Approximations Efficaces des Explications Abductives de Taille Minimale : Application aux Arbres de Décision et aux Forêts Aléatoires
Jeudi 20 février 2025Louenas BOUNIA (LIPN, Université Sorbonne Paris Nord)
Résumé : Ce travail se concentre sur l’Intelligence Artificielle Explicable (XAI), en mettant l’accent sur les explications formelles des modèles de classification. Alors que les systèmes d’IA sont de plus en plus déployés dans des applications critiques, il est essentiel de rendre leurs décisions compréhensibles pour les utilisateurs humains. Dans ce contexte, nous étudions le défi de l’approximation des explications formelles pour les classifieurs booléens, en nous appuyant sur des applications concrètes pour les arbres de décision et les forêts aléatoires.
La génération d’une explication abductive de taille minimale est une tâche complexe, car ce problème est souvent NP-difficile, même pour des modèles de classification simples comme les arbres de décision. Cette complexité rend les approches exactes, basées sur des encodages SAT, peu pratiques dans des environnements à ressources matérielles limitées ou pour des instances de grande dimension.
Pour surmonter ces limitations, nous formulons le problème de la recherche d’une explication abductive de taille minimale pour une instance donnée et un classifieur $h$ comme un problème d’optimisation sous-modulaire. Nous proposons ensuite une solution gloutonne accompagnée de garanties d’approximation, conçue pour être plus économe en ressources matérielles. Nos expérimentations démontrent que, lorsque le classifieur est un arbre de décision ou une forêt aléatoire, notre algorithme offre une alternative efficace aux approches exactes basées sur l’encodage SAT, en particulier pour les instances difficiles et dans des environnements à ressources limitées.Bio : Louenas Bounia est Maître de Conférences à l’Université Sorbonne Paris Nord, membre du laboratoire LIPN, et chercheur dans le domaine de l’Intelligence Artificielle Explicable (XAI). Dans le cadre de ses recherches, Louenas se concentre principalement sur les modèles formels d’XIA.