[en] A CRITICAL VIEW ON THE INTERPRETABILITY OF MACHINE LEARNING MODELS

• Ano de defesa: 2019
• Autor(a) principal: JORGE LUIZ CATALDO FALBO SANTO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] APRENDIZADO DE MAQUINA; [pt] TRANSPARENCIA DE ALGORITIMO; [pt] ALGORITMO INTERPRETAVEL; [pt] EXPLANABILIDADE DE MODELO; [pt] INTERPRETABILIDADE DE MODELO; [pt] INTELIGENCIA ARTIFICIAL EXPLICAVEL; [pt] INTELIGENCIA ARTIFICIAL; [en] MACHINE LEARNING; [en] ALGORITHMIC TRANSPARENCY; [en] INTERPRETABLE ALGORITHM; [en] EXPLAINABILITY OF MODEL; [en] INTERPRETABILITY OF MODELS; [en] EXPLAINABLE AI; [en] ARTIFICIAL INTELLIGENCE
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=42398&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=42398&idi=2; http://doi.org/10.17771/PUCRio.acad.42398

[pt] À medida que os modelos de aprendizado de máquina penetram áreas críticas como medicina, sistema de justiça criminal e mercados financeiros, sua opacidade, que impede que as pessoas interpretem a maioria deles, se tornou um problema a ser resolvido. Neste trabalho, apresentamos uma nova taxonomia para classificar qualquer método, abordagem ou estratégia para lidar com o problema da interpretabilidade de modelos de aprendizado de máquina. A taxonomia proposta que preenche uma lacuna existente nas estruturas de taxonomia atuais em relação à percepção subjetiva de diferentes intérpretes sobre um mesmo modelo. Para avaliar a taxonomia proposta, classificamos as contribuições de artigos científicos relevantes da área.