Εμπλουτισμός δεδομένων και ερμηνεία ταξινομητών βαθιάς μάθησης με τη χρήση περιγραφικών λογικών

Λιάρτης, Γεώργιος-Ιάσων; Liartis, Georgios-Iason

dc.contributor.author	Λιάρτης, Γεώργιος-Ιάσων	el
dc.contributor.author	Liartis, Georgios-Iason	en
dc.date.accessioned	2022-01-20T10:28:21Z
dc.date.available	2022-01-20T10:28:21Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54389
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22087
dc.rights	Default License
dc.subject	Οντολογίες	el
dc.subject	Βάσεις γνώσης	el
dc.subject	Περιγραφικές λογικές	el
dc.subject	Εξηγήσιμη τεχνητή νοημοσύνη	el
dc.subject	Συζευκτικά ερωτήματα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.title	Εμπλουτισμός δεδομένων και ερμηνεία ταξινομητών βαθιάς μάθησης με τη χρήση περιγραφικών λογικών	el
heal.type	bachelorThesis
heal.classification	Εξηγήσιμη τεχνητή νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-15
heal.abstract	Η ραγδαία ανάπτυξη που έχει γνωρίσει ο κλάδος της Βαθιάς Μάθησης την τελευταία δεκαετία έχει οδηγήσει στην ευρεία εφαρμογή του για την αυτοματοποίηση διαδικασιών. Όμως, η αδιαφάνεια των μοντέλων που παράγει δημιουργεί ηθικά ζητήματα και επιφυλάξεις στη χρήση του σε κρίσιμες εφαρμογές, όπως οι ιατρικές, παρά τις σημαντικές του επιδόσεις. Εμείς κινούμαστε στον χώρο της Εξηγήσιμης Τεχνητής Νοημοσύνης και χρησιμοποιούμε εργαλεία από τις Περιγραφικές Λογικές, εύκολα ερμηνεύσιμα από τη φύση τους, για να διαλευκάνουμε τον τρόπο με τον οποίο λαμβάνουν αποφάσεις αυτά τα μοντέλα. Συγκεκριμένα, αντιμετωπίζουμε ταξινομητές ως μαύρα κουτιά και χρησιμοποιούμε δεδομένα εμπλουτισμένα με σημασιολογικές περιγραφές για να παραγάγουμε συζευκτικά ερωτήματα που μιμούνται τη συμπεριφορά τους.	el
heal.abstract	The rapid growth Machine Learning has met in the last decade has lead to its wide application for automating processes. However, the opaqueness of the models it produces is creating issues of morality and reservations in its usage for critical applications, such as medical ones, despite its significant performance. We work in the area of Explainable Artificial Intelligence and use tools from Description Logics, easily interpretable by their nature, to disambiguate the way in which these models make decisions. In particular, we treat classifiers as black boxes and we use data enriched with semantic descriptions to produce conjunctive queries that mimic their behavior.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάφανος, Κόλλιας	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	55 σ.	el
heal.fullTextAvailability	false