Este artigo tem como objetivo avaliar o impacto da ponderação temporal, inferência causal e atribuição hierárquica na otimização da interpretabilidade.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Este artigo tem como objetivo avaliar o impacto da ponderação temporal, inferência causal e atribuição hierárquica na otimização da interpretabilidade.
Nos últimos anos, a necessidade de transparência e interpretabilidade foi intensificada devido a avanços significativos em modelos orientados por dados, levando ao surgimento da Inteligência Artificial Explicável (XAI). Várias abordagens tradicionais do XAI são comuns; no entanto, esses têm competência limitada na interpretação de relações dinâmicas. A pesquisa atual visa abordar essa limitação propondo um novo framework de Ensemble SHapley Additive ExPlanations (SHAP), que foca em ponderação temporal, inferência causal, atribuição hierárquica e otimização de interpretabilidade, conhecido como TCHSHAP. O TCHSHAP prioriza informações atuais em detrimento das informações históricas, ponderando temporalmente através do decaimento exponencial. Além disso, a inferência causal separa correlação de causalidade para obter insights práticos. Além disso, a atribuição hierárquica permite insights em níveis granulares (nível regional) e agregados (impactos de grupos de características). Essas abordagens são integradas para alcançar um modelo mais interpretável e explicável. Para validar a eficácia do modelo proposto, realizamos um experimento com o conjunto de dados de rendimento das culturas coletado do Kaggle. Antes da avaliação experimental, o pré-processamento de dados é realizado usando codificação one-hot. A normalização de dados é feita por escalonamento min-max, e os valores atípicos são removidos através da faixa Interquartil. Para fins de avaliação experimental, os autores utilizaram o modelo SHAP XAI para Random Forest. Ao avaliar a eficácia do modelo TCHSHAP proposto, observa-se que, embora a previsão média para o SHAP tradicional seja 161,137, ela sobe para 161,506 após incorporar ponderação temporal e inferência causal, defendendo a eficácia do uso de significância temporal e causal. Além disso, durante a atribuição hierárquica, observa-se que as características agrícolas têm a maior predominância sobre a variável-alvo. Essa predominância é seguida por fatores geográficos e ambientais, em ordem. Assim, os resultados obtidos autorizam a eficácia da abordagem proposta para aprimorar a interpretabilidade global e local, fortalecendo a confiança do usuário nas previsões dos modelos. O trabalho atual oferece maneiras de melhorar a transparência e a interpretabilidade sem afetar o desempenho do modelo. O modelo sugerido também permite modelagem de regressão interpretável e eficiente em aplicações complexas orientadas por dados, possibilitando sua ampla aplicação em ambientes do mundo real.
A regressão desempenha um papel fundamental na análise preditiva, abrangendo vários domínios, incluindo modelagem climática, previsão financeira, diagnóstico em saúde e estimativa de rendimentoagrícola 1,2. No entanto, os resultados inexplicados dos modelos de regressão, especialmente modelos não lineares e de alta capacidade como Gradient Boosting Machines (GBMs), Random Forests e Deep Neural Networks (DNNs), apresentam desafios significativos, especialmente para aplicações que exigem transparência e insights acionáveis. Essa lacuna de interpretabilidade pode ser preenchida e....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
NOTA: Esta seção discute o método de conjunto proposto, incluindo todas as emendas propostas ilustradas na Figura 1.
Preparação de dados
Para validar a eficácia do quadro proposto, os autores realizaram um experimento no conjunto de dados de rendimento das culturas coletado do Kaggle17. Este conjunto de dados consiste em dados agrícolas indianos para várias culturas de 1997 a 2020 e foi acessado em março de 2025. Este conjunto de dados compreende diversas características, como estação da estação, crop_year, fe....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Esta seção discute os resultados obtidos pela aplicação de vários métodos usados durante o estudo experimental, compreendendo várias subseções da seguinte forma:
Coleta e pré-processamento de dados
Para realizar uma avaliação experimental do arcabouço proposto, um conjunto de dados sobre rendimento das culturas foi col.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
O principal objetivo do estudo atual é incorporar ponderação temporal, inferência causal e significado hierárquico no modelo SHAP tradicional, resultando no modelo TCHSHAP. O motivo por trás da inclusão desses componentes nas técnicas XAI é melhorar a interpretabilidade dos resultados. Para ponderação temporal, consideramos uma técnica de decaimento exponencial, que dá mais peso aos valores recentes em comparação com valores antigos. Em relação à significância causal, os autores tentam a.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores declaram que não há conflitos de interesse.
Este trabalho é financiado por fundos nacionais através da FCT – Fundação para a Ciência e a Tecnologia, I.P., sob o Contrato de Programa UID/05105/2025.
....Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| ELI5 | 0.13.0 | PyPI | |
| LIMA | 0.2.0.1 | PyPI | |
| Servidor de GPU Nvidia DGX A100 | CPU Dual AMD Rome 7742, 128 núcleos no total | Nvidia | |
| Memória do Sistema 1TB | |||
| Pitão | 3.1 | Pitão | |
| SHAP | 0.41.0 | PyPI | |
| scikit-learn | 1.3.0 | PyPI | |
| TensorFlow | 2.13 | Fluxo tensorial | |
| XGBoost | 1.7.6 | PyPI |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.