20.500.12556/DKUM-86582 Učinkovit iterativni algoritem učenja razložljivih značilnic za izboljšano klasifikacijo doktorska disertacija An efficient iterative approach to explainable feature learning for improved classification V doktorski disertaciji opišemo nov postopek učenja razložljivih značilnic za klasifikacijske namene. Značilnice med vsako iteracijo rekombiniramo na osnovi vnaprej podanih aritmetičnih operacij, ocenimo pa jih glede na njihovo primernosti za klasifikacijo. Slednja temelji na prekrivanju porazdelitve verjetnosti med vrednostmi vzorcev, ki pripadajo različnim razredom. Za nadaljnji razvoj v naslednjo iteracijo izberemo podmnožico najbolj kakovostnih nekoreliranih značilnic z uporabo nove metode, ki temelji na rezu grafa. Pri tem se postopek opira na dva vhoda parametra, ki omogočata nadzor nad številom členov izhodnih značilnic. Prvi opisuje minimalno sprejemljivo kakovost značilnic, ki jih je treba vključiti v izhodni prostor značilnic, medtem ko drugi določa najvišjo dovoljeno stopnjo podobnosti med značilnicama. Rezultati pokažejo, da je metoda nizko občutljiva na oba vhodna parametra. Naučene značilnice pa statistično značilno izboljšajo klasifikacijsko točnost vseh testiranih klasifikatorjev, medtem ko najboljše točnosti dosežemo z uporabo klasifikatorja naključnih gozdov. Z rezultati primerjave pokažemo, da je predlagani postopek v vseh testnih primerih dosegal ali presegal klasifikacijske točnosti trenutnega stanje tehnike. Prav tako pokažemo tudi pravilnost razlage naučenih značilnic dobro preučene množice testnih podatkov. This dissertation considers a new procedure for learning interpretable features for classification purposes. The features are recombined during each iteration based on predefined arithmetic operations and evaluated according to their suitability for classification. The latter is based on overlapping probability distributions between feature's samples belonging to different classes. For further development in the next iteration, we select a subset of the best quality uncorrelated features using a new method based on a graph cut. Here, the procedure is based on two-parameter input, which allows control over the number of terms of the output features. The first describes the minimum acceptable quality of features that must be included in the output feature space, while the second defines the maximum allowed degree of similarity between features. The experiments display the method's low sensitivity to both input parameters. On the other hand, the learned features statistically significantly improve the classification accuracy of all tested classifiers, while the random forest classifier achieves the best accuracies. As confirmed by experiments, the proposed method achieved or exceeded the classification accuracies of the current state of the art in all test cases. We have also demonstrated the correctness of interpreting the learned features of a well-studied test data set. klasifikacija podatkov razložljiva umetna inteligenca učenje značilnic odkrivanje znanja data classification explainable artificial intelligence feature learning knowledge discovery true true false [D. Vlahek] Slovenski jezik Angleški jezik Doktorsko delo/naloga 2023-12-18 09:42:09 2024-05-07 09:04:09 2024-05-08 03:18:23 0000-00-00 00:00:00 2024 0 Maribor 0 Maribor IX, 87 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.85.021(043.3) 194558723 DOK_Vlahek_Dino_2024.pdf DOK_Vlahek_Dino_2024.pdf 1 27C6007CB133CDB724E20B8AE16A173C e3945ffc39a4462f0d9dca186c56acc43133c0061480ec40d4138140dc926f92 624d3a4b-f322-11ee-9068-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=177939 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0