Método de Explicação Local de Algoritmos de Redução de Dimensionalidade

• Processo: 24/10791-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 30 de junho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: José Alberto Cuminato
• Beneficiário: Lucas Greff Meneses
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Explicação Local | IA Explicável (XAI) | interpretabilidade | Redução de dimensionalidade | IA Explicável (XAI)

Resumo

Algoritmos de redução de dimensionalidade, como UMAP (Uniform Manifold Approximation and Projection) e t-SNE (t-distributed Stochastic Neighbor Embedding), são amplamente utilizados para simplificar conjuntos de dados complexos, reduzindo o número de variáveis e preservando ao máximo as informações essenciais, a fim de executar diversas tarefas, como visualização dos dados ou treinamento de modelos de aprendizado de máquina.No entanto, a natureza transformativa desses algoritmos pode tornar os resultados difíceis de interpretar. O objetivo deste projeto é desenvolver um método de explicação local e independente de algoritmo, que possa ser aplicado a qualquer técnica de redução de dimensionalidade, permitindo entender como as variáveis originais influenciam a projeção reduzida, auxiliando a tomada de decisões informadas em diversas aplicações.