Year: 2020
Type: dissertation
Abstract: In verschillende domeinen zijn machine learning modellen vereist die niet alleen accurate voorspellingen maken, maar die ook interpreteerbaar moeten zijn.In wetenschap bijvoorbeeld is het even belangrijk om te begrijpen wat de verklaring is achter een bepaalde voorspelling als het proces om tot een voorspelling te komen.Wanneer machine learning systemen geïmplementeerd worden in risicovolle beslissingprocessen, kan de veiligheid van de gebruikers niet gegarandeerd worden tenzij men de werking van een model kan vatten.Om te begrijpen of sommige modellen bepaalde groepen in de samenleving niet discrimineren, is het ook noodzakelijk om te begrijpen hoe een machine learning model exact werkt.Sinds de Europese Unie de Algemene Verordening Gegevensbescherming (AVG) in werking heeft gesteld worden geautomatiseerde individuele beslissingen ernstig beperkt die gebruikers "ernstig kunnen beïnvloeden".Deze wet stelt dat gebruikers van machine learning systemen "het recht op een verklaring" kunnen uitoefenen en kunnen eisen om het beslissingsproces van een systeem in te kunnen kijken.Deze verordening heeft interpreteerbaarheid in de kijker gezet als een methode dat toelaat om de redenering van een machine learning systeem te verifiëren.Dit proefschrift gaat over interpeteerbaar machine learning, waarbij het doel is om de werking van een model transparant te maken zodat de beslissingen die deze maakt begrepen kan worden.Een intuïtieve definitie voor interpeteerbaarheid is de "de mate waarin een mens de oorzaak van een bepaalde beslissing kan begrijpen".Dit werk zal het concept van interpeteerbaar machine learning verkennen in vier verschillende tijdseries toepassingen.Het tweede hoofdstuk analyseert het leergedrag data van een volledig asynchroon subscriptie-gebaseerd online leer platform (MOOC-platform) op basis van hidden Markov modellen (HMM) en heeft als doel de relatie tussen leergedrag en "drop-out" gedrag te bepalen, wanneer een student een vak niet vervolledigt.Kennis van experts werd geraadpleegd voor het construeren van domeinspecifieke variabelen bij het ontwerpen van de predictieve modellen.De constructie van deze variabelen steunt op kennis van experts in het domein van onderwijskunde en voegt nuttige inzichten toe in het domein van "learning analytics".Een bijdrage werd gemaakt aan de literatuur door een verband te leggen tussen "goal orientation theory" en een latente variabele motivatie gemodelleerd over de tijd.In het derde hoofdstuk wordt sepsis voorspelling onderzocht met machine learning waarbij gebruik wordt maakt van elektronische gezondheidsgegevens van patiënten op de xx NEDERLANDSE SAMENVATTING intensieve zorgafdeling.Modulair interpeteerbaarheid in general additive modellen (GAM) zijn in staat om gezondsheidsverstrekkers te ondersteunen in dit domein door te zoeken naar algemene patronen en door variabelen te identificeren die beïnvloed kunnen worden om een patiënt te helpen.In het vierde hoofdstuk van dit proefschrift wordt een voorspellende methodologie ontwikkeld dat managers kan helpen om hotelbezettingsgraad per dag te voorspellen op stadsniveau om toerisme planning te verbeteren.Deze methodologie maakt gebruik van online hotelkamerprijzen en toont het belang aan van variabelen te creëren en te selecteren.Door het toevoegen van predictie intervallen aan de puntsvoorspellingen wordt het begrip van de onzekerheid rond de voorspellingen vergroot.In het vijfde hoofdstuk wordt de toegevoegde waarde van sentiment data aan interpeteerbaarheid onderzocht voor cryptocurrency voorspellingen.Modelgebaseerde variabel constructie methoden werden toegepast op teksten om variabelen te extraheren over cryptocurrency onderwerpen en sentiment.Deze sentiment variabelen zijn in staat om de interpretatie van puntsvoorspellingen voor investeerders te verbeteren.Ik hoop met dit werk de lezer het nut van interpeteerbaar machine learning aan te tonen en een beter begrip te geven over deze tak van machine learning.
Author: Wai Kei Paul Tsang
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Keywords: model interpretability, time series, MOOC dropout, hidden Markov models, online learning platforms, student learning behavior, explainable AI, explainable deep learning, explainable reinforcement learning, explainable neural networks, explainable clustering, explainable anomaly detection, explainable classification
Open Access status: green
OpenAlex ID: W3082751223
