Hidalgo, PabloRodriguez, Daniel2025-12-192025-12-192025-11-04Hidalgo, P & Rodriguez, D 2025, 'An explainable multi-task similarity measure : Integrating accumulated local effects and weighted Fréchet distance', Knowledge-Based Systems, vol. 329, 114384. https://doi.org/10.1016/j.knosys.2025.1143840950-7051https://hdl.handle.net/10641/6791Publisher Copyright: © 2025 The Author(s)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.]In many machine learning contexts, tasks are often treated as interconnected components with the goal of leveraging knowledge transfer between them, which is the central aim of Multi-Task Learning (MTL). Consequently, this multi-task scenario requires addressing critical questions: which tasks are similar, and how and why do they exhibit similarity? In this work, we propose a multi-task similarity measure based on Explainable Artificial Intelligence (XAI) techniques, specifically Accumulated Local Effects (ALE) curves. ALE curves are compared using the Fréchet distance, weighted by the data distribution, and the resulting similarity measure incorporates the importance of each feature. The measure is applicable in both single-task learning scenarios, where each task is trained separately, and multi-task learning scenarios, where all tasks are learned simultaneously. The measure is model-agnostic, allowing the use of different machine learning models across tasks. A scaling factor is introduced to account for differences in predictive performance across tasks, and several recommendations are provided for applying the measure in complex scenarios. We validate this measure using four datasets, one synthetic dataset and three real-world datasets. The real-world datasets include a well-known Parkinson's dataset and a bike-sharing usage dataset — both structured in tabular format — as well as the CelebA dataset, which is used to evaluate the application of concept bottleneck encoders in a multitask learning setting. The results demonstrate that the measure aligns with intuitive expectations of task similarity across both tabular and non-tabular data, making it a valuable tool for exploring relationships between tasks and supporting informed decision-making.207440904enghttp://creativecommons.org/licenses/by-nc-nd/4.0/ALEFréchet distanceMTLMulti-task similarityXAIXaiMtlFr & eacute;chet distanceAleManagement Information SystemsSoftwareInformation Systems and ManagementArtificial IntelligenceYesyesjournal articleopen access10.1016/j.knosys.2025.114384https://www.scopus.com/pages/publications/105015036452https://www.scopus.com/pages/publications/105015036452#tab=citedBy