Desarrollo de modelos de Inteligencia Artificial Interpretables en Aprendizaje Federado: Fusión de árboles de decisión
Metadatos
Mostrar el registro completo del ítemEditorial
Universidad de Granada
Departamento
Universidad de Granada. Programa de Doctorado en Tecnologías de la Información y ComunicaciónFecha
2024Fecha lectura
2024-06-07Referencia bibliográfica
Argente del Castillo Garrido, Alberto. Desarrollo de modelos de Inteligencia Artificial Interpretables en Aprendizaje Federado: Fusión de árboles de decisión. Granada: Universidad de Granada, 2024. [https://hdl.handle.net/10481/93123]
Patrocinador
Tesis Univ. Granada.; Plan de Recuperación, Transformación y Resiliencia, financiadas por la Unión Europea (Next Generation)Resumen
Los sistemas de Inteligencia Artificial están presentes
en el día a día de las personas, ofreciendo múltiples avances
a los usuarios de estos. El aumento de estos sistemas crece en
paralelo con la preocupación por la privacidad de los datos que
se usan para crear estos sistemas por parte de los usuarios, y
de diversas instituciones oficiales. Algunos de estos sistemas
de Inteligencia Artificial pueden tener un impacto muy alto en
las personas, como por ejemplo un sistema de diagnóstico de
cáncer, y es inaceptable correr el riesgo de usar estos sistemas
en beneplácito de sus características. Es necesaria la creación
de sistemas de Inteligencia Artificial fiables para garantizar
que estos sean robustos, transparentes, no discriminatorios, accesibles
y respetuosos con la privacidad de los datos de los usuarios.
El Aprendizaje Federado es un paradigma de Aprendizaje
Automático distribuido y colaborativo que surge como una solución para asegurar la privacidad y gobernanza de los datos de los
usuarios, dado que no es necesario el intercambio de datos privados
entre los nodos que entrenan el modelo de Inteligencia Artificial.
Además de que un sistema de Inteligencia Artificial mantenga la
privacidad y la seguridad de los datos de los usuarios, es necesario
que ´este sea interpretable, sobre todo en campos donde manejan
datos sensibles. De esta forma se podrían utilizar estos sistemas,
que ayudarían a los expertos en la toma de decisiones final, no
sólo por ofrecer la predicción del sistema, sino porque también
proporcionan los motivos por los que se ha tomado esta decisión. La hipótesis central de esta tesis es que los modelos interpretables
tradicionales del Aprendizaje Automático centralizado pueden mantener su interpretabilidad en un entorno federado. La
creación de estos modelos permitirá crear sistemas de Inteligencia
Artificial fiables que puedan llegar a ser utilizados en ámbitos donde
la privacidad de los datos sea imperativa. Para corroborar la
hipótesis de partida, se han marcado los siguientes objetivos:
1. Desarrollo de una metodología que permita unificar el proceso
de entrenamiento de nuevos modelos en entornos de
Aprendizaje Federado.
2. Diseño, implementación y evaluación de un agregador de
Aprendizaje Federado para ´Arboles de Decisión basados en
reglas. Como resultado se ha desarrollado la propuesta de
agregación de ´arboles de decisión ICDTA4FL.
3. Desarrollar un software de Aprendizaje Federado que permita
la implementación de agregadores para los diferentes
modelos de Aprendizaje Federado interpretables y explicables.
Este software permitirá a˜nadir agregadores para modelos
de Aprendizaje Automático interpretables, y que permita
realizar la experimentación en diferentes entornos federados.
Como resultado se ha desarrollado el software FLEX-Trees.
Esta tesis logra aunar la privacidad de los datos junto a la
interpretabilidad de sistemas de Inteligencia Artificial en entornos
de Aprendizaje Federado, con la creación de un proceso de agregación de modelos interpretables, que permite adaptar un modelo
clásico de Aprendizaje Automático, como lo son los ´Arboles de
Decisión, a un entorno de Aprendizaje Federado. También se ha
realizado un software que incluye algunos de los modelos interpretables
del estado del arte para Aprendizaje Federado, y todo esto
llevando a cabo una metodología de trabajo de entrenamiento y
evaluación en entornos de Aprendizaje Federado.