Leonard Kwuida

Machine Learning (ML) de Leonard Kwuida proporciona técnicas importantes para la clasificación y las predicciones. La mayoría de estos son modelos de caja negra para los usuarios y no brindan una explicación a los tomadores de decisiones. En aras de la transparencia o una mayor validez de las decisiones, la necesidad de desarrollar métodos de ML explicables/interpretables está ganando cada vez más importancia. Ciertas preguntas deben abordarse:

¿Cómo deriva un procedimiento de ML la clase para una entidad en particular? ¿Por qué surge un agrupamiento en particular de un procedimiento de ML no supervisado en particular? ¿Qué podemos hacer si el número de atributos es muy grande? ¿Cuáles son las posibles razones de los errores para casos y modelos concretos? 

Para los atributos binarios, el análisis de conceptos formales (FCA) ofrece técnicas en términos de intenciones de los conceptos formales y, por lo tanto, proporciona razones plausibles para la predicción del modelo. Sin embargo, desde el punto de vista del aprendizaje automático interpretable, todavía necesitamos proporcionar a los tomadores de decisiones la importancia de los atributos individuales para la clasificación de un objeto en particular, lo que puede facilitar las explicaciones de expertos en varios dominios con errores de alto costo como la medicina o las finanzas. Discutimos cómo se pueden usar las nociones de la teoría de juegos cooperativos para evaluar la contribución de los atributos individuales en los procesos de clasificación y agrupación en el aprendizaje automático basado en conceptos. Para abordar la tercera pregunta, presentamos algunas ideas sobre cómo reducir la cantidad de atributos utilizando similitudes en contextos amplios. lo que puede facilitar las explicaciones de expertos en varios dominios con errores de alto costo como la medicina o las finanzas. Discutimos cómo se pueden usar las nociones de la teoría de juegos cooperativos para evaluar la contribución de los atributos individuales en los procesos de clasificación y agrupación en el aprendizaje automático basado en conceptos. Para abordar la tercera pregunta, presentamos algunas ideas sobre cómo reducir la cantidad de atributos utilizando similitudes en contextos amplios. lo que puede facilitar las explicaciones de expertos en varios dominios con errores de alto costo como la medicina o las finanzas. Discutimos cómo se pueden usar las nociones de la teoría de juegos cooperativos para evaluar la contribución de los atributos individuales en los procesos de clasificación y agrupación en el aprendizaje automático basado en conceptos. Para abordar la tercera pregunta, presentamos algunas ideas sobre cómo reducir la cantidad de atributos utilizando similitudes en contextos amplios.