Predznanje za izboljšavo razlag modelov strojnega učenjaStepišnik Perdih, Timen (Avtor) Robnik Šikonja, Marko (Mentor) Škrlj, Blaž (Komentor) razložljiva umetna inteligencarazlage modelovposploševanje razlagrazlage SHAPstrojno učenjeS porastom uporabe kompleksnih modelov strojnega učenja so postale priljubljene post hoc razlagalne metode, kot sta SHAP in LIME. Te metode ustvarijo razlage v obliki prispevkov značilk za določeno napoved. Razlage na nivoju značilk zaradi nejasne povezave s predznanjem niso nujno razumljive človeškim strokovnjakom. V diplomskem delu predstavimo metodo ReEx (Sklepanje iz razlag), ki je združljiva z razlagami metod, ki delujejo na nivoju značilk, in z uporabo predznanja v obliki ontologij posploši razlage po principu najmanj splošne posplošitve. Rezultat so semantične razlage, ki so specifične za posamezne razrede in so potencialno bolj informativne, saj predstavijo ključne značilke v kontekstu predznanja. ReEx smo implementirali v obliki python knjižnice, kompatibilne z metodami, kot sta SHAP in LIME. Za ovrednotenje delovanja metode definiramo mere posploševanja in medsebojne povezanosti razlag. Metodo empirično ovrednotimo na treh tekstovnih podatkovnih množicah.20212021-08-19 17:40:00Diplomsko delo/naloga128965VisID: 30188COBISS_ID: 78873603sl