Értelmezhető gépi tanulás és alkalmazása a felsőoktatásban és az orvostudományban

A Rényi Intézet Deep Learning szemináriumának következő előadását Molontay Roland, Nagy Marcell és Pintér József (BME HSDSLab) tartják.

A legkorszerűbb gépi tanulási modellek (pl. mély neurális hálózatok, boosting algoritmusok) általában sokkal jobb prediktív teljesítmény elérésére képesek, mint egyszerűbb társaik (pl. lineáris regresszió, döntési fa). Ugyanakkor a bonyolult modellek használatával sokat veszítünk a modellek átláthatóságából, interpetálhatóságából, ami sok esetben gátat szab a "fekete dobozként" működő modellek valós alkalmazhatóságának. Az elmúlt években éppen ezért sok figyelem irányult az értelmezhető gépi tanulásra és a megmagyarázható mesterséges intelligenciára (XAI: eXplainable Artificial Intelligence).

Az előadásban bemutatunk néhány olyan technikát, amellyel a fekete doboz módszerek, különösen a neurális hálók eredményei is jobban értelmezhetővé válnak (SHAP, LIME, layer-wise relevance propagation, integrated gradient method). Továbbá megmutatjuk, hogy a BME Human and Social Data Science Laboratóriumban hogyan használtunk különböző XAI technikákat az egyetemi lemorzsolódás és különböző betegségek súlyosságának korai azonosítására.