|
| Titre : | Interprétabilité des modèles de classification multi-label : Importance des attributs | | Type de document : | theses et memoires | | Auteurs : | Ouerdia Imine ; Kechabia Salam ; Radja, Directeur de thèse | | Editeur : | Tizi Ouzou : U.M.M.T.O. - F.G.E.I. | | Année de publication : | 2022 | | Importance : | 78 p. | | Présentation : | ill. | | Format : | 30 cm. | | Note générale : | Bibliogr . | | Langues : | Français | | Mots-clés : | Classification multi-label, apprentissage automatique, IA explicable, ACF. | | Résumé : | Les progrès actuels de l'IA, entre autres, concernent souvent l'amélioration de la précision des modèles de classification. Un aspect retardé, cependant, justifie les décisions prises par ces modèles. Récemment, les chercheurs en IA accordent plus d'attention à combler cette lacune, ce qui a conduit à l'introduction du nouveau domaine de l'IA eXplicable (XAI). Les explications agnostiques au modèle sont une classe de méthodes d'explication dans XAI qui visent à résoudre le problème mentionné en utilisant des techniques qui n'ont pas accès aux éléments internes d'un modèle appris (boite noire).
Dans ce travail, nous introduisons une solution basée sur l'Analyse de concepts formels (ACF), une méthode indépendante du modèle qui explique les décisions de tout classifieur multi-label boîte noire, et qui permet de mesurer l'importance de chaque attribut dans l'ensemble des classes prédites par le classifieur. Les concepts sont considérés comme un meilleur moyen pour construire des explications car ils aident les utilisateurs à comprendre quel attribut a contribué dans telle et telle classe. | | En ligne : | D:\CD.THESE.2022\MASTER.INF\IMINE O., KECHABIA S..PDF | | Format de la ressource électronique : | PDF | | Permalink : | ./index.php?lvl=notice_display&id=36780 |
Interprétabilité des modèles de classification multi-label : Importance des attributs [theses et memoires] / Ouerdia Imine ; Kechabia Salam ; Radja, Directeur de thèse . - Tizi Ouzou (Tizi Ouzou) : U.M.M.T.O. - F.G.E.I., 2022 . - 78 p. : ill. ; 30 cm. Bibliogr . Langues : Français | Mots-clés : | Classification multi-label, apprentissage automatique, IA explicable, ACF. | | Résumé : | Les progrès actuels de l'IA, entre autres, concernent souvent l'amélioration de la précision des modèles de classification. Un aspect retardé, cependant, justifie les décisions prises par ces modèles. Récemment, les chercheurs en IA accordent plus d'attention à combler cette lacune, ce qui a conduit à l'introduction du nouveau domaine de l'IA eXplicable (XAI). Les explications agnostiques au modèle sont une classe de méthodes d'explication dans XAI qui visent à résoudre le problème mentionné en utilisant des techniques qui n'ont pas accès aux éléments internes d'un modèle appris (boite noire).
Dans ce travail, nous introduisons une solution basée sur l'Analyse de concepts formels (ACF), une méthode indépendante du modèle qui explique les décisions de tout classifieur multi-label boîte noire, et qui permet de mesurer l'importance de chaque attribut dans l'ensemble des classes prédites par le classifieur. Les concepts sont considérés comme un meilleur moyen pour construire des explications car ils aident les utilisateurs à comprendre quel attribut a contribué dans telle et telle classe. | | En ligne : | D:\CD.THESE.2022\MASTER.INF\IMINE O., KECHABIA S..PDF | | Format de la ressource électronique : | PDF | | Permalink : | ./index.php?lvl=notice_display&id=36780 |
|
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesInterprétabilité des modèles de classification multi-label / Ouerdia Imine (2022)
