No próximo dia 4 de dezembro de 2024, o CEMAPRE (Centro de Matemática Aplicada à Previsão e Decisão Económica) promoverá um seminário intitulado “Mathematical Optimization in Explainable Machine Learning”, apresentado por Emilio Carrizosa, professor na Universidade de Sevilha. O evento terá lugar no Anfiteatro 3 (ISEG, Edifício Quelhas) entre as 14h30 e as 15h30.
O seminário abordará o papel fundamental da otimização matemática no desenvolvimento de modelos de machine learning explicáveis. Embora os métodos de machine learning tradicionais sejam amplamente utilizados em tecnologia, ciência e tomada de decisão, muitas vezes são vistos como “caixas negras”. Esta característica pode limitar a sua aceitação e apoio social, levando ao surgimento de novos modelos sob o conceito de Explainable Machine Learning.
Segundo Emilio Carrizosa, as ferramentas de modelação e otimização matemática não só são essenciais nos métodos tradicionais de machine learning, mas ganham ainda mais relevância no contexto explicável. Isto porque permitem integrar propriedades desejáveis, como parcimónia ou justiça, através de restrições ou termos de penalização em problemas de otimização.
A apresentação destacará dois desafios específicos em que a equipa de investigação do orador tem trabalhado:
- Problemas contrafactuais: uma categoria especial de problemas de projeção que visam explorar cenários alternativos e suas implicações.
- Collective LIME: um método de linearização esparsa que ajuda a interpretar modelos complexos através de simplificações locais.
O evento será uma oportunidade única para académicos, profissionais e estudantes interessados em inteligência artificial explicável e em como a matemática aplicada pode potenciar a criação de modelos de machine learning mais transparentes e confiáveis.
Entrada livre.
Abstract
Machine Learning (ML) is becoming a common tool in Technology, Science and Decision Making. Since ML methods are usually seen as a black box, limiting their use and social support, new models and methods, assumed to be trustworthy, have appeared under the umbrella of Explainable Machine Learning.
While Mathematical Modelling and Mathematical Optimization play a crucial role in traditional ML, they are even more useful in Explainable Machine Learning, since they allow one to include desirable properties in the model, such as sparsity or fairness, via constraints or penalty terms in an optimization problem. In this talk we will illustrate two challenges in which the research team has been working: Counterfactual problems, which are a very special case of projection problem, and Collective LIME, which is a sparse linearization method for a prediction functional.