1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Chihuahua
4. Instituto Tecnológico de Chihuahua
5. Tesis de Maestría
6. Maestría en Ciencias en Ingeniería Electrónica

Title:	METODOLOGÍA PARA LA COMPRESIÓN DE REDES NEURONALES PROFUNDAS MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL EXPLICABLE
Authors:	TAM RUIZ, AXEL FERNANDO
metadata.dc.subject.other:	METODOLOGÍA PARA LA COMPRESIÓN DE REDES NEURONALES PROFUNDAS MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL EXPLICABLE
Issue Date:	2026-01-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Chihuahua
Description:	Las Redes Neuronales Profundas (Deep Neural Networks, DNNs) han revolucionado la inteligencia artificial en áreas como visión por computadora y reconocimiento de voz. No obstante, su elevado número de parámetros y capas interconectadas implican altos costos computacionales y energéticos, lo que dificulta su uso en dispositivos con recursos limitados. Para enfrentar este reto, se han propuesto métodos de compresión de modelos, como la poda estructural, cuyo propósito es reducir el tamaño y el costo computacional, manteniendo un desempeño competitivo. Por otro lado, la Inteligencia Artificial Explicable (eXplainable Artificial Inteligence, XAI) proporciona interpretabilidad a modelos complejos, permitiendo identificar y analizar qué elementos de una red influyen de manera más significativa en sus predicciones. Por ello, integrar XAI en procesos de compresión aporta criterios más precisos para identificar parámetros redundantes y realizar podas informadas. La presente investigación propone una metodología de poda estructural asistida por XAI, empleando principalmente los métodos EigenCAM y HiResCAM para estimar la importancia de filtros convolucionales. HiResCAM fue seleccionado por su capacidad de generar mapas de activación más precisos y estables, lo que permite identificar de manera confiable los filtros más relevantes en el modelo. Por su parte, EigenCAM ofrece explicaciones fácilmente interpretables por humanos, lo que aporta claridad en el análisis visual. Para validar la propuesta se utilizaron las arquitecturas representativas de visión por computadora ResNet-18, ResNet-50, VGG19-BN y DenseNet-121, entrenadas en dos bases de datos, CIFAR-10 y CIFAR-100. Los resultados experimentales demostraron que la integración de técnicas de explicabilidad en el proceso de poda mejoraron la precisión con la que se identifican filtros prescindibles, logrando modelos más compactos y eficientes sin pérdidas significativas en exactitud. En algunos casos, tras el reentrenamiento, los modelos comprimidos incluso superaron la precisión original, lo que evidenció que la poda asistida por XAI no solo conserva el rendimiento, sino que puede favorecer la generalización. Además, se identificó que arquitecturas con conexiones residuales o densas, como ResNet y DenseNet, presentan mayor resiliencia a la poda.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ciencias en Ingeniería Electrónica

This item is protected by original copyright View License

This item is licensed under a Creative Commons License