Abordando el problema de la explicablilidad en redes neuronales artificiales mediante lógica simbólica y algoritmos genéticos

Thesis Abstract

Como modelo de caja negra debido a su estructura no lineal multicapa, las redes neuronales profundas son criticadas por no ser transparentes y sus predicciones no rastreables por los humanos. Además, los modelos aprenden de conjuntos de datos a menudo con sesgos o contenido discriminatorio contaminado. Nuestra propuesta consiste en generar especificaciones formales simbólicas para las redes neuronales en la forma de Pre y Post condiciones, expresadas en un lenguaje familiar a los desarrolladores de software, como OCL y JML. Para el descubrimiento de la especificación formal se utilizará la técnica de algoritmos genéticos.