এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Ancres (Anchors)
Une méthode d'explication locale qui fournit des règles décisionnelles simples et suffisantes (ancres) qui garantissent de manière probabiliste la même prédiction pour un voisinage de l'observation, offrant une interprétation plus stable que LIME.
Valeurs de Shapley
Le concept théorique fondamental de SHAP, représentant la contribution marginale moyenne d'une caractéristique à travers toutes les coalitions possibles de caractéristiques dans un modèle, assurant une répartition juste de l'importance.
Explication par Surrogat Local
Une approche qui entraîne un modèle simple et interprétable (comme un arbre de décision ou une régression linéaire) pour approximer le comportement d'un modèle complexe uniquement dans le voisinage restreint d'une prédiction spécifique.
Voisinage de l'Observation
L'espace des données défini autour d'une observation spécifique, utilisé par les méthodes d'interprétation locale pour générer des variations et approximer le comportement du modèle dans cette région restreinte.
Fidélité Locale (Local Fidelity)
Une métrique évaluant la précision avec laquelle une explication locale (comme un modèle surrogate) reproduit les prédictions du modèle original dans le voisinage de l'observation expliquée.
TreeSHAP
Une variante de l'algorithme SHAP optimisée pour les modèles basés sur des arbres de décision, capable de calculer les valeurs de Shapley exactes de manière beaucoup plus rapide en exploitant la structure intrinsèque de ces modèles.
KernelSHAP
Une implémentation de SHAP qui utilise une fonction de pondération (noyau) pour estimer les valeurs de Shapley de manière approximative, la rendant applicable à n'importe quel modèle de manière agnostique mais avec un coût computationnel plus élevé.
DeepSHAP
Une adaptation de SHAP spécifiquement conçue pour les modèles de deep learning, qui combine les valeurs de Shapley avec des techniques de propagation arrière (backpropagation) pour calculer efficacement les attributions de caractéristiques.
অ্যাড-হক ব্যাখ্যা
একটি একক উদাহরণের জন্য বিশেষভাবে তৈরি স্থানীয় ব্যাখ্যা, যা সাধারণীকরণের দাবি করে না, যেখানে বিশ্বব্যাপী ব্যাখ্যাগুলি মডেলের সামগ্রিক আচরণ বর্ণনা করার চেষ্টা করে।
স্থানীয় বৈশিষ্ট্যের প্রভাব
একটি নির্দিষ্ট বৈশিষ্ট্যের প্রভাবের পরিমাপ, যা একটি একক পর্যবেক্ষণের পূর্বাভাসের উপর পড়ে, এবং এই বৈশিষ্ট্যের পরিবর্তন কীভাবে এই নির্দিষ্ট ক্ষেত্রে মডেলের ফলাফলকে পরিবর্তন করবে তা পরিমাপ করে।
ব্যক্তিগত পূর্বাভাসের ডায়াগনস্টিক
একটি একক পূর্বাভাস বিশ্লেষণের সম্পূর্ণ প্রক্রিয়া, যেখানে বিভিন্ন স্থানীয় পদ্ধতি (LIME, SHAP, কাউন্টারফ্যাকচুয়াল) ব্যবহার করে অন্তর্নিহিত প্রক্রিয়াগুলি বোঝার, সিদ্ধান্তটি যাচাই করার এবং সম্ভাব্য পক্ষপাত চিহ্নিত করার চেষ্টা করা হয়।
স্থানীয় ব্যাখ্যার স্থিতিশীলতা
একটি স্থানীয় ব্যাখ্যা পদ্ধতির এমন বৈশিষ্ট্য, যার ফলে খুব সাদৃশ্যপূর্ণ পর্যবেক্ষণগুলির জন্য সামঞ্জস্যপূর্ণ ব্যাখ্যা তৈরি হয়, যা ব্যক্তিগত ডায়াগনস্টিকের আস্থা এবং নির্ভরযোগ্যতার জন্য একটি সমালোচনামূলক বিষয়।
ইন্টিগ্রেটেড গ্রেডিয়েন্ট (Integrated Gradients)
ডিফারেনশিয়েবল মডেলগুলির জন্য একটি স্থানীয় অ্যাট্রিবিউশন পদ্ধতি যা একটি বৈশিষ্ট্যের গুরুত্ব গণনা করে, একটি বেসলাইন থেকে ইনপুট পর্যন্ত একটি পথের উপর দিয়ে সেই বৈশিষ্ট্যের সাপেক্ষে আউটপুটের গ্রেডিয়েন্টকে ইন্টিগ্রেট করে।
বেসলাইন (Baseline)
একটি রেফারেন্স পয়েন্ট (প্রায়শই একটি শূন্য ভেক্টর বা একটি গড় উদাহরণ) যা ইন্টিগ্রেটেড গ্রেডিয়েন্টের মতো অ্যাট্রিবিউশন পদ্ধতিতে ব্যবহৃত হয়, একটি নিরপেক্ষ বা প্রত্যাশিত অবস্থার তুলনায় একটি বৈশিষ্ট্যের অবদান পরিমাপ করার জন্য।