Estadísticas
17,200
Items totales
13,909
Items en acceso abierto
80.87 %
Porcentaje
e-Spacio es el repositorio institucional de la UNED gestionado por la Biblioteca.
e-Spacio recopila, difunde y preserva de manera permanente la producción docente e investigadora de la UNED con el objetivo de fomentar su visibilidad e impacto.
Participamos en Recolecta, BASE, InvestigaM, Google Académico y DialnetPlus.
e-Spacio permite a la comunidad universitaria UNED cumplir con la obligación legislativa de publicar en acceso abierto los resultados de la docencia y la investigación financiada con fondos públicos.
Envíos recientes
Detección automática de la categoría de reseñas en series de animación
(2025-09) Mellado Ordóñez, Álvaro; Moreno Álvarez, Sergio
En este trabajo se ha evaluado el rendimiento que distintos modelos de clasificación (regresión logística, bosque aleatorio, SVM, XGBoost, LightGBM y BERT) tienen al detectar la categoría asociada a una reseña de una serie de animación alojada en la plataforma MyA-nimeList, las cuales están organizadas en tres grupos: Recommended, Mixed Feelings y Not Recommended.
Con este fin, se diseñó un pipeline de ciencia de datos que inició con la recopilación de 36.177 reseñas a través de técnicas de web scraping, y continuó con una fase de preprocesado que incluyó tareas como la detección del idioma, la eliminación de duplicados o la normalización, entre otras actividades. En lo que respecta al desempeño de los algoritmos, los enfoques basados en gradient boosting (XGBoost y LightGBM) son los que obtuvieron un mejor resultado, con exactitudes del 71 %, seguidos de BERT y regresión logística con valores muy cercanos. En cambio, el bosque aleatorio mostró el rendimiento más bajo, marcado por un sesgo hacia la clase mayoritaria (Recommended).
En general, los resultados demuestran que es posible utilizar métodos de aprendizaje automático y profundo para clasificar reseñas de anime, incluso con una escasa configuración de hiperparámetros. Por último, se proponen líneas futuras de trabajo como la optimización de los modelos o la expansión del corpus con nuevas fuentes de datos.
Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
(2025-09) Vercher Gómez, Eustaquio; Tobarra Abad, María de los Llanos
La expansión de los servicios digitales y arquitecturas distribuidas ha situado a las APIs REST como un componente crítico para la interoperabilidad de aplicaciones web, móviles, servicios en la nube y dispositivos IoT. Su papel central en la economía digital, gestionando información altamente sensible, las ha convertido en un objetivo prioritario para los ciberataques. Las limitaciones de los mecanismos tradicionales de monitorización, incapaces de detectar patrones complejos o ataques a aplicaciones de negocio, han puesto de relieve la necesidad de enfoques más dinámicos y adaptativos. En este contexto, el uso de técnicas de Machine Learning tanto supervisadas como no supervisadas ofrece un marco prometedor para la detección de anomalías en el tráfico API, al permitir el análisis de grandes volúmenes de datos y la identificación de comportamientos atípicos sin requerir conocimiento previo de las amenazas existentes. El presente trabajo aborda esta problemática con una doble motivación: por un lado, la necesidad práctica de reforzar la seguridad de las APIs REST frente a ataques cada vez más sofisticados; por otro, el interés académico en explorar la viabilidad de los algoritmos de Machine Learning como herramientas aplicadas a la ciberseguridad.
Machine Learning techniques to detect manoeuvres in GEO satellites
(2025-09) Tirado Vélez, Jesús; Sarro Baro, Luis Manuel
La rápida expansión de las actividades espaciales y la proliferación de objetos en órbita aumentan la complejidad de la vigilancia espacial y el riesgo de colisiones, lo que requiere de unas capacidades de detección de maniobras más automatizadas y robustas. Los métodos tradicionales de detección de maniobras de satélites basados en comprobaciones de consistencia de la propagación orbital y el análisis estadístico de valores atípicos con umbrales diseñados manualmente pueden tener dificultades ante comportamientos anómalos o ruidosos. Este trabajo propone y compara diferentes modelos de aprendizaje automático para detectar maniobras de reposicionamiento de satélites GEO a partir de una serie de datos temporal de TLEs públicos.
El estudio analiza un conjunto de datos de cinco años con casi 5 millones de TLEs de 1.449 objetos GEO. Esta serie de datos ha sido procesada para obtener la posición geográfica de los satélites (latitud, longitud y altitud) muestreada diariamente. El conjunto de datos se ha extendido con las maniobras de reposicionamiento etiquetadas mediante un sencillo algoritmo de detección cuya salida se ha depurado manualmente para suprimir falsos positivos.
Se han evaluado cuatro modelos de aprendizaje automático Red Neuronal Convolucional (CNN), red Long Short-Term Memory (LSTM), Transformer y Random Forest— y sus resultados se han comparado sistemáticamente tras ajustar los hiperparámetros mediante grid search y validación cruzada (3-fold ). Las métricas empleadas para la comparación han sido la matriz de confusión, la precisión (accuracy) y el tiempo de entrenamiento. También se ha comparado el rendimiento de los distintos modelos en función de los días transcurridos desde el inicio de la maniobra para evaluarlos en un escenario cercano a las operaciones rutinarias de vigilancia espacial.
Este estudio demuestra que los modelos de aprendizaje automático pueden identificar eficazmente maniobras de reposicionamiento GEO en series TLE, ofreciendo un complemento a las técnicas tradicionales de mantenimiento de catálogo. Trabajos futuros podrían abordar la reducción de falsas alarmas en contextos operacionales como éste, altamente desbalanceados, la localización temporal precisa de la maniobra y la extrapolación de este estudio a otros regímenes orbitales.