El Fin del Conocimiento - Bóveda 6/55 - CVPR - 2020 - Explicando Modelos de Aprendizaje Automático Basados en Árboles

graph LR classDef main fill:#f9d4f9, font-weight:bold, font-size:14px classDef tree fill:#f9d4d4, font-weight:bold, font-size:14px classDef shap fill:#d4f9d4, font-weight:bold, font-size:14px classDef gan fill:#d4d4f9, font-weight:bold, font-size:14px classDef latent fill:#f9f9d4, font-weight:bold, font-size:14px classDef interpretation fill:#d4f9f9, font-weight:bold, font-size:14px Main["Explicando Modelos de Aprendizaje
Automático Basados en Árboles"] --> A["Modelos Basados en Árboles"] Main --> B["Explicaciones SHAP"] Main --> C["Conceptos Básicos de GAN"] Main --> D["Espacio Latente de GAN"] Main --> E["Interpretación de GAN"] A --> A1["La explicación de modelos basados en árboles es desafiante 1"] A --> A2["La importancia de las características depende de la
estructura del árbol 2"] A --> A3["Los valores de Shapley miden la importancia de las características 3"] A --> A4["TreeSHAP reduce la complejidad de los valores de Shapley 4"] A --> A5["Los modelos complejos capturan mejor las relaciones no lineales 7"] A --> A6["Los modelos lineales asignan pesos incorrectos a
características irrelevantes 8"] B --> B1["SHAP explica conjuntos de datos, estructura global
del modelo 5"] B --> B2["SHAP se relaciona con los gráficos de dependencia
parcial 6"] B --> B3["Los gráficos de resumen de SHAP muestran la
importancia de las características 9"] B --> B4["Los gráficos de interacción de SHAP revelan
interacciones de características 10"] B --> B5["SHAP explica la pérdida del modelo para
monitoreo 11"] B --> B6["El monitoreo basado en SHAP detecta desviaciones de datos 12"] C --> C1["Los GANs sintetizan imágenes fotorrealistas diversas 13"] C --> C2["La disección de GAN interpreta funciones internas
de unidades 14"] C --> C3["GANs: generador y discriminador entrenan
adversarialmente 19"] C --> C4["Semántica de GAN: unidades internas, espacio
latente 20"] C --> C5["La segmentación semántica etiqueta unidades
internas de GAN 21"] C --> C6["Las unidades de GAN se especializan en objetos/texturas
específicos 22"] D --> D1["El espacio latente de GAN controla la
semántica de la imagen 15"] D --> D2["Los paseos aleatorios revelan transiciones suaves de
atributos 16"] D --> D3["El espacio latente codifica varios atributos de
imágenes 24"] D --> D4["Visualizar paseos revela transiciones de atributos 25"] D --> D5["El espacio latente inicial impulsa la diversidad
de imágenes 29"] D --> D6["Las transiciones latentes revelan conceptos
semánticos codificados 30"] E --> E1["La disección de GAN permite la edición
interactiva de imágenes 17"] E --> E2["Interpretar modelos generativos explica la síntesis
de imágenes 18"] E --> E3["Controlar unidades añade/elimina contenido de imágenes 23"] E --> E4["Interpretar GANs revela composiciones de imágenes
aprendidas 26"] E --> E5["La disección correlaciona activaciones con segmentación
semántica 27"] E --> E6["Manipular unidades semánticas permite la edición
de imágenes 28"] class Main main class A,A1,A2,A3,A4,A5,A6 tree class B,B1,B2,B3,B4,B5,B6 shap class C,C1,C2,C3,C4,C5,C6 gan class D,D1,D2,D3,D4,D5,D6 latent class E,E1,E2,E3,E4,E5,E6 interpretation

Resumen:

1.- Explicar modelos de aprendizaje automático basados en árboles es desafiante, incluso para árboles de decisión simples.

2.- Medir la importancia de las características en árboles de decisión es complicado y a menudo depende de la estructura del árbol.

3.- Los valores de Shapley de la teoría de juegos proporcionan una forma deseable de medir la importancia de las características en árboles de decisión.

4.- TreeSHAP reduce la complejidad exponencial de los valores de Shapley a tiempo polinómico para modelos basados en árboles.

5.- Los valores SHAP pueden usarse para explicar conjuntos de datos completos y representar la estructura global del modelo.

6.- Los valores SHAP están estrechamente relacionados con los gráficos de dependencia parcial para modelos simples.

7.- Los modelos complejos pueden capturar mejor las relaciones no lineales que los modelos lineales de alto sesgo.

8.- Los modelos lineales pueden asignar peso a características irrelevantes cuando se aplican a datos no lineales.

9.- Los valores SHAP pueden usarse para crear gráficos de resumen que muestran la importancia y las interacciones de las características.

10.- Los gráficos de interacción SHAP revelan cómo las características interactúan para afectar las predicciones del modelo.

11.- Los valores SHAP pueden usarse para explicar la pérdida del modelo, útil para el monitoreo del modelo.

12.- El monitoreo basado en SHAP puede detectar desviaciones sutiles de datos y errores que afectan el rendimiento del modelo.

13.- Las Redes Generativas Adversarias (GANs) pueden sintetizar imágenes fotorrealistas con características diversas.

14.- La disección de GAN interpreta las unidades internas de los generadores como sintetizadores de objetos.

15.- El espacio latente de los GANs controla varios aspectos semánticos de las imágenes generadas.

16.- Los paseos aleatorios en el espacio latente de GAN revelan transiciones suaves entre diferentes atributos de imagen.

17.- La disección de GAN permite la edición interactiva de imágenes sintetizadas manipulando unidades internas.

18.- Interpretar modelos generativos profundos ayuda a entender cómo sintetizan imágenes realistas.

19.- Los GANs consisten en un generador y un discriminador entrenados de manera adversarial.

20.- La semántica latente en los GANs incluye unidades internas y el espacio latente inicial.

21.- La segmentación semántica ayuda a asociar etiquetas con unidades internas de GAN.

22.- La disección de GAN identifica unidades especializadas en sintetizar objetos o texturas específicos.

23.- Controlar unidades de GAN permite añadir o eliminar contenido específico en imágenes generadas.

24.- El espacio latente de los GANs codifica varios atributos semánticos de las imágenes generadas.

25.- Visualizar paseos aleatorios en el espacio latente de GAN revela transiciones suaves entre atributos de imagen.

26.- Interpretar los GANs ayuda a entender composiciones de imágenes aprendidas y representaciones de contenido.

27.- La disección de GAN correlaciona activaciones de unidades con segmentación semántica para identificar funciones de unidades.

28.- La edición interactiva de imágenes generadas por GAN es posible manipulando unidades semánticas identificadas.

29.- El espacio latente inicial de los GANs es el principal impulsor para sintetizar imágenes diversas.

30.- Visualizar transiciones en el espacio latente de GAN revela conceptos semánticos codificados como color, disposición y presencia de objetos.

Bóveda de Conocimiento construida por David Vivancos 2024