Onderzoeksgroep

ADReM Data Lab (ADReM)

Expertise

Ontwikkeling en studie van geavanceerde data mining en machine learning methoden. In het bijzonder onderzoeken we: (i) nieuwe methoden om efficient interessante patronen te ontdekken in sequentiële data bronnen; (ii) nieuwe methoden om contextuele anomalieën te detecteren in heterogene sequentiële data bronnen; (iii) en nieuwe methoden voor multi-label classificatie in extreem grote datasets. Daarnaast onderzoeken we toepassingen van deze methoden in domeinen zoals de monitoring van windmolen parken en anomalie detectie in een Industrial Internet of Things context.

Interpreteerbare kwalitatieve evaluatie van online aanbevelingssystemen. 01/10/2020 - 30/09/2021

Abstract

Individuen vertrouwen vaak op aanbevelingen van anderen bij het nemen van routinematige, dagelijkse beslissingen. Aanbevelingsalgoritmen die dit gedrag nabootsen, zijn essentieel voor het succes van e-commerce. Een open vraag is waarom algoritmen deze aanbevelingen doen. Dit is problematisch gezien dat de meest nauwkeurige algoritmen voor machine learning black-box-modellen zijn en we een dynamische omgeving hebben waarin mogelijk meerdere modellen worden geïmplementeerd en periodiek opnieuw worden getraind. Aangezien elke organisatie menselijk toezicht en besluitvorming nodig heeft, is er behoefte aan inzicht in gebruikersgedrag en interacties met aanbevelingen van black-box machine learning-algoritmen. Traditioneel worden twee aanbevelingssystemen vergeleken op basis van één statistiek, zoals de click-through-rate na een A/B-test. We zullen de prestaties van online aanbevelingssystemen kwalitatief beoordelen door patronen bloot te leggen die kenmerkend zijn voor de verschillen in beoogde gebruikers en items. We stellen voor om interpreteerbare machine learning toe te passen, waarbij het doel is om verklaringen te produceren die kunnen worden gebruikt om menselijk begrip en beslissingen te ondersteunen. Aan de hand van ontdekte interpreteerbare associatieregels en, mogelijk gegroepeerde, counterfactual verklaringen, genereren we waarom aanbevelingssysteem A beter (of slechter) presteert dan aanbevelingssysteem B.

Onderzoeker(s)

Onderzoeksgroep(en)