Comparative analysis of explanatory methods in explainable artificial intelligence: An assessment of robustness, error, and efficiency
Açıklanabilir Yapay Zeka'da açıklayıcı yöntemlerin karşılaştırmalı analizi: Dayanıklılık, hata ve verimlilik değerlendirmesi
- Tez No: 875867
- Danışmanlar: DOÇ. DR. TEVFİK AYTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Açıklanabilir Yapay Zeka (XAI) alanında, modellerin karar alma süreçlerini anlamak ve bu süreçleri insanlar için anlaşılır hale getirmek hayati önem taşır. Bu nedenle, farklı açıklama metodolojilerini değerlendirmek için çeşitli metriklerin kullanılması kritik bir rol oynar. Bu çalışmanın amacı, çeşitli metrikler kullanarak XAI metodolojilerinin kapsamlı bir karşılaştırmasını yapmaktır. Çalışma, KernelExplainer ve SamplingExplainer metodlarına odaklanarak, bu metodların sağlamlığı, hata oranları ve çalışma zamanı verimliliği üzerinde derinlemesine bir değerlendirme yapmayı hedeflemiştir. Değerlendirme başlangıçta KernelExplainer metoduna odaklanarak, örneklem mekanizmasına küçük değişiklikler yapılmasını içermiştir. Bu değişiklikler arasında örnek sayısındaki değişiklikler, seçim stratejisi (özelliklere göre rastgele karşı tabakalı örnekleme), örneklerin doğrusal modeldeki ağırlığı (eşit ağırlıklandırma karşısında makale-formülüne dayalı ağırlıklandırma) ve özellik önem değerlerine dayalı örnekleme yoğunluğunun ayarlanmasının etkisi yer almıştır. KernelExplainer üzerine yoğunlaşan analizlerin ardından, KernelExplainer ve SamplingExplainer arasında kapsamlı bir karşılaştırmalı değerlendirme yapılmıştır. Bu inceleme, örnek büyüklüğündeki değişikliklerin her bir açıklayıcı performansını sağlamlık, hata ve çalışma zamanı açısından bağımsız olarak nasıl etkilediğine dair derinlemesine bir araştırma içermiştir. Karşılaştırmalı analizler, farklı veri setleri üzerinden uygulanmış ve değerlendirilmiştir. Bu araştırma, her bir açıklama metodunun işlem verimlilikleri ve potansiyel eksiklikleri üzerine ışık tutmayı ve bu şekilde, açıklanabilir yapay zeka alanındaki çeşitli analitik ihtiyaçları karşılamak için uygun açıklama mekanizmalarının seçimini yönlendirmeyi amaçlamıştır.
Özet (Çeviri)
In the field of Explainable Artificial Intelligence (XAI), it is crucial to understand the decision-making processes of models and to make these processes comprehensible to humans. Therefore, utilizing various metrics to evaluate the different explanatory methodologies plays a critical role. The objective of this study is to conduct a comprehensive comparison of XAI methodologies by utilizing various metrics. It is embarked on an in-depth evaluation of KernelExplainer and SamplingExplainer methods, focusing on their robustness, error, and running time efficiency. Initially, the evaluation centered on the KernelExplainer method, introducing minor modifications to its sampling mechanism. These modifications included variations in the number of samples, the selection strategy (random versus stratified sampling across features), the weighting of the samples in the linear model (equal weighting versus paper-formula-based weighting), and the impact of adjusting sampling intensity based on feature importance values. Following a focused analysis on KernelExplainer, a comprehensive comparative evaluation between KernelExplainer and SamplingExplainer are conducted. This examination delved into how sample size variations independently influenced each explainer's performance in terms of robustness, error, and running time. The comparative analyses are applied and evaluated across different datasets. This research aimed to shed light on the operational efficiencies and potential drawbacks of each explanatory method through a comparative approach. Thus, it guided the selection of suitable explanation mechanisms to meet the diverse analytical needs in the field of explainable artificial intelligence.
Benzer Tezler
- Advancing software defect prediction through ensemble Xai methods: Insights and performance evaluation
Entegre Xai yöntemleri ̇ile yazılım hata tahmininin geliştirilmesi: Analizler ve performans değerlendirmesi
BAHAR GEZİCİ GEZİCİ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYÇA KOLUKISA
- Açıklanabilir yapay zeka ve dönüştürücüler kullanılarak beyin tümörü analizi
Brain tumor analysis with explainable artificial intelligence and transformers
SENA KALİFATİ
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriKocaeli ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ZEKİ KONYAR
- Orman yangınlarının mekânsal dağılımı ve hava kalitesine etkilerinin uydu verileri ve makine öğrenme yöntemleri ile analizi: 2025 Türkiye ve kaliforniya (LA) yangınları
Analysis of spatial distribution of forest fires and their impacts on air quality using satellite data and machine learning methods: 2025 turkey and california (LA) fires
İLAY NUR TÜMER
Yüksek Lisans
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Sivas-Kangal yöresinde kırsal gelişme ve pazara açılma sürecindeki farklılaşmalar (bir örnek olay incelemesi)
Başlık çevirisi yok
FAHRİ ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiSosyoloji Ana Bilim Dalı
DOÇ. DR. A. VAHAP SAĞ
- Sivas'ta kadınların işgücüne katılım farklılıkları
Başlık çevirisi yok
BİNNUR ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiKurumlar Sosyolojisi Ana Bilim Dalı
YRD. DOÇ. DR. FARUK KOCACIK