Year: 2024
Type: conference-paper
Abstract: L'attribution des caractéristiques est une tâche fondamentale à la fois en apprentissage automatique et en analyse de données, qui consiste à déterminer la contribution des caractéristiques ou variables individuelles à la sortie d'un modèle. Ce processus aide à identifier les caractéristiques les plus importantes pour prédire un résultat. L'histoire des méthodes d'attribution de caractéristiques remonte aux Modèles Additifs Généraux (GAMs). Ces dernières années, des méthodes basées sur les gradients et des modèles de substitution ont été appliqués pour démêler les systèmes complexes d'Intelligence Artificielle (IA), mais ces méthodes ont leurs limites. Pour pallier les limitations des méthodes existantes et faire avancer l'état de l'art, nous définissons un nouveau cadre d'attribution de caractéristiques appelé Context-Aware Feature Attribution Through Argumentation (CA-FATA). Notre modèle utilise la puissance de l'argumentation en traitant chaque caractéristique comme un argument qui peut soit soutenir, attaquer ou neutraliser une prédiction. De plus, CA-FATA formule l'attribution des caractéristiques comme une procédure d'argumentation, et chaque calcul a une sémantique explicite, ce qui la rend facilement compréhensible. CA-FATA intègre également facilement des informations annexes, telles que les contextes des utilisateurs, aboutissant à des prédictions plus précises. Nos expériences sur deux jeux de données réels démontrent que CA-FATA, ou l'une de ses variantes, surpasse les méthodes existantes basées sur l'argumentation et atteint une performance compétitive par rapport aux méthodes existantes sans contexte et sensibles au contexte.
Source: HAL
Authors: Zhong, Jinfeng, Negre, Elsa
Institution: Lamsade
Language: French
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W4391418953
