Level: PhD
Técnicas de Inteligencia artificial explicable basadas en una integración de lógica simbólica y no-simbólica
Timeline: Jan 2021 – Jul 2024
•
100% Progress
Thesis Abstract
Se desarrolla un método para extraer el patrón de reglas aprendido por una red neuronal entrenada de tipo feedforward, se analizan sus propiedades y se explican estos patrones mediante el uso de lógica de primer orden.
Related Projects
Related Publications
APA (7th Edition)
Pablo Negro and Claudia Pons (2024). “Rule Extraction in Trained Feedforward Deep Neural Networks: Integrating Cosine Similarity and Logic for Explainability”. International Journal of Artificial Intelligence and Machine Learning (IJAIML). ISSN: 2642-1577|EISSN: 2642-1585| https://doi.org/10.4018/IJAIML.347988 Volume 13, Issue 1, Article 2.
Negro, P., & Pons, C. (2022). Artificial Intelligence techniques based on the integration of symbolic logic and deep neural networks: A systematic review of the literature. Inteligencia Artificial, 25(69), 13–41. https://doi.org/10.4114/intartif.vol25iss69pp13-41
Thesis Profile
Student
Pablo Negro
Career / Program
Doctorado en Ciencias Informáticas, Universidad Abierta Interamericana UAI
Director
Claudia Pons
Co-Director
Carlos Neil
Thesis Completion Milestone
100%
Involved lab members
Scientific Keywords
Keywords:
inteligencia artificial, explicabilidad, XAI, lógica simbólica
#explainable ai
#artificial intelligence