Interpretable Machine Learning in Social Sciences: Use Cases and Limitations

С развитием ИИ, и в особенности глубокого обучения, появились модели, способные давать крайне точные прогнозы. Однако их внутренняя логика остается трудной для понимания — и это серьезная проблема, особенно в сферах, где от корректности алгоритма зависят критиче ски важные решения. Одним из перспективных путей ее решения считается направление Explainable Artificial Intelligence (XAI) — разработка подходов, позволяющих прояснять ...

Добавлено: 8 мая 2026 г.

Explainable AI for Industry 5.0: Shedding light on the black box

Авдошин С. М., Песоцкая Е. Ю., Business Informatics 2026 Vol. 20 No. 1 P. 7–28

Добавлено: 8 мая 2026 г.

Среда Онтологически Контролируемых Вычислительных Экспериментов в Химии и Материаловедении

Глушко А. А., Незнанов А. А., В кн.: Перспективные материалы и технологии (ПМТ-2024) : Сборник докладов Международной научно-технической конференции ИПТИП РТУ МИРЭА, Москва, 12–16 апреля 2024 года.: М.: РТУ МИРЭА, 2024. С. 380–385.

Работа раскрывает основные принципы, проектные решения и инструменты, которые легли в основу программной системы для анализа результатов реальных экспериментов и проведения вычислительных экспериментов в химии и материаловедения. Акцент сделан на формализации знания на нескольких уровнях и повышении эффективности работы экспертов предметной области за счёт обогащения классического представления данных разделяемыми онтологиями. Это, в свою очередь, облегчает ...

Добавлено: 29 апреля 2026 г.

Использование реактивных сред для вычислительных экспериментов в химии и материаловедении

Глушко А. А., Незнанов А. А., В кн.: Перспективные материалы и технологии (ПМТ-2025) : Сборник докладов Национальной научно-технической конференции с международным участием, Москва, 07–12 апреля 2025 года.: М.: РТУ МИРЭА, 2025. С. 651–657.

Ведение современных исследований сопряжено с использованием различных вычислительных модулей, при этом исследователь часто не обладает широким набором IT-компетенций. Существенно повысить эффективность работы с вычислительными модулями может использование реактивной среды со стандартизированным набором компонентов управления, визуализаторов, инструментов доступа к данным, гарантирующей воспроизводимость, интерактивность и повторное использование получаемых артефактов. В работе раскрываются преимущества использования реактивных интерактивных блокнотов ...

Добавлено: 29 апреля 2026 г.

Explainable Document Classification via Pattern Structures

Sergei O. Kuznetsov, Паракал Э. Д., Lecture Notes in Networks and Systems 2023 Vol. 776 P. 423–434

Добавлено: 5 февраля 2024 г.

Диагностика тяжести симптомов депрессии при помощи объяснимого искусственного интеллекта

Шалилех С., Копцева А. О., Шишковская Т. И. и др., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2023 Т. 514 № 2 С. 242–249

Эта статья представляет исследование, направленное на (i) разработку решения на основе искусственного интеллекта для диагностики депрессии и (ii) изучение психиатрических данных с помощью объяснимого искусственного интеллекта. Авторы собрали и аннотирован новый набор аудиоданных, сформулировали задачу регрессии и изучили производительность восьми ее алгоритмов. Результаты показали, что метод ближайших соседей и случайный лес образуют группу с наиболее приемлемыми ...

Добавлено: 2 февраля 2024 г.

Investor sentiment and the NFT hype index: to buy or not to buy?

Бакланова В. С., Куркин А. В., Теплова Т. В., China Finance Review International 2024 Vol. 14 No. 3 P. 522–548

Добавлено: 10 декабря 2023 г.

Constructing decision quivers

Дудырев Е. О., Кузнецов С. О., Napoli A., , in: FCA4AI 2023 What can FCA do for Artificial Intelligence 2023 Proceedings of the 11th International Workshop "What can FCA do for Artificial Intelligence?" co-located with the 32nd International Joint Conference on Artificial Intelligence (IJCAI 2023) Macao, S.A.R. China; August 20, 2023Vol. 3489.: CEUR-WS.org, 2023. P. 69–80.

Добавлено: 4 октября 2023 г.

Description Quivers for Compact Representation of Concept Lattices and Ensembles of Decision Trees

Дудырев Е. О., Кузнецов С. О., Napoli A., , in: 17th International Conference, ICFCA 2023, Kassel, Germany, July 17–21, 2023, Proceedings. Formal Concept Analysis, (LNCS, volume 13934).: Switzerland: Springer, 2023. P. 127–142.

Добавлено: 4 октября 2023 г.

Intrinsically Interpretable Document Classification via Concept Lattices

Паракал Э. Д., Кузнецов С. О., , in: Proceedings of the 10th International Workshop "What can FCA do for Artificial Intelligence?"Vol. 3233.: CEUR Workshop Proceedings, 2022. Ch. 2 P. 9–22.

Добавлено: 17 мая 2023 г.

On Shapley value interpretability in concept-based learning with formal concept analysis

Игнатов Д. И., Kwuida L., Annals of Mathematics and Artificial Intelligence 2022 Vol. 90 No. 11 P. 1197–1222

Добавлено: 31 января 2023 г.

Towards Fast Finding Optimal Short Classifiers

Дудырев Е. О., Кузнецов С. О., , in: Proceedings of the 10th International Workshop "What can FCA do for Artificial Intelligence?"Vol. 3233.: CEUR Workshop Proceedings, 2022. P. 23–34.

Добавлено: 1 ноября 2022 г.

Social Aspects of Machine Learning Model Evaluation: Model Interpretation and Justification from ML-practitioners' Perspective

Захарова В. В., Суворова А. В., , in: CEUR Workshop Proceedings. Proceedings of the International Conference "Internet and Modern Society" (IMS-2021), St. Petersburg, 24 - 26 June 2021.: CEUR Workshop Proceedings, 2021. P. 230–234.

Добавлено: 28 сентября 2022 г.

Explainable Machine Learning for Sequences of Demographic Statuses

Муратова А. А., Митрофанова Е. С., Ислам Р., , in: Procedia Computer Science: 11th International Young Scientist Conference on Computational ScienceVol. 212.: Elsevier, 2022. P. 358–367.

Добавлено: 10 сентября 2022 г.

Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values

Антипов Е. А., Покрышевская Е. Б., Journal of Revenue and Pricing Management 2020 No. 19 P. 355–364

Forecasting demand and understanding sales drivers are one of the most important tasks in retail analytics. However, traditionally, linear models and/or models with a small number of predictors have been predominantly used in sales modeling. Taking into account that real-world demand is naturally determined by complex substitution and complementation patterns among a large number of ...

Добавлено: 31 октября 2020 г.

Interpretable Concept-Based Classification with Shapley Values

Игнатов Д. И., Kwuida L., , in: Ontologies and Concepts in Mind and Machine. 25th International Conference on Conceptual Structures, ICCS 2020.: Springer, 2020. P. 90–102.

Добавлено: 30 октября 2020 г.

Shapley and Banzhaf Vectors of a Formal Concept

Игнатов Д. И., Kwuida L., , in: Proceedings of the Fifthteenth International Conference on Concept Lattices and Their ApplicationsVol. 2668.: CEUR-WS.org, 2020. P. 259–271.

Добавлено: 30 октября 2020 г.