Riassunto analitico
I Deep Neural Networks sono potenti predittori "black-box" che hanno raggiunto risultati impressionanti in una vasta gamma di attività. La loro accuratezza, tuttavia, ha un costo in termini di comprensione. Ciò limita la loro applicazione in settori in cui le decisioni hanno un alto impatto e responsabilità, come in ambito medico. Grazie all’utilizzo di nuovi approcci come i “Neural Additive Models” (NAM) e le “Class Activation Maps” (CAM) è possibile utilizzare le reti neurali preservando l’interpretabilità e mantenendo alte le prestazioni. Il documento seguente è incentrato sull’analisi e lo studio di un tipo di dato variabile nel tempo tempo e multidimensionale, le serie Temporali Multivariate. All’interno di esso vi è tutto uno studio introduttivo in cui vengono illustrati gli algoritmi di classificazione, attualmente allo stato dell’arte, per lo studio delle serie al fine di capire al meglio come funzionano le tecniche di analisi di questo tipo di dato. Lo scopo di questa tesi è quello di testare le nuove tecnologie proposte, NAM e CAM, in relazione a questi algoritmi, in modo tale da ottenere dei modelli intrepretabili con un adeguato livello di accuratezza e che possano rappresentare una valida alternativa alle principali soluzioni proposte nell'ultimo decennio. Ogni modello è stato testato su un determinato insieme di dati multivariati scaricati dall'archivio interno del “UEA & UCR Time Series Classification Repository”. Nello specifico caso delle NAM è stata effettuata un'analisi più completa, nella quale sono state analizzate diverse tecniche di selezione delle caratteristiche durante la fase di discretizzazione dei dati temporali grezzi, così da generare il giusto set di dati per la successiva fase di apprendimento. In entrambi i casi, sia NAM che CAM sono state all’altezza delle aspettative, generando punteggi di accuratezza in linea con gli altri algoritmi allo stato dell’arte.
|