Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/151211
Títol: | Contributions to explainable deep learning models |
Autoria: | Adhane, Gereziher |
Director: | Masip Rodó, David Dehshibi, Mohammad Mahdi |
Resum: | En aquest treball, proposem tècniques per millorar el rendiment i la transparència de les xarxes neuronals convolucionals (CNN). Introduïm mètodes nous per a la selecció de mostres informatives (ISS), la quantificació de la incertesa i l'explicació visual. Els dos mètodes de l'ISS impliquen l'ús de l'aprenentatge de reforç per filtrar mostres que podrien provocar un sobreajust i un biaix, i emprar una simiulació de Monte Carlo per estimar la incertesa del model durant l'entrenament i la inferència. A més, presentem dues tècniques d'explicabilitat visual: ADVISE, que genera explicacions visuals detallades i quantifica la rellevància de les unitats als mapes de característiques, i UniCAM, que explica la naturalesa opaca dels models basats en la destil·lació del coneixement. Aquests mètodes tenen com a objectiu millorar la precisió, la robustesa, l'equitat i l'explicabilitat del model, contribuint tant a la investigació acadèmica com a la transparència de les CNN en aplicacions de visió per computador. |
Paraules clau: | explicabilitat en la IA transparència incertesa en els models selecció de mostres explicabilitat visual |
Tipus de document: | info:eu-repo/semantics/doctoralThesis |
Data de publicació: | 10-jul-2024 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Apareix a les col·leccions: | Tesis doctorals |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
PhD_Thesis.pdf | Gereziher_dissertation | 13,54 MB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative CommonsLlicència Creative Commons