Explicabilidad y robustez en los algoritmos de reducción de dimensionalidad

Abstract

Las técnicas de reducción de dimensionalidad son un sub-area del campo del aprendizaje automático y el reconocimiento de patrones. Estas técnicas tienen como objetivo principal transformar un conjunto de datos en otro más simple de menor dimensionalidad de forma que se sigan preservando las características principales de los mismos. Otro campo de reciente importancia dentro del aprendizaje automático es la explicabilidad de los algoritmos, esencial para la justificación de las decisiones tomadas por loa mismos. Sin embargo, la explicabilidad en los métodos de reducción de dimensionalidad ha quedado en un segundo plano en cuanto a investigación.

En este trabajo, se ha llevado a cabo una metodología para la comparación de la robustez en las explicaciones de métodos de reducción de dimensionalidad lineales. Entendiendo la robustez como la estabilidad y consistencia de las explicaciones ante pequeñas variaciones en los datos de entrada. Metodología basada en la importancia de las variables originales para la generación de las nuevas, y la introducción de ruido en los datos.

En concreto esta metodología se ha seguido para comparar el nuevo método reductor supervisado SLMVP con otros métodos conocidos o que comparten ciertas características con este. Los resultados de dicha comparación muestran que las explicaciones de SLMVP tienen una muy alta robustez junto con otros métodos como LOL y PCA.

ABSTRACT

Dimensionality reduction techniques are a sub-area of the field of machine learning and pattern recognition. The main objective of these techniques is to transform a data set into a simpler data set of lower dimensionality in such a way that the main characteristics of the data are preserved. Another field of recent importance within machine learning is the explainability of algorithms, which is essential for the justification of the decisions made by the algorithms. However, explainability in dimensionality reduction methods has remained in the background in terms of research.

In this work, a methodology for the comparison of robustness of linear dimensionality reduction methods explanations has been carried out. Robustness is understood as the stability and consistency of the explanations in the face of small variations in the input data. This methodology is based on the importance of the original variables for the generation of the new ones, and the introduction of noise in the data.

Specifically, this methodology has been used to compare the new supervised SLMVP reductive method with other known methods or methods that share certain characteristics with it. The results of this comparison show that the SLMVP explanations have a very high robustness together with other methods such as LOL and PCA.