Algoritmo de explicación de anomalías en espacios mixtos categórico-continuos

Use this link to cite
http://hdl.handle.net/2183/24105
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 3.0 España
Collections
Metadata
Show full item recordTitle
Algoritmo de explicación de anomalías en espacios mixtos categórico-continuosAuthor(s)
Directors
Eiras Franco, CarlosAlonso-Betanzos, Amparo
Date
2019Center/Dept./Entity
Universidade da Coruña. Facultade de InformáticaDescription
Traballo fin de grao (UDC.FIC). Enxeñaría informática. Curso 2018/2019Abstract
[Resumen] En este proyecto se presenta un método de explicación para el algoritmo ADMNC (Anomaly Detector for Mixed Numerical and Categorical inputs) desarrollado en el grupo LIDIA (Laboratorio de Investigación y Desarrollo en Inteligencia Artificial) de la Facultad de Informática de A Coruña. Para el desarrollo del método de explicación se emplean los modelos de mezcla de gaussianas y de regresión logística inicialmente planteados sobre entornos mixtos categórico-continuos para entrenar un árbol de decisión que ayude a proporcionar una explicación pre-hoc sobre el modelo de datos normales, además de una explicación post-hoc en base a múltiples estimadores sobre aquellos patrones que ya han sido indicados como anomalía por el algoritmo.
El objetivo principal por tanto es proporcionar una nueva capa de explicación que sea de
utilidad al supervisor y que subsane uno de los problemas más conocidos sobre los algoritmos en Inteligencia Artificial, que es la falta de justificación y la opacidad existente en muchos de ellos sobre el proceso interno seguido. [Abstract] This project presents an explanation method for the algorithm ADMNC (Anomaly Detector for Mixed Numerical and Categorical inputs) developed by the LIDIA group (Laboratorio de Investigación y Desarrollo en Inteligencia Artificial) of the Computer Science Department, Faculty of A Coruña. Gaussian mixture models and logistic regression are used for this development under mixed categorical-continuous spaces for training decision trees to achieve a pre-hoc explanation of the normal data model, as well as a post-hoc explanation based on multiple estimators over patterns that had been already indicated as anomalies by the algorithm. The main objective is to provide a new explanation layer over this method that can be useful for a supervisor and can offset one of the most well-known problems of Artificial Intelligence algorithms, that is, the lack of justification and the opacity existing on the internal process followed.
Keywords
Detección anomalías
Valores atípicos
Explicación
Aprendizaje automático
Regresión logística
Mezcla gaussiana
Patrones categórico-continuos
Escalabilidad
Anomaly detection
Outliers
Explanation
Machine learning
Logistic regression
Gaussian mixture
Categorical-continuous patterns
Scalability
Valores atípicos
Explicación
Aprendizaje automático
Regresión logística
Mezcla gaussiana
Patrones categórico-continuos
Escalabilidad
Anomaly detection
Outliers
Explanation
Machine learning
Logistic regression
Gaussian mixture
Categorical-continuous patterns
Scalability
Rights
Atribución-NoComercial-SinDerivadas 3.0 España