El equipo formado por Francisco Javier Galán Sales, Manuel Jesús Jiménez Navarro, Belén Vega Márquez y José María Luna Romera presenta Harmonic-Enhanced Feature Selection (HEFS), una innovadora metodología orientada a mejorar la precisión en predicción reduciendo el coste computacional y energético.
un método de selección de características basado en el análisis en frecuencia, diseñado específicamente
para tareas de predicción en series temporales.
HEFS aprovecha la Transformada Rápida de Fourier (FFT) y las relaciones armónicas para identificar
las variables temporales más relevantes, permitiendo construir modelos de machine learning
más eficientes y sostenibles.
📖 El artículo está disponible en acceso abierto (Open Access):
👉 Leer el artículo completo
Machine Learning más eficiente y sostenible
Uno de los principales aportes de HEFS es su capacidad para:
- Mejorar la precisión en tareas de forecasting.
- Reducir el número de características necesarias en el modelo.
- Disminuir el coste computacional y el consumo energético.
- Impulsar prácticas alineadas con el Green Computing y la Sustainable AI.
En un contexto donde el impacto energético de los modelos de inteligencia artificial es cada vez más relevante,
propuestas como HEFS suponen un avance significativo hacia pipelines de aprendizaje automático más sostenibles.
Innovación en selección de características para series temporales
La selección de características es un paso crítico en el desarrollo de modelos predictivos.
HEFS introduce una perspectiva basada en el dominio frecuencial, aportando una alternativa sólida
a los métodos tradicionales de selección en el dominio temporal.
Este trabajo refuerza la línea de investigación del grupo en áreas como:
- Machine Learning aplicado a series temporales
- Optimización y eficiencia computacional
- Inteligencia Artificial sostenible
- Selección de características basada en frecuencia