Uczenie wielozadaniowe w samowytłumaczalnych głębokich sieciach neuronowych

Praca analizuje i rozszerza badanie „Exploring Multi Task Learning for Explainability” autorstwa Foivosa Charalampakosa i Iordanisa Koutsopoulosa. Głównym celem jest odtworzenie wyników oryginalnego badania w celu oceny wpływu zastosowania podejścia Multi-Task Learning na wydajność modeli w dwóch zadaniach: zadanie predykcyjne (mierzone błędem średniokwadratowym lub dokładnością) i wyjaśnialność (mierzona za pomocą Global Fidelity). Ponadto praca bada wpływ podejścia na lokalną wyjaśnialność. Wyniki są porównywane z wynikami uzyskanymi za pomocą podejścia Single Task Learning, które służy jako punkt odniesienia. Ponadto wprowadzono rozszerzenie polegające na włączeniu lokalnych modeli zastępczych i Neighborhood Fidelity podczas szkolenia, w celu oceny ich wpływu na wydajność modeli.

Thesis analyzes and extends the research "Exploring Multi Task Learning for Explainability" by Foivos Charalampakos and Iordanis Koutsopoulos. The primary objective is to reproduce the results of the original study to evaluate the effects of employing a Multi-Task Learning approach on model performance across two tasks: prediction (measured by mean squared error or accuracy) and explainability (measured through Global Fidelity). Additionally, this thesis investigates the influence of the approach on local explainability. The outcomes are compared with those derived from a Single Task Learning approach, which serves as the reference baseline. Moreover, an extension is introduced through the incorporation of local surrogate models and Neighborhood Fidelity during training, with the aim of assessing their impact on various performance metrics of the models.