Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)

Autores
Luque, Leandro; Ganuza, María Luján; Agamennoni, Osvaldo Enrique; Castro, Silvia Mabel
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El análisis de series temporales es un tema ampliamente discutido en la literatura, por su complejidad a la hora de crear modelos generales que permitan capturar patrones ocultos en los datos. Esto conlleva a que para cada escenario en particular, el experto de dominio deba desarrollar un modelo específico para su problema, que en la mayoría de las veces no puede ser empleado en otros. Actualmente, gracias al desarrollo de áreas como la de Machine Learning y la de Deep Learning, ha surgido una nueva familia de modelos que buscan ser más robustos e independientes de cada problema en particular. Estos nuevos modelos llamados LLM (Large Language Models) fueron desarrollados en sus inicios para tareas referidas a NLP (Natural Language Processing) y NLU (Natural Language Understanding), generando una nueva revolución en la manera en la que las computadoras pueden procesar la información en función de los requerimientos de los usuarios. Sin embargo, su funcionamiento interno se encuentra basado en el análisis de secuencias de tokens lo cual permite que pueda aplicarse el mismo enfoque a secuencias temporales. En la presente línea de investigación, se propone el estudio y desarrollo de nuevos enfoques de análisis visual y cuantitativos basados en estos nuevos modelos, a fin de aprovechar las ventajas que ofrecen y así poder ofrecer mejores interpretaciones de resultados a los expertos de dominios.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Análisis Visual de Datos
Eye Tracking
Visualización de Series Temporales
Large Language Model
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/179817
Acceder
id SEDICI_dcbe89573c9872092f720861d45204b6
oai_identifier_str oai:sedici.unlp.edu.ar:10915/179817
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)Luque, LeandroGanuza, María LujánAgamennoni, Osvaldo EnriqueCastro, Silvia MabelCiencias InformáticasAnálisis Visual de DatosEye TrackingVisualización de Series TemporalesLarge Language ModelEl análisis de series temporales es un tema ampliamente discutido en la literatura, por su complejidad a la hora de crear modelos generales que permitan capturar patrones ocultos en los datos. Esto conlleva a que para cada escenario en particular, el experto de dominio deba desarrollar un modelo específico para su problema, que en la mayoría de las veces no puede ser empleado en otros. Actualmente, gracias al desarrollo de áreas como la de Machine Learning y la de Deep Learning, ha surgido una nueva familia de modelos que buscan ser más robustos e independientes de cada problema en particular. Estos nuevos modelos llamados LLM (Large Language Models) fueron desarrollados en sus inicios para tareas referidas a NLP (Natural Language Processing) y NLU (Natural Language Understanding), generando una nueva revolución en la manera en la que las computadoras pueden procesar la información en función de los requerimientos de los usuarios. Sin embargo, su funcionamiento interno se encuentra basado en el análisis de secuencias de tokens lo cual permite que pueda aplicarse el mismo enfoque a secuencias temporales. En la presente línea de investigación, se propone el estudio y desarrollo de nuevos enfoques de análisis visual y cuantitativos basados en estos nuevos modelos, a fin de aprovechar las ventajas que ofrecen y así poder ofrecer mejores interpretaciones de resultados a los expertos de dominios.Red de Universidades con Carreras en Informática2024-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf255-259http://sedici.unlp.edu.ar/handle/10915/179817spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-15T11:40:46Zoai:sedici.unlp.edu.ar:10915/179817Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:40:46.466SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
title Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
spellingShingle Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
Luque, Leandro
Ciencias Informáticas
Análisis Visual de Datos
Eye Tracking
Visualización de Series Temporales
Large Language Model
title_short Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
title_full Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
title_fullStr Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
title_full_unstemmed Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
title_sort Análisis visual de series temporales de eye-tracking empleando Large Language Models (LLM)
dc.creator.none.fl_str_mv Luque, Leandro
Ganuza, María Luján
Agamennoni, Osvaldo Enrique
Castro, Silvia Mabel
author Luque, Leandro
author_facet Luque, Leandro
Ganuza, María Luján
Agamennoni, Osvaldo Enrique
Castro, Silvia Mabel
author_role author
author2 Ganuza, María Luján
Agamennoni, Osvaldo Enrique
Castro, Silvia Mabel
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Análisis Visual de Datos
Eye Tracking
Visualización de Series Temporales
Large Language Model
topic Ciencias Informáticas
Análisis Visual de Datos
Eye Tracking
Visualización de Series Temporales
Large Language Model
dc.description.none.fl_txt_mv El análisis de series temporales es un tema ampliamente discutido en la literatura, por su complejidad a la hora de crear modelos generales que permitan capturar patrones ocultos en los datos. Esto conlleva a que para cada escenario en particular, el experto de dominio deba desarrollar un modelo específico para su problema, que en la mayoría de las veces no puede ser empleado en otros. Actualmente, gracias al desarrollo de áreas como la de Machine Learning y la de Deep Learning, ha surgido una nueva familia de modelos que buscan ser más robustos e independientes de cada problema en particular. Estos nuevos modelos llamados LLM (Large Language Models) fueron desarrollados en sus inicios para tareas referidas a NLP (Natural Language Processing) y NLU (Natural Language Understanding), generando una nueva revolución en la manera en la que las computadoras pueden procesar la información en función de los requerimientos de los usuarios. Sin embargo, su funcionamiento interno se encuentra basado en el análisis de secuencias de tokens lo cual permite que pueda aplicarse el mismo enfoque a secuencias temporales. En la presente línea de investigación, se propone el estudio y desarrollo de nuevos enfoques de análisis visual y cuantitativos basados en estos nuevos modelos, a fin de aprovechar las ventajas que ofrecen y así poder ofrecer mejores interpretaciones de resultados a los expertos de dominios.
Red de Universidades con Carreras en Informática
description El análisis de series temporales es un tema ampliamente discutido en la literatura, por su complejidad a la hora de crear modelos generales que permitan capturar patrones ocultos en los datos. Esto conlleva a que para cada escenario en particular, el experto de dominio deba desarrollar un modelo específico para su problema, que en la mayoría de las veces no puede ser empleado en otros. Actualmente, gracias al desarrollo de áreas como la de Machine Learning y la de Deep Learning, ha surgido una nueva familia de modelos que buscan ser más robustos e independientes de cada problema en particular. Estos nuevos modelos llamados LLM (Large Language Models) fueron desarrollados en sus inicios para tareas referidas a NLP (Natural Language Processing) y NLU (Natural Language Understanding), generando una nueva revolución en la manera en la que las computadoras pueden procesar la información en función de los requerimientos de los usuarios. Sin embargo, su funcionamiento interno se encuentra basado en el análisis de secuencias de tokens lo cual permite que pueda aplicarse el mismo enfoque a secuencias temporales. En la presente línea de investigación, se propone el estudio y desarrollo de nuevos enfoques de análisis visual y cuantitativos basados en estos nuevos modelos, a fin de aprovechar las ventajas que ofrecen y así poder ofrecer mejores interpretaciones de resultados a los expertos de dominios.
publishDate 2024
dc.date.none.fl_str_mv 2024-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/179817
url http://sedici.unlp.edu.ar/handle/10915/179817
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
255-259
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846064419549741056
score 13.22299

Publicaciones similares