Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles...

Autores: Capdevielle, Tomás
Año de publicación: 2025
Idioma: español castellano
Tipo de recurso: tesis de grado
Estado: versión publicada
Colaborador/a o director/a de tesis: Cifuentes, Santiago
Descripción: Esta tesis propone una exploración sobre el campo de la explicabilidad en modelos de inteligencia artificial, comúnmente conocido como XAI. En concreto, el enfoque de este trabajo está puesto en la explicabilidad basada en lógica; esto es, dado un modelo de clasificación y una entrada para el mismo, seleccionar aquellas features o atributos que cumplan con ciertas propiedades lógicas. Esto da lugar a las nociones de features relevantes y necesarias, en cuyo cálculo se profundiza. En este sentido, se aportan resultados formales que sustenten algoritmos existentes en la literatura, así como también se proponen algoritmos eficientes para detectar la necesidad de features en modelos tanto simples (e.g. árboles de decisión) como complejos (e.g. redes neuronales). A su vez, se exploran generalizaciones para la noción de relevancia, con el objetivo de capturar una visión más detallada del comportamiento de un modelo para una predicción dada. Por último, se introduce una nueva noción global de utilidad, que apunta a explicar si una feature es importante para el comportamiento de un modelo a nivel general, i.e. sin considerar una entrada en particular. De aquí surge también una propuesta para un sistema de feature ranking basado en utilidad, para cuyo cálculo se presentan algoritmos eficientes para ciertos modelos.
This thesis presents an exploration of the field of explainability in artificial intelligence models, commonly known as XAI. Specifically, we focuse on logic-based explainability; that is, given a classification model and an input, the task of identifying those features that satisfy certain logical properties. This leads to the notions of relevant and necessary features, whose computation is studied in depth in this work. Our goal is to provide formal results that support existing algorithms in the literature, as well as to propose efficient algorithms for detecting feature necessity in both simple models (such as decision trees) and complex ones (such as neural networks). Additionally, we explore two different generalizations for the notion of relevancy, aiming to capture a more detailed understanding of a model’s behavior for a given prediction. Finally, we introduce a new global notion of utility, which seeks to determine whether a feature is important for the overall behavior of a model on a general scope, that is without considering any specific input. Based on this notion, we also present the foundations for a feature ranking system based on utility, for which efficient computation algorithms are also proposed for certain models.
Fil: Capdevielle, Tomás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia: EXPLICABILIDAD
INTELIGENCIA ARTIFICIAL
FEATURES RELEVANTES
FEATURES NECESARIAS
LOGICA
EXPLAINABILITY
ARTIFICIAL INTELLIGENCE
FEATURE RELEVANCY
FEATURE NECESSITY
LOGIC
Nivel de accesibilidad: acceso abierto
Condiciones de uso: https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador: seminario:seminario_nCOM000867_Capdevielle

Acceder

id	BDUBAFCEN_f612fbcf1df3e3581f404761a1bd1d21
oai_identifier_str	seminario:seminario_nCOM000867_Capdevielle
network_acronym_str	BDUBAFCEN
repository_id_str	1896
network_name_str	Biblioteca Digital (UBA-FCEN)
spelling	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanosLogic-based explainability for simple artificial intelligence models : on the complexity and algorithms for computing relevant, necessary and useful features in boolean classifiersCapdevielle, TomásEXPLICABILIDADINTELIGENCIA ARTIFICIALFEATURES RELEVANTESFEATURES NECESARIASLOGICAEXPLAINABILITYARTIFICIAL INTELLIGENCEFEATURE RELEVANCYFEATURE NECESSITYLOGICEsta tesis propone una exploración sobre el campo de la explicabilidad en modelos de inteligencia artificial, comúnmente conocido como XAI. En concreto, el enfoque de este trabajo está puesto en la explicabilidad basada en lógica; esto es, dado un modelo de clasificación y una entrada para el mismo, seleccionar aquellas features o atributos que cumplan con ciertas propiedades lógicas. Esto da lugar a las nociones de features relevantes y necesarias, en cuyo cálculo se profundiza. En este sentido, se aportan resultados formales que sustenten algoritmos existentes en la literatura, así como también se proponen algoritmos eficientes para detectar la necesidad de features en modelos tanto simples (e.g. árboles de decisión) como complejos (e.g. redes neuronales). A su vez, se exploran generalizaciones para la noción de relevancia, con el objetivo de capturar una visión más detallada del comportamiento de un modelo para una predicción dada. Por último, se introduce una nueva noción global de utilidad, que apunta a explicar si una feature es importante para el comportamiento de un modelo a nivel general, i.e. sin considerar una entrada en particular. De aquí surge también una propuesta para un sistema de feature ranking basado en utilidad, para cuyo cálculo se presentan algoritmos eficientes para ciertos modelos.This thesis presents an exploration of the field of explainability in artificial intelligence models, commonly known as XAI. Specifically, we focuse on logic-based explainability; that is, given a classification model and an input, the task of identifying those features that satisfy certain logical properties. This leads to the notions of relevant and necessary features, whose computation is studied in depth in this work. Our goal is to provide formal results that support existing algorithms in the literature, as well as to propose efficient algorithms for detecting feature necessity in both simple models (such as decision trees) and complex ones (such as neural networks). Additionally, we explore two different generalizations for the notion of relevancy, aiming to capture a more detailed understanding of a model’s behavior for a given prediction. Finally, we introduce a new global notion of utility, which seeks to determine whether a feature is important for the overall behavior of a model on a general scope, that is without considering any specific input. Based on this notion, we also present the foundations for a feature ranking system based on utility, for which efficient computation algorithms are also proposed for certain models.Fil: Capdevielle, Tomás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesCifuentes, Santiago2025-06-03info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000867_Capdeviellespainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-01T10:19:46Zseminario:seminario_nCOM000867_CapdevielleInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-01 10:19:49.447Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos Logic-based explainability for simple artificial intelligence models : on the complexity and algorithms for computing relevant, necessary and useful features in boolean classifiers
title	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos
spellingShingle	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos Capdevielle, Tomás EXPLICABILIDAD INTELIGENCIA ARTIFICIAL FEATURES RELEVANTES FEATURES NECESARIAS LOGICA EXPLAINABILITY ARTIFICIAL INTELLIGENCE FEATURE RELEVANCY FEATURE NECESSITY LOGIC
title_short	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos
title_full	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos
title_fullStr	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos
title_full_unstemmed	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos
title_sort	Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles en clasificadores booleanos
dc.creator.none.fl_str_mv	Capdevielle, Tomás
author	Capdevielle, Tomás
author_facet	Capdevielle, Tomás
author_role	author
dc.contributor.none.fl_str_mv	Cifuentes, Santiago
dc.subject.none.fl_str_mv	EXPLICABILIDAD INTELIGENCIA ARTIFICIAL FEATURES RELEVANTES FEATURES NECESARIAS LOGICA EXPLAINABILITY ARTIFICIAL INTELLIGENCE FEATURE RELEVANCY FEATURE NECESSITY LOGIC
topic	EXPLICABILIDAD INTELIGENCIA ARTIFICIAL FEATURES RELEVANTES FEATURES NECESARIAS LOGICA EXPLAINABILITY ARTIFICIAL INTELLIGENCE FEATURE RELEVANCY FEATURE NECESSITY LOGIC
dc.description.none.fl_txt_mv	Esta tesis propone una exploración sobre el campo de la explicabilidad en modelos de inteligencia artificial, comúnmente conocido como XAI. En concreto, el enfoque de este trabajo está puesto en la explicabilidad basada en lógica; esto es, dado un modelo de clasificación y una entrada para el mismo, seleccionar aquellas features o atributos que cumplan con ciertas propiedades lógicas. Esto da lugar a las nociones de features relevantes y necesarias, en cuyo cálculo se profundiza. En este sentido, se aportan resultados formales que sustenten algoritmos existentes en la literatura, así como también se proponen algoritmos eficientes para detectar la necesidad de features en modelos tanto simples (e.g. árboles de decisión) como complejos (e.g. redes neuronales). A su vez, se exploran generalizaciones para la noción de relevancia, con el objetivo de capturar una visión más detallada del comportamiento de un modelo para una predicción dada. Por último, se introduce una nueva noción global de utilidad, que apunta a explicar si una feature es importante para el comportamiento de un modelo a nivel general, i.e. sin considerar una entrada en particular. De aquí surge también una propuesta para un sistema de feature ranking basado en utilidad, para cuyo cálculo se presentan algoritmos eficientes para ciertos modelos. This thesis presents an exploration of the field of explainability in artificial intelligence models, commonly known as XAI. Specifically, we focuse on logic-based explainability; that is, given a classification model and an input, the task of identifying those features that satisfy certain logical properties. This leads to the notions of relevant and necessary features, whose computation is studied in depth in this work. Our goal is to provide formal results that support existing algorithms in the literature, as well as to propose efficient algorithms for detecting feature necessity in both simple models (such as decision trees) and complex ones (such as neural networks). Additionally, we explore two different generalizations for the notion of relevancy, aiming to capture a more detailed understanding of a model’s behavior for a given prediction. Finally, we introduce a new global notion of utility, which seeks to determine whether a feature is important for the overall behavior of a model on a general scope, that is without considering any specific input. Based on this notion, we also present the foundations for a feature ranking system based on utility, for which efficient computation algorithms are also proposed for certain models. Fil: Capdevielle, Tomás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description	Esta tesis propone una exploración sobre el campo de la explicabilidad en modelos de inteligencia artificial, comúnmente conocido como XAI. En concreto, el enfoque de este trabajo está puesto en la explicabilidad basada en lógica; esto es, dado un modelo de clasificación y una entrada para el mismo, seleccionar aquellas features o atributos que cumplan con ciertas propiedades lógicas. Esto da lugar a las nociones de features relevantes y necesarias, en cuyo cálculo se profundiza. En este sentido, se aportan resultados formales que sustenten algoritmos existentes en la literatura, así como también se proponen algoritmos eficientes para detectar la necesidad de features en modelos tanto simples (e.g. árboles de decisión) como complejos (e.g. redes neuronales). A su vez, se exploran generalizaciones para la noción de relevancia, con el objetivo de capturar una visión más detallada del comportamiento de un modelo para una predicción dada. Por último, se introduce una nueva noción global de utilidad, que apunta a explicar si una feature es importante para el comportamiento de un modelo a nivel general, i.e. sin considerar una entrada en particular. De aquí surge también una propuesta para un sistema de feature ranking basado en utilidad, para cuyo cálculo se presentan algoritmos eficientes para ciertos modelos.
publishDate	2025
dc.date.none.fl_str_mv	2025-06-03
dc.type.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado
format	bachelorThesis
status_str	publishedVersion
dc.identifier.none.fl_str_mv	https://hdl.handle.net/20.500.12110/seminario_nCOM000867_Capdevielle
url	https://hdl.handle.net/20.500.12110/seminario_nCOM000867_Capdevielle
dc.language.none.fl_str_mv	spa
language	spa
dc.rights.none.fl_str_mv	info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv	openAccess
rights_invalid_str_mv	https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv	reponame:Biblioteca Digital (UBA-FCEN) instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales instacron:UBA-FCEN
reponame_str	Biblioteca Digital (UBA-FCEN)
collection	Biblioteca Digital (UBA-FCEN)
instname_str	Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str	UBA-FCEN
institution	UBA-FCEN
repository.name.fl_str_mv	Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv	ana@bl.fcen.uba.ar
_version_	1877857579925766144
score	12.853507

Explicabilidad basada en lógica para modelos simples de inteligencia artificial : sobre la complejidad y los algoritmos para el cálculo de features relevantes, necesarias y útiles...

Publicaciones similares