Marcelino Lázaro
Profesor Titular de Universidad
Departamento de Teoría de la Señal y Comunicaciones
Universidad Carlos III de Madrid
Av. Universidad 30, 28911 Leganés - MADRID
ESPAÑA
Proyecto PID2021-125652OB-I00
Ayuda PID2021-125652OB-I00 financiada por:
Aprendizaje Máquina para Gestión Inteligente de Alarmas (ML-SAM)
El proyecto ML-SAM (Machine Learning for Smart Alarm Management) se enmarca dentro del marco general del Aprendizaje Máquina o Machine Learning (ML). En particular, considera todas las actividades de investigación que son necesarias para resolver un problema de interés actual: el desarrollo de un sistema inteligente de gestión de alarmas para asistir al centro de operación de infraestructuras críticas a gran escala (como las relacionadas con la generación, distribución y suministro de agua, electricidad o gas, redes de comunicaciones de área amplia, redes de transporte y logística, sistemas de atención sanitaria de emergencia o vigilancia ambiental).
Hoy en día, la gestión de redes es una tarea orientada al negocio, y los operadores deben encontrar estrategias eficientes para resolver rápidamente los incidentes de la red, mitigando así el impacto de la degradación del servicio (impacto económico directo, satisfacción del usuario, etc.). Con el despliegue de nuevas tecnologías de comunicación (5G) y el aumento esperado en la cantidad de elementos, dispositivos y recursos conectados (especialmente con la llegada de IoT), los operadores han centrado sus esfuerzos en el desarrollo de sistemas automatizados para apoyar la gestión de sus redes. Estos sistemas deben incluir funcionalidades como análisis de fallos (predicción, detección y priorización), gestión de alarmas (clasificación y agrupamiento) y notificación de alertas.
Las especiales características de este problema requieren una importante actividad investigadora en varias áreas relacionadas. Los datos subyacentes están desequilibrados, el entorno es dinámico y es necesario resolver problemas de clasificación binaria y problemas de clasificación ordinal multiclase en este tipo de entornos. Los principales objetivos del proyecto son:
- Desarrollar un módulo de detección de alarmas que implica los siguientes objetivos técnicos:
- Desarrollar nuevos métodos ML fundamentados para la clasificación binaria de datos con desequilibrio
- Desarrollar métodos robustos bajo deriva de concepto en escenarios dinámicos
- Integrar los modelos dinámicos con los clasificadores ML fundamentados
- Desarrollar un sistema de gestión inteligente de alarmas para dar soporte a los operadores de red en la generación de órdenes de trabajo para solucionar las incidencias, lo que requiere:
- Desarrollar nuevos métodos ML para la clasificación multiclase y ordinal de datos con desequilibrio
- Diseñar nuevos métodos de agrupación de patrones
También hay objetivos de investigación secundarios relacionados con las características del problema, que requiere preprocesar datos y usar Big Data Analytics, y relacionados con los requisitos del 'Derecho a Explicación' de la normativa de la UE:
- Desarrollar técnicas adecuadas de preprocesamiento de datos para tratar datos heterogéneos e incompletos
- Implementar los métodos ML desarrollados en un marco de Big Data Analytics
- Desarrollar mótodos para la explicabilidad para ML
El proyecto considera métodos fundamentados para problemas como clasificación con costes, clasificación multiclase y ordinal, capaces de trabajar en entornos dinámicos bajo deriva conceptual y bajo desequilibrio. Por tanto, tienen aplicación en innumerables problemas de gran relevancia en áreas como la salud, la economía o cualquier problema que requiera una calificación o ranking. Los avances en la explicabilidad de los métodos de aprendizaje ampliarán el ámbito de aplicación de ML en el contexto de las nuevas regulaciones de la UE.
Investigadores
- Marcelino Lázaro (IP1)
- Francisco Javier González Serrano (IP2)
- Lorena Álvarez Pérez
- Harold Y. Molina Bulla
Detalles del Proyecto
- Financiación: Ministerio de Ciencia, Innovación y Universidades (MICIU)/Agencia Estatal de Investigación (AEI)/10.13039/501100011033, y Fondo Europeo de Desarrollo Regional (FEDER Una manera de hacer Europa)
- Referencia: PID2021-125652OB-I00
- Ejecución: 01/09/2022 a 31/08/2026
Resultados
A continuación se enumeran algunos de los resultados más relevantes obtenidos durante el desarrollo del proyecto.
Publicaciones en Revista
- Neural network for ordinal classification of imbalanced data by minimizing a Bayesian cost
Marcelino Lázaro, Aníbal R. Figueiras-Vidal
Pattern Recognition (2023)
https://doi.org/10.1016/j.patcog.2023.109303 - Optimum Bayesian thresholds for rebalanced classification problems using class-switching ensembles
Aitor Gutiérrez-López, Francisco Javier González-Serrano, Aníbal R. Figueiras-Vidal
Pattern Recognition (2023)
https://doi.org/10.1016/j.patcog.2022.109158 - One-step Bayesian example-dependent cost classification: The OsC-MLP method
Javier Mediavilla-Relaño, Marcelino Lázaro
Neural Networks (2024)
https://doi.org/10.1016/j.neunet.2024.106168 - COCOA: Cost-Optimized COunterfactuAl explanation method
Javier Mediavilla-Relaño, Marcelino Lázaro
Information Sciences (2024)
https://doi.org/10.1016/j.ins.2024.120616 - LSTM With Bayesian Loss for Ordinal and Imbalanced Channel Quality Prediction
Virginia Silva, Harold Molina-Bulla, Marcelino Lázaro, Mauricio Rodríguez, Matilde Sánchez-Fernández
IEEE Open Journan of the Communications Society (2025)
https://doi.org/10.1109/OJCOMS.2025.3619192 - Walsh sequences as direct Error Correcting Output Code dichotomies for multiclass problems
Lorena Álvarez-Pérez, Álvaro Callejas-Ramos
Engineering Applications of Artificial Intelligence (2026)
https://doi.org/10.1016/j.engappai.2026.114442 - A principled framework for multi-class imbalanced classification using asymmetric label switching and neutral rebalancing
Aitor Gutiérrez-López, Francisco Javier González-Serrano
Neural Computing and Applications (2026)
https://doi.org/10.1007/s00521-026-12395-3 - Context-Aware Alert Triage in Security Operations Centers: Escalation and Reporting Decisions under Label Inconsistency
Francisco Javier González-Serrano, Lorena Álvarez-Pérez, Marcelino Lázaro, Aitor Gutiérrez-López; José Luis Álvarez Aldana; Marta Gil-López; Andrés Izquierdo-Núñez; Jairo Montero-Santos
Enviado a Engineering Applications of Artificial Intelligence (En revisión) (2026)
Preprint SSRN: https://dx.doi.org/10.2139/ssrn.7536846
Publicaciones en Congresos
- Smart Incident Prediction from NOC Alert Events in Digital TV Broadcasting Networks
Francisco Javier González-Serrano, Lorena Álvarez-Pérez, Marcelino Lázaro, Aitor Gutiérrez-López; José Luis Álvarez Aldana; Marta Gil-López; Andrés Izquierdo-Núñez; Jairo Montero-Santos
Advances in Computational Intelligence. IWANN 2025. Springer LNCS-16009 (2025)
https://doi.org/10.1007/978-3-032-02728-3_33- Presentación en el Congreso (Formato PDF)
- AI-Driven Alert Triage in Security Operations Centers: Imbalanced Learning with Human-in-the-Loop Contextual Bias Modeling
Marcelino Lázaro, Lorena Álvarez-Pérez, Francisco Javier González-Serrano, Aitor Gutiérrez-López; José Luis Álvarez Aldana; Marta Gil-López; Andrés Izquierdo-Núñez; Jairo Montero-Santos
Artificial Intelligence Applications and Innovations AIAI 2026. Springer IFIP Advances in Information and Communication Technology, vol 794 (2026)
https://doi.org/10.1007/978-3-032-30805-4_11- Presentación en el Congreso (Formato PDF)
Publicaciones en Congresos Nacionales
- Sistema automático de predicción de incidencias en redes de difusión de TV digital
Lorena Álvarez-Pérez, Francisco Javier González-Serrano, Marcelino Lázaro, Harold Y. Molina-Bulla
URSI 2025. Simposio Nacional de la Unión Científica Internacional de Radio (2025)
- Presentación en el Congreso (Formato PDF)
