Explicabilité et interprétabilité d'un système multi-agent ensembliste pour l'apprentissage supervisé
Résumé
Nous présentons une approche d'apprentissage ensembliste multi-agent pour l'apprentissage supervisé et évaluons ses performances sur une tâche d'approximation de fonctions complexes non linéaires. Cette approche repose sur un ensemble d'agents apprenants faibles s'auto-organisant selon des règles de coopération. Nous étudions les propriétés de ce type de système en termes d'explicabilité et d'interprétabilité sur le processus de prédiction, en analysant la forme des agents et leur organisation spatiale. Une étude comparative sur des jeux de données synthétiques générées à partir de fonctions complexes bidimensionnelles est également menée pour évaluer les performances par rapport à l'état de l'art. Les résultats indiquent que notre approche multi-agent obtient des scores de prédiction similaires aux approches de l'état de l'art et apporte de nouvelles propriétés contribuant à l'apprentissage supervisé explicable.