НЕПАРАМЕТРИЧНИЙ ПIДХIД ДО ПОЯСНЮВАЛЬНОГО ШТУЧНОГО IНТЕЛЕКТУ ТА ЙОГО ЗАСТОСУВАННЯ В МЕДИЦИНI

Klyushin, D. A., Maistrenko, O. S. (2023). A NON-PARAMETRIC APPROACH TO EXPLAINABLE ARTIFICIAL INTELLIGENCE AND ITS APPLICATION IN MEDICINE. Journal of Numerical and Applied Mathematics(2), 25–41. https://doi.org/10.17721/2706-9699.2023.2.02

В роботi пропонується непараметричний пiдхiд до пояснюваного штучного iнтелекту на основi постулату компактностi, який стверджує, що об’єкти одного класу в просторi ознак, як правило, розташованi ближче один до одного, нiж до об’єктiв iнших класiв. Загальноприйнято вважати об’єкти подiбними, якщо вони розташованi близько в просторi ознак. Мiж тим, властивостi предметiв у реальному життi часто є випадковими значеннями. Такi об’єкти описуються не вектором ознак, а випадковою вибiркою або кiлькома вибiрками ознак, i постулат компактностi слiд замiнити постулатом статистичної однорiдностi. Об’єкти вважаються однорiдними, якщо їхнi ознаки пiдкоряються однаковим розподiлам. У роздiлi описується непараметрична мiра однорiдностi та надається iлюстрацiя їх використання в медичних додатках, зокрема для дiагностики раку молочної залози в рамках пояснюваного штучного iнтелекту на основi подiбностi. Для порiвняння наводяться результати дiагностики того ж самого набору даних за допомогою глибинного навчання штучної нейронної мережi. Ми формулюємо новi статистичнi постулати машинного навчання та пропонуємо вважати алгоритм машинного навчання пояснювальним та iнтерпретованим, якщо вiн задовольняє цим постулатам.