Indução de árvores de decisão oblíquas como explicadores de predições por modelos de aprendizado de máquina

• Autor(a) principal: Samara Silva Santos
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/47408
• topic: Inteligência artificial explicável; Interpretabilidade em IA; Inteligência artificial; Aprendizado de máquina; Árvores de decisões oblíquas; Engenharia elétrica; Aprendizado do computador; Árvores de decisão; Inteligência artificial

Os métodos de Aprendizado de Máquina (Machine Learning ou ML) têm sido largamente utilizados em diversas aplicações, devido ao alto poder de generalização e pela capacidade de obter relações complexas entre dados. Embora os sistemas consigam este feito, normalmente não existe uma relação clara do porque determinada decisão foi tomada, bem como no impacto da mudança dos atributos nas saídas geradas. A necessidade de compreender esses métodos torna-se ainda mais presente diante de leis que garantam o ``direito à explicação'', como previsto no artigo 20 da Lei Geral de Proteção de Dados (LGPD), e em outras regulamentações nesse sentido em todo o mundo. Em virtude disso, neste trabalho foi proposta a investigação quanto a indução de Árvores de Decisões Oblíquas - também conhecidas como Perceptron Decision Tree ou PDT - como método de interpretabilidade local para modelos de ML complexos. Uma vez que a PDT é transparente, pode-se utilizá-la para simular localmente o comportamento de modelos mais complexos e assim extrair informações sobre eles por meio dela. Tendo isso em vista, foi proposta a aproximação local das predições do método complexo a ser explicado, através da indução de PDTs, as quais têm os pesos evoluídos por meio de uma técnica heurística de otimização, baseada em computação evolucionária. Com a árvore evoluída, gera-se explicações sobre as decisões locais de modelos opacos, por meio do fornecimento das regras seguidas para obtenção das saídas, exposição da hierarquia de importância local dos atributos e limites de decisões associados a cada um deles. Foi apresentado também um novo modelo de PDT para problemas de regressão, o qual é utilizado para gerar explicações locais para este tipo de problema. A aplicação final gerada foi nomeada como Perceptron Decision Tree Explainer (ou PDTX), que em suma, é um método de interpretabilidade local agnóstico em relação ao modelo, que trabalha com dados tabulares estruturados, e que consegue fazer uma aproximação melhor do que alguns métodos clássicos da literatura, mantendo além da estabilidade das explicações geradas, a simplicidade delas. Adicionalmente, foi feito o estudo do efeito da aplicação de três técnicas de amostragem local em conjunto com o PDTX, concernente à estabilidade das explicações geradas, e da redução de dimensionalidade por cinco métodos de redução de atributos presentes na literatura, no impacto da qualidade da aproximação local. Os resultados obtidos são promissores: em comparação com o LIME (Local Interpretable Model-Agnostic Explanations) e Árvores de Decisões (DT), o PDTX obteve desempenho significativamente melhor para as métricas conhecidas como fidelidade e estabilidade, tanto no contexto de classificação, como no de regressão, e é comparável ao LIME em termos de simplicidade.