Enunciada por Isaac Newton en 1687, la ley de la gravitaci�n universal habla de la fuerza de atracci�n para toda la materia existente. Todos los objetos est�n sujetos a ella. Esa fuerza es la que lleva a la manzana a caer al suelo, pero tambi�n la que establece las relaciones entre estrellas y planetas. Newton estableci� la f�rmula matem�tica de esta interacci�n en Philosophiae Naturalis Principia Mathematica: �Directamente proporcional al producto de las masas de los objetos e inversamente proporcional al cuadrado de la distancia que las separa�. Su descubrimiento fue un punto de inflexi�n en la historia de la ciencia.

El equipo del Departamento de Ciencia de la Computaci�n e Inteligencia Artificial que dirige Sebasti�n Ventura dispone de una l�nea de investigaci�n en torno a los algoritmos de aprendizaje perezoso. Un algoritmo computacional es una serie de operaciones para resolver problemas inform�ticos, por ejemplo, si una fotograf�a se parece a otra y as� clasificarlas juntas. Generalmente se construye un modelo para dar respuesta a estas cuestiones. Los algoritmos perezosos, sin embargo, ganan su fama de vagos porque no parten de ning�n modelo, sino que aprovechan las caracter�sticas de los datos para determinar a posteriori la clase a la que pertenecen los objetos. Entre los algoritmos perezosos hay unos que clasifican datos por cercan�a a otros datos. Son los algoritmos del vecino m�s cercano.

Perezosos y vecinos
�Los algoritmos perezosos son �tiles, pero a veces hay l�mites entre los vecinos que no son muy claros�, estima Ventura. Puede que algunos datos de una familia se salgan por mucho de la media, establezcan un l�mite muy difuso y distorsionen, con ello, la ubicaci�n de los nuevos datos que llegan. Con el fin de mejorar la eficiencia de este enfoque, los inform�ticos de la UCO no se fijaron en la distancia al vecino m�s pr�ximo, sino en la capacidad de atracci�n que pod�an tener. Pensaron que cada dato pod�a ejercer una fuerza gravitatoria, como si fuera un planeta. Adem�s, consideraron que la fuerza de las part�culas de una misma clase se pod�a sumar, de manera que la clase a la que pertenece un nuevo objeto est� determinada por la clase que ejerce una fuerza m�xima sobre �l.

Con este planteamiento, el equipo de la UCO, en colaboraci�n con las universidades Central de Las Villas y de Holgu�n (Cuba), ha creado algoritmos m�s eficientes. �Mejoran la obtenci�n de clasificaciones�, resume el catedr�tico. El trabajo ha sido publicado recientemente en la revista cient�fica Information Sciences. En este trabajo se intentan clasificar datos que pueden presentar m�s de una etiqueta. Por ejemplo, cuando reconocemos personas en una fotograf�a, una foto puede contener a varias personas y, por tanto, no se puede usar el nombre de una �nica persona para etiquetarla. �En el trabajo se resuelve el problema de la clasificaci�n multietiqueta incorporando tanto el concepto de vecindad o distancia, t�picos de los algoritmos perezosos, como el concepto de pureza, que se refiere a la cantidad de vecinos similares entre s�, resuelve Reyes, estudiante cubano de doctorado en Ingenier�a Inform�tica en la UCO participante en el estudio.

�scar Reyes, Carlos Morell, Sebasti�n Ventura. �Effective lazy learning algorithm based on a data gravitation model for multi-label learning�. Information Sciences. Volumes 340�341, 1 May 2016, Pages 159�174