Análisis poliedral y explicabilidad en redes neuronales artificiales

Thesis Abstract

Este trabajo aborda la opacidad de las redes profundas ReLU mediante una estrategia de explicabilidad estructural basada en zonotopos híbridos, los cuales permiten una representación exacta de la red y ofrecen un marco unificado, escalable y algorítmicamente eficiente para analizar propiedades geométricas reportadas en la literatura. La metodología se materializa en un pipeline reproducible orquestado con Kedro, que abarca desde el entrenamiento batch de redes ReLU hasta el modelado geométrico y análisis de las mismas.