Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence

doktorska disertacija

Bojan Žlahtič (Author), Peter Kokol (Mentor)

Abstract

Z uporabo algoritmov strojnega učenja je mogoče izvesti zapletene analize in pridobiti globlje vpoglede na osnovi obsežnih količin podatkov, kar presega človeške zmožnosti. Navedena značilnost je ključni dejavnik, zaradi katerega je strojno učenje vpeljano v številne domene. Kljub številnim prednostim ni vedno možno integrirati strojnega učenja na določena področja, predvsem zaradi tega, ker se za naprednimi metodami pogosto skrivajo modeli tipa črne skrinje. Ti modeli uporabnikom ne omogočajo vpogleda v logiko njihovega odločanja, kar lahko predstavlja oviro v kontekstih, kjer so odločitve kritične in lahko napačna odločitev vodi v resne posledice. Z namenom ublažiti te problematike smo razvili metodo strojnega učenja, temelječo na naravnem pojavu rečnih kanjonov. Ta pojav lahko vizualiziramo v digitalni grafični obliki, kar omogoča intuitiven prikaz logike odločanja. Rezultat je model strojnega učenja, ki generira globinske slike gibanja podatkov za posamezen razred. V teh slikah je pripadnost posamezne instance kanjonu prikazana s pomočjo barvno kodiranih grafov. Podatkovni kanjoni se zaradi svojih lastnosti in metodologije lahko uporabljajo za potrebe razložljive umetne inteligence, bodisi samostojno ali kot dopolnilni mehanizem drugim pristopom strojnega učenja.

Keywords

razložljiva umetna inteligenca;strojno učenje;klasifikacija;razložljivost;zaupanje;

Data

Language:	Slovenian
Year of publishing:	2023
Typology:	2.08 - Doctoral Dissertation
Organization:	UM FERI - Faculty of Electrical Engineering and Computer Science
Publisher:	[B. Žlahtič]
UDC:	004.85.021:004.6(043.3)
COBISS:	174856451
Views:	10
Downloads:	3
Average score:	0 (0 votes)
Metadata:

Other data

Secondary language:	English
Secondary title:	Data canyons, a machine learning approach for interpretable artificial intelligence
Secondary abstract:	With machine learning algorithms avast amounts of data can be analyzed to gain profound insights beyond human capabilities. This quality is a key reason for incorporating machine learning across numerous domains. Although machine learning has various benefits aincorporating it into certain areas can be difficult due to the blackbox nature of advanced methods. These models do not grant users insight into their decision-making logic aposing challenges in contexts where decisions are critical and an erroneous decision might result in severe consequences. To address these issues awe developed a machine-learning method based on the natural phenomenon of river canyons. This phenomenon can be visualized in a digital graphical format aoffering an intuitive representation of decision-making logic. The outcome is a machine learning model that produces depth maps of data movement for individual classes. Within these maps athe affiliation of a particular instance to a canyon is denoted by color-coded graphs.
Secondary keywords:	explainable artificial intelligence;machine learning;classification;explanation;trust;
Type (COBISS):	Doctoral dissertation
Thesis comment:	Dokt. disert., Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko, Računalništvo in informacijske tehnologije
Pages:	VIII, 103 str.
ID:	19942812