que sea más atractivo para que las personas contribuyan en sus tiempos libres.

Accessible Goal Crossing Project - University of Washington

El proyecto de cruce de metas accesibles es fundada por la National Science Foundation como un esfuerzo para crear interfaces de usuarios más accesible a personas con discapacidades motoras mediante el uso de cruce de metas en vez de apuntar y hacer clic, lo que es difícil para muchas personas. Aunque cruce de metas ha sido investigado en los Tablet Computers para el uso de cuerpos pudientes, presenta retos sustancialmente diferentes cuando es usado en el escritorio con dispositivos que controlan el cursor por personas con discapacidades motoras.

Proyectos - Planeo y Control Automatizado

Proyectos actuales
·         MDP Solvers That Scale. Desarrollo de algoritmos para la resolucion de grandes MDPs.
·     The Theory of Temporal Planning. La caracterización de cuales aspectos del dominio del planeamiento (o lenguaje de modelado) hacen el planeamiento temporal difícil.

Proyectos pasados
·   Concurrency in MDPs. Aumentar los MDPs para encargarse de acciones concurrentes temporalmente extendidas.
·         BlackBox. Un sistema de planeamiento que combina la tecnología SAT con Graphplan.
·     TGP. Un planeador temporal rápido, direccionado a los dominios de naves espaciales de la NASA.
·         LPSAT. Un planeador de recursos métricos, el cual compila problemas de planeamiento a una combinación lineal de desigualdades y formulas SAT --- para ser resueltas por un solucionador hibrido, combinando un solucionador de satisfacibilidad sistemática con un algoritmo de Simples incremental.
·         Theory of Planning Under Uncertainty. Investigación de la computabilidad del MDP.
·         MEDIC. Compila problemas STRIPS en problemas de satisfacibilidad.
·         PYRRHUS. Encuentra planes óptimos para funciones de valor directo a una meta.
·         ZENO. Planeador temporal que se encarga de metas de fecha tope y cambio continuo.
·         BURIDAN. Planeador de razones probabilísticas sobre la incertidumbre.
·         CBURIDAN. Extiende BURIDAN son acciones de detección y ejecución contingente.
·       XII. Ejecuta acciones de detección para encargarse de información incompleta con el softbot de Internet.
·         OCCAM. Planeador optimizado para la recolección de información y controla el softbot Razor.
·    UCPOP. Una vez el planeador estándar del punto de referencia (distribuido a 100+ sitios), UCPOP se encargó de cuantificaciones universales, efectos condicionales, y universos dinámicos con un sonido y algoritmo completo.
·         FABIAN. Planea con acciones abstractas que se generan automáticamente.

University of Washington

Control y Planeamiento Automatizado 

El grupo de planeamiento de la Universidad de Washington ha estado activo en el desarrollo de algoritmos de planeamiento y representaciones desde 1990.
Actualmente, el grupo está activo en una gran variedad de áreas incluyendo control robótico, uso del planeamiento y modelos de control en la neurociencia computacional y planeamiento automatizado sobre incertidumbre. Además, también estand incluidas varias áreas de aplicación, como diseño inteligente de juegos, manejo de energía, crowdsourcing y educación online.

Interfaces Cerebro-Computador 

En 2006, el grupo se convirtió en uno de los primeros en demostrar el control de un robot
humanoide utilizando una interfaz de ordenador cerebral no invasiva (BCI). Otra
investigación original demostró que la BCI se puede utilizar para comandar un robot
humanoide HOAP-2 para seleccionar a buscar objetos deseados desde ubicaciones
remotas. Han propuesto recientemente un marco para la adaptación interfaz cerebro-
ordenador jerárquica que permite al usuario enseñar a un robot nuevos comportamientos
sobre la marcha. Estos comportamientos más tarde pueden ser invocados como comandos
de alto nivel, aliviando al usuario de control de bajo nivel tedioso. Hemos demostrado el uso
de este enfoque Hobbes (nuestro robot PR2) para tareas de manipulación a distancia. Tal
sistema puede permitir que un paciente gravemente paralizado utilizar un robot como un
proxy para realizar una tarea sin necesidad de movimiento físico.

Más recientemente, han comenzado a explorar métodos probabilísticos para BCI co-
adaptativa. Con este diseño, el BCI y el usuario interactúan de manera cooperativa para
resolver una tarea determinada. Debido a la generalidad del enfoque, es aplicable a una
amplia variedad de problemas de control de ruido, además de varios tipos de aplicaciones
BCI.

Neurociencia Computacional

La neurociencia cognitiva computacional estudia las funciones cognitivas de alto nivel que
se dan el cerebro, dentro del marco de los modelos computacionales. Las funciones de alto
nivel se refieren a los mecanismos de procesado de información que ocurren a gran escala,
siendo el nivel más bajo de procesamiento de información la que se da en la dinámica de
neuronas individuales.

Otros campos
Climate informatics: Acelerando el descubrimiento en las ciencias climatológicas con aprendizaje automático.