Interpretabilidad y métodos de entrenamiento de modelos de deep learning

Abstract

Esta presentación corresponde a algunas de las tareas de investigación que se llevan a cabo en el III-LIDI en el marco del proyecto "Inteligencia de Datos. Técnicas y Modelos de Machine Learning” perteneciente al Programa de Incentivos (2023-2026). Esta línea de investigación se centra en el estudio de modelos de Deep Learning para resolución de problemas de Visión por Computadora, incluyendo técnicas de Aprendizaje Automático clásicas, y Aprendizaje Profundo con Redes Neuronales Convolucionales (CNNs) y Vision Transformers (ViTs). En este contexto, los autores del presente trabajo investigan el funcionamiento de dichos modelos mediante varios enfoques, todos en el contexto de modelos de Visión por Computadora: ● Análisis de invarianza de CNNs y ViTs. ● Métodos de interpretabilidad por atribución, incluyendo RISE y GradCAM. ● Análisis de filtros convolucionales aprendidos. Técnicas no supervisadas para inicialización de filtros convolucionales. ● Entrenamiento con supervisión débil basado en técnicas de interpretabilidad, aplicado a la segmentación de mamografías.