Abstract
Een veelvoorkomend en recent algemeen geaccepteerd probleem op het gebied van automatisch leren, is de black box-aard van veel algoritmen. In de praktijk kunnen deze algoritmen bekeken worden in termen van hun invoer en uitvoer, maar zonder enige kennis van hun interne werking. De meest beruchte voorbeelden in deze context, zijn artificiële neurale netwerken en deep learning technieken, maar ze zijn zeker niet de enige technieken die aan dit probleem lijden. Matrixfactorisatie modellen voor gepersonaliseerde aanbevelingen lijdt bijvoorbeeld aan hetzelfde gebrek aan interpreteerbaarheid. Ons onderzoek focust zich op het toepassen en aanpassen van pattern mining technieken om betekenisvolle inzichten te krijgen in big data algoritmen door hun invoer en uitvoer te analyseren, wat ons ook toestaat om verschillende algoritmen te vergelijken en de verborgen fenomenen te vinden die tot de verschillen leiden.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)