Generación sintética de datos para modelos de Machine Learning orientados a la caracterización dieléctrica de líquidos mediante un resonador dieléctrico

Abstract

Este trabajo final de grado explora el uso de técnicas de generación de datos sintéticos (SDG) y modelos generativos profundos para optimizar la caracterización de disoluciones de compuestos orgánicos utilizando sensores de microondas (MW) basados en resonadores dieléctricos. A través de un minucioso análisis de técnicas de aprendizaje profundo (DL), se desarrolló un modelo de DL que produce datos sintéticos indiferenciables de los datos reales, superando retos como el alto costo asociado al entrenamiento con conjuntos de datos grandes y complejos. Se implementaron dos modelos principales, CTGAN y TVAE, y se llevaron a cabo estrategias de entrenamiento diferenciadas y afinación de hiperparámetros. El análisis comparativo reveló que los VAEs, como TVAE, son más aptos para la generación de datos sintéticos en este contexto. Estos hallazgos tienen implicaciones significativas para mejorar la eficacia y eficiencia de los sensores MW y abrir nuevas líneas de investigación en la caracterización de compuestos orgánicos y técnicas de SDG.

This final degree work explores the use of synthetic data generation (SDG) techniques and deep generative models to optimize the characterization of organic compound dissolutions using dielectric resonator-based microwave (MW) sensors. Through a thorough analysis of deep learning (DL) techniques, a DL model was developed that produces synthetic data indistinguishable from real data, overcoming challenges such as the high cost associated with training with large and complex data sets. Two main models, CTGAN and TVAE, were implemented, and differentiated training strategies and hyperparameter tuning were carried out. Comparative analysis revealed that VAEs, such as TVAE, are better suited for synthetic data generation in this context. These findings have significant implications for improving the effectiveness and efficiency of MW sensors and opening new lines of research in organic compound characterization and SDG techniques.