Quadro di Argomentazione Causale per l'IA Spiegabile

Un nuovo metodo integra la causalità con il ragionamento basato su argomenti per spiegare le previsioni del machine learning. L'approccio utilizza la scoperta causale per identificare le relazioni tra le variabili, quindi le traduce in un Quadro di Argomentazione Bipolare (BAF) che rappresenta le interazioni di supporto e opposizione tra le caratteristiche. Le semantiche semi-stabili trovano estensioni che spiegano i risultati. Il metodo è dimostrato su due dataset di riferimento e confrontato con approcci standard di spiegabilità post-hoc.