ДОСЛІДЖЕННЯ СТАБІЛЬНОСТІ ПОЯСНЕНЬ ДЛЯ АНСАМБЛЕВИХ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ

Read full text Summarise with VIRAT
Authors: ТЕТЯНА ДЕМКІВСЬКА, Antonina Volivach
Cited by: 0
References: 13

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

ДОСЛІДЖЕННЯ СТАБІЛЬНОСТІ ПОЯСНЕНЬ ДЛЯ АНСАМБЛЕВИХ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ Анотація.У статті комплексно досліджено проблему стабільності пояснень для ансамблевих моделей машинного навчання як ключову умову забезпечення довіри, відтворюваності та практичної придатності інтерпретованих систем штучного інтелекту.Актуальність роботи зумовлена широким застосуванням ансамблевих підходів у задачах прогнозування та класифікації, де нестабільність локальних і глобальних пояснень може призводити до суперечливих інтерпретацій та зниження довіри користувачів.Запропонований підхід орієнтований на системний аналіз варіативності пояснень, що генеруються сучасними методами інтерпретації для ансамблевих моделей, зокрема в умовах зміни навчальних вибірок, початкових параметрів та конфігурацій ансамблю.Методика дослідження ґрунтується на формалізації поняття стабільності пояснень і використанні кількісних метрик її оцінювання, зокрема коефіцієнта варіації, кореляційного аналізу між наборами пояснень, а також узагальнених показників узгодженості ранжування ознак.Запропоновано процедуру експериментального оцінювання надійності інтерпретації шляхом багаторазового відтворення моделей та порівняння отриманих пояснень.Проведено критичний аналіз існуючих методів інтерпретації ансамблевих моделей, визначено їх переваги та обмеження з позиції стабільності результатів, а також фактори, що впливають на варіативність пояснень.Розроблено класифікацію методів підвищення стабільності пояснень залежно від типу ансамблевої моделі, характеру агрегації базових алгоритмів і способу формування пояснень.Показано, що застосування спеціалізованих стратегій агрегації та згладжування пояснень дозволяє суттєво зменшити їхню дисперсію без втрати інформативності.Отримані результати демонструють залежність стабільності пояснень від типу моделі, методу інтерпретації та структури даних і відкривають перспективи впровадження запропонованих підходів у критично важливих галузях, де необхідна надійна, обґрунтована та відтворювана інтерпретація ансамблевих моделей.

Fields of Study & Subjects

Explainable Artificial Intelligence (XAI) Software Testing and Debugging Techniques Adversarial Robustness in Machine Learning

Publication details

Journal / source
Наука і техніка сьогодні
Issue
2(56)
Publication date
21 March 2026
Language
UK