https://hdl.handle.net/11185/9 Sun, 20 Sep 2026 14:22:24 GMT 2026-09-20T14:22:24Z http://https://bibliotecavirtual.intranet.unl:8080/bitstream/id/9/fich1.gif https://hdl.handle.net/11185/9 https://hdl.handle.net/11185/9003 Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas Borzone, Eugenio Esta tesis desarrolla NEAConv, una arquitectura de red neuronal en grafos pensada para predecir propiedades de pares de nodos conectados, un tipo de problema central en bioinformática (similaridad molecular, interacciones proteína-proteína, anotación funcional) que las GNNs clásicas resuelven mal porque solo agregan información de nodos e ignoran la de las conexiones. NEAConv combina un mecanismo de atención tipo transformer que procesa nodos y conexiones en conjunto, con una función de pérdida híbrida que ordena el espacio de representaciones según la similaridad entre entidades. El modelo reduce el error de predicción de similaridad molecular un 87.5 % respecto de una línea base con perceptrones, y la ablación muestra que ambos componentes aportan de forma complementaria. Un resultado colateral importante: podar el grafo dejando solo las conexiones más centrales por nodo mejoró más el rendimiento que cualquier decisión de arquitectura, lo que sugiere que limpiar la red biológica pesa tanto como sofisticar el modelo. La arquitectura se validó además en predicción de interacciones proteína-proteína (donde supera al estado del arte en cinco organismos) y en anotación con Gene Ontology (donde iguala al mejor método especializado y supera a los demás), mostrando que los principios de diseño transfieren entre dominios.; This thesis develops NEAConv, a graph neural network architecture designed to predict properties of pairs of connected nodes, a type of problem that is central in bioinformatics (molecular similarity, protein-protein interactions, functional annotation) and that classical GNNs handle poorly because they only aggregate node information and ignore the information carried by the connections. NEAConv combines a transformer-style attention mechanism that processes nodes and connections jointly with a hybrid loss function that organizes the representation space according to the similarity between entities. The model reduces the error in molecular similarity prediction by 87.5% relative to a perceptron-based baseline, and the ablation study shows that both components contribute in a complementary way. An important secondary result: pruning the graph to keep only the most central connections per node improved performance more than any architectural decision, which suggests that cleaning up the biological network matters as much as making the model more sophisticated. The architecture was further validated on protein-protein interaction prediction (where it outperforms the state of the art across five organisms) and on Gene Ontology annotation (where it matches the best specialized method and outperforms the rest), showing that the design principles transfer across domains. Fil: Borzone, Eugenio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Thu, 20 Aug 2026 00:00:00 GMT https://hdl.handle.net/11185/9003 2026-08-20T00:00:00Z https://hdl.handle.net/11185/9001 Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica Uhrig, Mariela Noelia La predicción de la demanda eléctrica es estratégica para planificar y operar los sistemas energéticos, pero resulta compleja por la interacción de factores externos, que generan dinámicas no lineales y patrones de variabilidad multiescala. Frente a las limitaciones de los modelos estadísticos clásicos, esta tesis aborda la predicción de la demanda eléctrica diaria de la provincia de Entre Ríos (Argentina) mediante un enfoque multivariado que integra registros históricos de consumo, variables meteorológicas del reanálisis ERA5-ECMWF y variables temporales. Se analizan horizontes de 1, 7 y 14 días. Como primera contribución, se desarrolla y optimiza sistemáticamente una arquitectura LSTM mediante múltiples configuraciones, búsqueda en grilla de hiperparámetros y validación cruzada. Los modelos obtenidos superan a SARIMAX y DA-SKIP, con arquitecturas más parsimoniosas y eficientes. Posteriormente, se estudian mecanismos de atención y se proponen DA-LSTM y AMBER, arquitectura que modela la relevancia de las variables meteorológicas en el contexto histórico y el horizonte de predicción. El modelo LSTM multivariado optimizado alcanza, para un día, R²=0,94 y RMSE=727,2 MWh. AMBER mejora estos resultados, con R²=0,94 y RMSE=608,86 MWh, reduce el error un 16,3% y obtiene el menor sesgo sistemático (%Bias=-0,70); a 14 días mantiene R²=0,69. Además, los pesos de atención identifican las variables térmicas y de radiación como las más relevantes. Los resultados demuestran que combinar arquitecturas recurrentes multivariadas con atención meteorológica mejora la precisión, robustez e interpretabilidad de la predicción, con aplicación directa en sistemas regionales de distribución.; Electricity demand forecasting is strategic for energy system planning and operation, but it is complex due to the interaction of external factors, which generate nonlinear dynamics and multiscale variability patterns. Given the limitations of classical statistical models, this thesis addresses daily electricity demand forecasting in the province of Entre Ríos, Argentina, through a multivariate approach that integrates historical consumption records, meteorological variables from the ERA5-ECMWF reanalysis, and temporal variables. Forecast horizons of 1, 7, and 14 days are analyzed. As a first contribution, an LSTM architecture is systematically developed and optimized using multiple configurations, grid search for hyperparameters, and cross-validation. The resulting models outperform SARIMAX and DA-SKIP while using more parsimonious and efficient architectures. Subsequently, attention mechanisms are investigated, and DA-LSTM and AMBER are proposed; the latter models the relevance of meteorological variables in both the historical context and forecast horizon. For the one-day horizon, the optimized multivariate LSTM model achieves R² = 0.94 and RMSE = 727.2 MWh. AMBER improves these results, achieving R² = 0.94 and RMSE = 608.86 MWh, reducing the error by 16.3%, and yielding the lowest systematic bias (%Bias = −0.70); at the 14-day horizon, it maintains R² = 0.69. In addition, the attention weights identify thermal and radiation variables as the most relevant. The results demonstrate that combining multivariate recurrent architectures with meteorological attention improves forecasting accuracy, robustness, and interpretability, with direct applicability to regional distribution systems. Fil: Uhrig, Mariela Noelia. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Wed, 26 Aug 2026 00:00:00 GMT https://hdl.handle.net/11185/9001 2026-08-26T00:00:00Z https://hdl.handle.net/11185/9000 Medidas de información y análisis de conectividad de señales de EEG Catanzariti, Magaly Belén Esta tesis aborda el desarrollo y la aplicación de herramientas matemáticas para el análisis de imágenes y señales biomédicas, integrando análisis funcional, procesamiento de señales y neurociencia computacional. El trabajo se estructura en dos líneas de investigación. La primera línea corresponde al desarrollo de un nuevo método para comparar imágenes multidimensionales denominado Phase Divergence Index (PDI). A partir de un marco teórico basado en espacios funcionales, distribuciones temperadas y transformadas de Fourier, Hilbert y Riesz, se construye una representación de fase multidimensional que permite definir un índice sensible a cambios estructurales. El método fue evaluado sobre imágenes sintéticas y reales, demostrando robustez frente a variaciones de intensidad, ruido y rotaciones, y capacidad para detectar diferencias estructurales no evidentes mediante técnicas convencionales. La segunda línea se centra en el análisis de señales electroencefalográficas (EEG) mediante herramientas lineales, no lineales y de conectividad funcional. Se emplearon la Densidad Espectral de Potencia (PSD), la Entropía de Permutación (PE), las Complejidades de Lempel–Ziv (LZC) y Conjunta de Lempel–Ziv (JLZC), la coherencia espectral y el Phase Lag Index (PLI) para caracterizar la dinámica cerebral. Las metodologías fueron aplicadas a cuatro bases de datos. En perros se estudiaron los efectos del envejecimiento y la trazodona durante el sueño, observándose cambios en la actividad espectral, la complejidad temporal y la conectividad funcional. En niños se analizaron cambios asociados a tareas creativas, evidenciando una reorganización de la actividad oscilatoria y la comunicación entre regiones cerebrales. En recién nacidos prematuros se evaluó la evolución de la complejidad cerebral durante la maduración temprana, mostrando que estas métricas permiten caracterizar la organización temporal y espacial de la actividad neuronal.; This thesis addresses the development and application of mathematical tools for the analysis of biomedical images and signals, integrating functional analysis, signal processing, and computational neuroscience. The work is structured into two research lines. The first line focuses on the development of a new method for comparing multidimensional images, called the Phase Divergence Index (PDI). Based on a theoretical framework involving functional spaces, tempered distributions, and the Fourier, Hilbert, and Riesz transforms, a multidimensional phase representation is constructed to define an index sensitive to structural changes. The method was evaluated on synthetic and real images, showing robustness to variations in intensity, noise, and rotations, as well as the ability to detect structural differences not evident with conventional techniques. The second line focuses on the analysis of electroencephalographic (EEG) signals using linear, nonlinear, and functional connectivity tools. Power Spectral Density (PSD), Permutation Entropy (PE), Lempel–Ziv Complexity (LZC), Joint Lempel–Ziv Complexity (JLZC), spectral coherence, and the Phase Lag Index (PLI) were used to characterize brain dynamics. The methodologies were applied to four independent datasets. In dogs, the effects of aging and trazodone during sleep were studied, revealing changes in spectral activity, temporal complexity, and functional connectivity. In children, changes associated with creative tasks were analyzed, showing a reorganization of oscillatory activity and communication between brain regions. In preterm newborns, the evolution of brain complexity during early maturation was evaluated, showing that these metrics characterize the temporal and spatial organization of neural activity. Fil: Catanzariti, Magaly Belén. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Tue, 07 Jul 2026 00:00:00 GMT https://hdl.handle.net/11185/9000 2026-07-07T00:00:00Z https://hdl.handle.net/11185/8957 Desarrollo de técnicas avanzadas en análisis de datos mediante hipergrafos Bilbao, Dalma En esta tesis se desarrolla y aplica la teoría de hipergrafos como una generalización de los grafos simples para modelar relaciones de alto orden entre las componentes de sistemas complejos. Se proponen distintos métodos para la construcción de hipergrafos a partir de métricas adaptadas a los datos, junto con herramientas de teoría de la información, en particular medidas de entropía, para caracterizar la complejidad y organización de los sistemas. El trabajo se centra en el análisis de señales neuronales obtenidas mediante EEG, fMRI y MEG, aplicadas al estudio de enfermedades neurodegenerativas y distintos estados de conciencia. Se desarrollan métodos basados en la conectividad funcional mediante Phase Lag Index (PLI), así como hipergrafos métricos, hipergrafos multicapa e hipergrafos k-regulares. Asimismo, se proponen medidas de distancia y cuantificadores estructurales para el análisis y comparación de hipergrafos. Los métodos desarrollados permiten caracterizar, diferenciar e identificar cambios relevantes en las señales y estructuras analizadas, mostrando el potencial de la teoría de hipergrafos para el estudio de relaciones de orden superior en datos neurocientíficos y en conjuntos de datos generales.; om metrics adapted to the data are proposed, together with information-theoretic tools, particularly entropy-based measures, to characterize the complexity and organization of these systems. The work focuses on the analysis of neural signals obtained through EEG, fMRI, and MEG, with applications to the study of neurodegenerative diseases and different states of consciousness. Methods based on functional connectivity using the Phase Lag Index (PLI), as well as metric hypergraphs, multilayer hypergraphs, and k-uniform hypergraphs, are developed. In addition, distance measures and structural quantifiers are proposed for the analysis and comparison of hypergraphs. The proposed methods enable the characterization, differentiation, and identification of relevant changes in the signals and structures under study, demonstrating the potential of hypergraph theory for analyzing higher-order relationships in neuroscientific data and in general datasets. Fil: Bilbao, Dalma. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. Wed, 06 May 2026 00:00:00 GMT https://hdl.handle.net/11185/8957 2026-05-06T00:00:00Z