SEMTRA: globalne przejście semantyczne i reguły zbiorów przybliżonych dla audytowalnego wyjaśniania post hoc
Machine Learning and Knowledge Extraction, t. 8, nr 7, art. 181
Streszczenie redakcyjne
SEMTRA przekształca wewnętrzne cechy wytrenowanego modelu w zrozumiałe dla człowieka atrybuty i reguły. Audyt pokazuje, gdzie reguły mają zastosowanie, są sprzeczne, odtwarzają odpowiedź modelu lub nie pozwalają na wniosek. Testy na różnych zbiorach pokazują zależność wyników od danych i protokołu oceny. Pierwotny model predykcyjny pozostaje niezmieniony.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Pavlo Radiuk, Oleksander Barmak, Iurii Krak. "SEMTRA: Global Semantic Transition and Rough-Set Rules for Auditable Post-Hoc Explainability". Machine Learning and Knowledge Extraction, Vol. 8, No. 7, Article 181, 2026. https://doi.org/10.3390/make8070181
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.