Álgebra y geometría en el estudio de redes de reacciones bioquímicas
- 12-11-2026 14:00 |
- Aula Federman
Andrés Rieznik
Universidad Torcuato Di Tella
Los algoritmos de Optimización Adaptativa del Diseño (ADO, por sus siglas en inglés) utilizan estadística bayesiana y aprendizaje de máquina para identificar diseños experimentales (por ejemplo, propiedades de los estímulos, secuencias de evaluación, recompensas, etc.) que maximizan la ganancia de información esperada, permitiendo acumular información rápidamente con la menor cantidad posible de ensayos.Los algoritmos existentes requieren mucho tiempo de cómputo y solo resultan prácticos cuando se intenta discriminar entre un conjunto limitado de modelos. Por lo tanto, tradicionalmente, los algoritmos ADO han sido paramétricos, es decir, han supuesto que la curva que se busca medir tiene una determinada forma analítica (exponencial, ley de potencias, etc.). Debido a estos fuertes supuestos, los algoritmos ADO tradicionales son particularmente vulnerables a errores de especificación del modelo.En este trabajo proponemos un nuevo algoritmo ADO bayesiano, rápido y no paramétrico, para curvas monótonas, y presentamos simulaciones con valores de referencia conocidos (ground truth) y resultados experimentales que demuestran su eficacia.