An explainable multi-task similarity measure : Integrating accumulated local effects and weighted Fréchet distance

Share

Abstract

En numerosos contextos de aprendizaje automático, las tareas suelen tratarse como componentes interconectados con el objetivo de aprovechar la transferencia de conocimiento entre ellas, que constituye el propósito central del aprendizaje multitarea (MTL; en inglés: Multi-Task Learning). En consecuencia, este escenario multitarea exige responder a preguntas fundamentales: qué tareas son similares, y cómo y por qué presentan esa similitud. En este trabajo proponemos una medida de similitud multitarea basada en técnicas de inteligencia artificial explicable (XAI; en inglés: Explainable Artificial Intelligence), en concreto en las curvas de efectos locales acumulados (ALE; en inglés: Accumulated Local Effects). Las curvas ALE se comparan mediante la distancia de Fréchet, ponderada por la distribución de los datos, y la medida de similitud resultante incorpora la importancia de cada variable. La medida es aplicable tanto en escenarios de aprendizaje de tarea única, en los que cada tarea se entrena por separado, como en escenarios de aprendizaje multitarea, en los que todas las tareas se aprenden simultáneamente. La medida es agnóstica respecto del modelo, lo que permite emplear distintos modelos de aprendizaje automático en cada tarea. Se introduce un factor de escala para tener en cuenta las diferencias de rendimiento predictivo entre tareas y se ofrecen varias recomendaciones para aplicar la medida en escenarios complejos. Validamos esta medida con cuatro conjuntos de datos: uno sintético y tres reales. Los conjuntos de datos reales incluyen un conocido conjunto de datos sobre la enfermedad de Parkinson y otro sobre el uso de sistemas de bicicletas compartidas —ambos estructurados en formato tabular—, así como el conjunto de datos CelebA, que se utiliza para evaluar la aplicación de codificadores de cuello de botella conceptual en un entorno de aprendizaje multitarea. Los resultados demuestran que la medida se ajusta a las expectativas intuitivas sobre la similitud entre tareas tanto en datos tabulares como no tabulares, lo que la convierte en una herramienta valiosa para explorar las relaciones entre tareas y respaldar una toma de decisiones informada. [Traducción automática al español; idioma original: inglés.]