BIOGRAFIA
El Dr.
Leonardo Franco creció en Argentina, donde
completó sus estudios de máster y doctorado en
el grupo de Física Teórica de FaMAF, Universidad
Nacional de Córdoba. Obtuvo el doctorado bajo la
supervisión del Dr. Sergio A. Cannas, estudiando
las propiedades de generalización de redes
neuronales feedforward.
Realizó una estancia posdoctoral de dos años en
SISSA, en Trieste (Italia), en el laboratorio
del Prof. Alessandro Treves. Entre 2002 y 2005
trabajó como investigador posdoctoral con el Dr.
Edmund Rolls en la Universidad de Oxford, Reino
Unido. Se incorporó a la Universidad de Málaga
como investigador Ramón y Cajal en 2005. En
junio de 2010 obtuvo la plaza de Profesor
Titular y, posteriormente, alcanzó la cátedra en
julio de 2021 en el Departamento de Lenguajes y
Ciencias de la Computación de la Escuela Técnica
Superior de Ingeniería Informática de la
Universidad de Málaga. Pertenece al grupo de
Inteligencia Computacional y Bioinformática
(ICB), que también está integrado en IBIMA
(Instituto de Investigación Biomédica de
Málaga). Investiga en las áreas de Aprendizaje
Automático, Inteligencia Artificial, Aprendizaje
Profundo, Modelos de Lenguaje a Gran Escala y su
aplicación al Reconocimiento de Patrones y la
Minería de Datos, principalmente en problemas
biomédicos y medioambientales. Es miembro sénior
del IEEE, dentro de la Computational
Intelligence Society, y editor asociado de la
revista IEEE
Transactions on Neural Networks and Learning
Systems. Imparte regularmente docencia en
asignaturas de grado como «Aprendizaje Profundo»
y «Teoría de Autómatas y Lenguajes Formales», y
en másteres como «Redes Neuronales Artificiales»
y «Nuevas tecnologías para el Marketing».
Más información en la página
en inglés.
LÍNEAS DE INVESTIGACIÓN
Inteligencia
Artificial, Aprendizaje automático:
Una de las propiedades más notables de las redes neuronales
artificiales es su capacidad para generalizar ante entradas
nuevas. Esta capacidad predictiva es fundamental para muchas
tareas como el reconocimiento de imágenes, el modelado de la
progresión de enfermedades, la generación de texto y otras
aplicaciones que hoy tienen un profundo impacto social, a
medida que la Inteligencia Artificial continúa transformando
nuestras vidas. En las primeras etapas de mi carrera, diseñé
nuevas arquitecturas de redes neuronales y analicé sus
capacidades computacionales. Varios estudios nos llevaron a
proponer una medida de complejidad de funciones booleanas
relacionada con la capacidad de generalización alcanzable
cuando dichas funciones se implementan en redes neuronales. En
colaboración con el Dr. J. M. Jerez (Málaga), el Dr. M.
Anthony (LSE) y el Dr. S. A. Cannas (Córdoba), analizamos las
propiedades de esta medida y exploramos extensiones
interesantes y conexiones con la física. Posteriormente,
desarrollamos algoritmos de aprendizaje constructivo que
permiten el diseño automático de arquitecturas neuronales casi
óptimas, aliviando la necesidad de seleccionar manualmente una
arquitectura adecuada para un problema dado. Estos métodos
constructivos también facilitan la extracción de conocimiento
(reglas), ayudando a interpretar cómo una red resuelve una
tarea. Junto con David Elizondo (Leicester), edité un libro
sobre Redes Neuronales Constructivas publicado por Springer en
la serie Computational Intelligence.
Más recientemente, desarrollamos dos nuevos algoritmos
constructivos: DASG y C-Mantec. En colaboración con Francisco
Ortega, implementamos el algoritmo C-Mantec y la
retropropagación clásica en hardware FPGA, lo que permitió una
ejecución muy rápida y aplicaciones en redes de sensores para
tareas de monitorización. También hemos implementado una
versión profunda del algoritmo de retropropagación en FPGA,
entrando así en el campo del Aprendizaje Profundo [A44]. El
Aprendizaje Profundo amplía las redes neuronales tradicionales
incorporando múltiples capas ocultas, y sus resultados
recientes han sido extraordinarios, alcanzando un rendimiento
sobrehumano en varios dominios. Una limitación importante para
aplicar el Aprendizaje Profundo es la escasez de conjuntos de
datos de entrenamiento suficientemente grandes. Para abordar
este problema, durante la tesis doctoral de J. Moreno-Barea
desarrollamos técnicas de aumento de datos para mejorar el
rendimiento predictivo [A52] y las aplicamos con éxito a datos
de metabolómica [A54].
LLM (Modelos de Lenguaje a
Gran Escala): Comprender
y generar texto es una tarea compleja en la que los seres
humanos destacan y que durante décadas planteó grandes desafíos
para los modelos computacionales. Desde la aparición de los
Modelos de Lenguaje a Gran Escala alrededor de 2018, se han
logrado avances espectaculares. Dentro del grupo ICB, aplicamos
LLM a tareas como el reconocimiento de entidades nombradas, el
aprendizaje por transferencia y la comparación de modelos
[A53][A57]. Nuestro trabajo abarca una amplia gama de modelos
—incluidos Mistral, LLaMA, BERT y ChatGPT— y técnicas como el
ajuste fino (fine-tuning),
la generación aumentada con recuperación (retrieval-augmented
generation, RAG) y los sistemas basados en agentes. Un
tema principal es el análisis de Historias Clínicas
Electrónicas, particularmente en oncología, lo que constituye
una línea de investigación estrechamente relacionada con nuestro
trabajo en biomedicina.
Biomedicina e Investigación en Cáncer:
Durante muchos años, el grupo ICB ha aplicado técnicas de
minería de datos e Inteligencia Artificial al pronóstico médico.
En colaboración con el Dr. J. M. Jerez (Málaga), E. Alba
(Hospital Clínico de Málaga) y otros colegas, hemos organizado
actividades científicas y publicado numerosos artículos en
revistas especializadas [A13] [A27] [A41] [A42]. Como resultado
de esta colaboración prolongada, también desarrollamos el
sistema de software Galén para la gestión de unidades
oncológicas, que ha sido implementado en el Hospital Clínico de
Málaga [B12][A43].
Neurociencia Computacional: En el
campo de la neurociencia mis intereses se centran en el
entendimiento de la codificación neuronal. En este tema estuve
trabajando en la Universidad de Oxford aplicando teoría
de
la información, desarrollando
nuevos métodos y realizando modelado con redes
neuronales a fin de analizar como las neuronas codifican a
través de sus disparos la información visual. Otros
trabajos examinaron respuestas correlacionadas y cuantificaron
la esparsidad de las representaciones en células de la corteza
visual temporal inferior [A20]. Estudios adicionales analizaron
cómo se codifica la información en la actividad de vóxeles de
fMRI durante tareas de toma de decisiones, comparando estos
resultados con datos neurofisiológicos [A7] [A8] [A9] [A24]. Más
recientemente, mi trabajo en esta área se ha centrado en
explorar las conexiones entre la Neurociencia y los enfoques de
Aprendizaje Profundo.
PUBLICACIONES
(LINK a PÁGINA en INGLÉS)
Colaboradores Externos:
Prof. Emilio Alba, Hospital Universitario de
Málaga, Málaga, Spain.
Prof.
Martin Anthony, Centre for Discrete Mathematics, London
School of Economics (LSE),
London, United Kingdom.
Prof. Sergio A.
Cannas. FaMAF, Córdoba, Argentina.
Dr. Vassilis Hadjianasstassiou, St.
Thomas Hospital, London, United Kingdom.
Prof.
Edmund T. Rolls, University of Oxford, Oxford, United
Kingdom.
Prof.
Alessandro
Treves, SISSA, Trieste, Italy.
OTROS ARTICULOS RELACIONADOS
CON MI INVESTIGACION
Una entrevista
en el periódico "Málaga Hoy" acerca de nuestro programa de
investigación en Cancer de mama (2005).
Una entrevista
para el Diario "La Gaceta" acerca de mi investigación en la
Universidad de Oxford (2002).
