Méthodes d'explicabilité de nouvelle génération – NIM-ML

Les algorithmes d'apprentissage statistique atteignent aujourd'hui des résultats impressionnants dans de nombreuses applications pratiques. Cependant, ces performances se sont accompagnées d'une complexification foudroyante des modèles utilisés. Il est aujourd'hui presque impossible pour un humain de comprendre comment un de ces algorithmes réalise une prédiction donnée. Depuis quelques années sont apparues des méthodes d'explicabilité, dont le but est justement de nous fournir des explications sur la manière dont sont réalisées les prédictions des algorithmes d'apprentissage statistique. Mais ces méthodes, le plus souvent, n'offrent aucune garanties : nous ne pouvons pas être sûrs que les explications proposées sont réellement en relation avec l'algorithme étudié. Le but de ce projet est de créer une nouvelle génération de méthodes d'explicabilité ayant des garanties théoriques sur des algorithmes simples.