Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

RRR-XAI

Financiado

Cerrado

RRR XAI Right for the Right Reason eXplainable Artificial Intelligence

Deep Learning (DL) is a form of machine learning (ML) that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. This hierarchy allows a DL model to learn complicated concepts by... ver más

31/10/2024

UGR

165K€

Presupuesto del proyecto: 165K€

Líder del proyecto

UNIVERSIDAD DE GRANADA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 5524

Fecha límite participación Sin fecha límite de participación.

Ver 2 Participantes

Financiación concedida El organismo HORIZON EUROPE notifico la concesión del proyecto el día 2024-10-31

HORIZON-MSCA-2021-PF-01-01: MSCA Postdoctoral Fellowships 2024 ExpectedOutcome:

I+D

Cerrada hace 7 meses

0% 100%

Características del participante

Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

2 Participantes

UGR

165.31K€ | Lider

UNISI

N.D. | Participante

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Duración del proyecto: 26 meses Fecha Inicio: 2022-08-16
Fecha Fin: 2024-10-31

Líder del proyecto

UNIVERSIDAD DE GRANADA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 5524

Presupuesto del proyecto 165K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Deep Learning (DL) is a form of machine learning (ML) that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. This hierarchy allows a DL model to learn complicated concepts by building them out of simpler ones. A graph of these hierarchies would be many layers deep, and thus its name. A Deep neural network (DNN) is based on an artificial neural network model, and its core strength is that there is no need for human assistance to formally specify all the knowledge that the model needs. This makes DNNs represent the state of the art in Artificial Intelligence (AI). Despite their top performance and ubiquity of applications (from Healthcare to autonomous cars), DNNs suffer serious shortcomings. First, DNNs are considered black box models, i.e., with complex and opaque algorithms, hard to interpret and diagnose. Second, they suffer from bias, and the testing protocols for automatic recognition are not fair, as they learn patterns in the data that are not correlated to the output; e.g. they may focus on areas outside the lung in X ray images to predict the presence of COVID-19. Although DNNs outperform many other methods, they often are not right for the right reasons (RRR). RRR-XAI tackles this mismatch and bridges this gap through a tight integration of DL and symbolic AI, with the principal objective of making DL explainable. To achieve this I will follow the rationale behind XAI under the RRR philosophy and perform analyses to understand two types of phenomena that cause trouble in DNNs. Second, I will use: 1) Domain knowledge expertise as supporting evidence to explain a particular model output; 2) Neural-Symbolic computation to communicate the explanation of such phenomena in natural language. I will study two practical use cases where supporting explanations of the model output are critical: a) COVID-19 prediction from chest X-Ray images, and b) Weapon detection in alarm systems and crowds from images.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores