PyXAI est une bibliothèque Python (version 3.6 ou ultérieure) permettant d’apporter des explications de formes diverses à partir de classifieurs issus de techniques d’apprentissage automatique (Arbre de Décision, Forêt Aléatoire, Arbre Boosté).

Plus précisément, plusieurs types d’explications pour la tâche de classification d’une instance X donnée peuvent être calculés :

  • Les explications abductives pour X sont destinées à expliquer pourquoi X a été classé de la manière dont il a été classé par le modèle ML (répondant ainsi à la question “Pourquoi ?”).
  • Les explications contrastives pour X sont destinées à expliquer pourquoi X n’a pas été classifié par le modèle ML comme l’utilisateur s’y attendait (répondant ainsi à la question “Pourquoi pas ?”).

En plus de trouver des explications, PyXAI contient également des méthodes qui effectuent des opérations (production, sauvegarde, chargement) sur les modèles et les instances.



MIT    Toute catégorie    Logiciels pérennes    Logiciels récents   


  • 2022 IA explicable Gilles Audemard, Steve Bellart, Louenas Bounia, Frédéric Koriche, Jean-Marie Lagniez, Pierre Marquis, On the Explanatory Power of Boolean Decision Trees in Data and Knowledge Engineering, vol. 142, pp. 102088, 2022.
    2023 IA explicable Gilles Audemard, Steve Bellart, Jean-Marie Lagniez, Pierre Marquis, Computing Abductive Explanations for Boosted Regression Trees in Thirty-Second International Joint Conference on Artificial Intelligence {IJCAI-23}, International Joint Conferences on Artificial Intelligence Organization, pp. 3432-3441, 2023.
    2023 Connaissances Sylvie Coste-Marquis, Pierre Marquis, Rectifying Binary Classifiers in The 26th European Conference on Artificial Intelligence (ECAI'23), IOS Press, 2023.
    2023 IA explicable Gilles Audemard, Jean-Marie Lagniez, Pierre Marquis, Nicolas Szczepanski, On Contrastive Explanations for Tree-Based Classifiers in The 26th European Conference on Artificial Intelligence (ECAI'23), IOS Press, 2023.
    2023 IA explicable Gilles Audemard, Jean-Marie Lagniez, Pierre Marquis, Nicolas Szczepanski, Computing Abductive Explanations for Boosted Trees in 26th International Conference on Artificial Intelligence and Statistics (AISTATS 2023), vol. 206, 2023.
    2022 IA explicable Gilles Audemard, Steve Bellart, Louenas Bounia, Frederic Koriche, Jean-Marie Lagniez, Pierre Marquis, On Preferred Abductive Explanations for Decision Trees and Random Forests in Thirty-First International Joint Conference on Artificial Intelligence {IJCAI-22}, International Joint Conferences on Artificial Intelligence Organization, pp. 643-650, 2022.
    2022 IA explicable Gilles Audemard, Steve Bellart, Louenas Bounia, Frédéric Koriche, Jean-Marie Lagniez, Pierre Marquis, Trading Complexity for Sparsity in Random Forest Explanations in AAAI Conference on Artificial Intelligence, 2022.
    2020 IA explicable Gilles Audemard, Frédéric Koriche, Pierre Marquis, On Tractable XAI Queries based on Compiled Representations in 17th International Conference on Principles of Knowledge Representation and Reasoning (KR'20), 2020.