Título: BAYCON: Generador Bayesiano de Contrafácticos para Inteligencia Artificial Explicable

Director: Maria Vanina Martinez

Jurados: Pablo Negri  y Ricardo O. Rodriguez

Link: https://youtu.be/AF0uD2MKgUo

Resumen:

Generar contrafácticos para descubrir escenarios predictivos hipotéticos es el estándar de facto para explicar los modelos de aprendizaje automático y sus predicciones. Sin embargo, construir un explicador contrafáctico que sea eficiente en el tiempo, escalable y agnóstico del modelo, además de ser compatible con atributos continuos y categóricos, sigue siendo un desafío abierto. Para complicar aún más las cosas, garantizar que las instancias a contrastar están optimizadas para la esparsitud de los atributos, permanecen cerca de la instancia explicada y se mantiene dentro de la variedad de los datos, está lejos de lo trivial. Para abordar esta brecha, proponemos BayCon: un novedoso generador de contrafácticos basado en el muestreo de características probabilísticas y optimización bayesiana. Tal enfoque puede combinar múltiples objetivos empleando un modelo sustituto para guiar la búsqueda contrafáctica. Demostramos las ventajas de nuestro método a través de una colección de experimentos basados en seis conjuntos de datos de la vida real que representan tres tareas de regresión y tres de clasificación.