Técnicas de Inteligencia Artificial basadas en una integración de la lógica simbólica y no-simbólica

Permanent URI for this collection

https://repositorio.uai.edu.ar/handle/123456789/301

Browse

Browsing Técnicas de Inteligencia Artificial basadas en una integración de la lógica simbólica y no-simbólica by Author "Moschettoni, Martín"
  • Item
    Evaluation of Transfer Learning Techniques in Neural Networks with Tiny-scale Training Data
    (Editora SETREM, 2023-10-7) Pons, Claudia Fabiana ; Pérez, Gabriela ; Jacinto, Milagros ; Moschettoni, Martín
    This paper rigorously analyzes the process of building a deep neural network for image recognition and classification using Transfer Learning techniques. The biggest challenge is assuming that the training dataset is very small. The research is based on addressing a particular case study, the income of donations to the Food Bank of La Plata. The results obtained corroborate that the techniques analyzed are appropriate to solve tasks of detection and classification of images even in cases in which there is a very moderate number of samples.
  • Item
    Variante enfocada en fidelidad de un algoritmo de extracción de reglas en redes neuronales artificiales
    (Sociedad Argentina de Informática (SADIO), 2023-10-12) Pons, Claudia Fabiana ; Jacinto, Milagros ; Moschettoni, Martín ; Pérez, Gabriela
    Las redes neuronales tienen la capacidad de alcanzar altos niveles de precisión en tareas de clasificación, pero su falta de explicabilidad es un claro inconveniente y lleva a denominarlas “cajas negras”. En este artículo, se presenta una modificación del algoritmo RxREN que se centra en la explicabilidad de las redes neuronales generando reglas precisas y fácilmente interpretables. El objetivo de esta modificación es comprender el proceso de decisión de la red neuronal, y para lograrlo, se analiza la relación entre el nivel de abstracción y su fidelidad. Se implementó un algoritmo con tres configuraciones en dos problemas distintos (Iris, WBC) Se analizó cómo el nivel de abstracción de las reglas afecta su fidelidad, buscando reglas precisas y evaluando el impacto del nivel de abstracción. En conclusión, este estudio tiene por objetivo mejorar significativamente la fidelidad de las reglas generadas por el algoritmo, permitiendo a los usuarios entender mejor el proceso de clasificación y además destacar la importancia de considerar el nivel de abstracción al extraer reglas interpretables y fieles.