masters paper (in text) proposition

[she3r]

Poniżej jakaś wstępna propozycja tego, jak praca mogłaby wyglądać od strony swojej struktury:

• Wstęp
    1. Rosnące znaczenie wyjaśnialności modeli ML
    2. Motywacja/ Problem: brak realistycznych kontrfaktów w wielu metodach XAI. AI Act UE/ DARPA. 
    3. Cel pracy: Analiza metody, stworzenie interaktywnego narzędzia do generowania kontrfaktów. 
   
• Przegląd literatury i podstaw teoretycznych
1. Explainable AI (XAI) Definicja i znaczenie.
2. Kategorie metod: post-hoc vs. intrinsically interpretable.
3. Counterfactual Explanations
4. Definicja kontrfaktu. Własności dobrego kontrfaktu
5. Przegląd istniejących w literaturze metod, w tym inne Metody występujące w benchmarku

• Optymalizacja Bayesowska. Tree-Structured Parzen Estimator (TPE).
• LinGam, Bayesian parameter estimation
• Opis metody CCF counterfactual search algorithm z uwzględnieniem sparsity, proximity, fidelity, plausibility
• Implementacja
1. Struktura paczki acfx
2. Obsługiwane modele i optymalizatory.
    ◦ EBM + EBMCounterOptimizer. Możliwość rozszerzenia o inne klasyfikatory i optymalizatory.
3. API, typy wejścia/wyjścia. Przykład użycia.

• Interaktywna aplikacja Streamlit
    1. Opis funkcjonalności jakie oferuje aplikacja
    2. Opis technologii wykorzystanych w aplikacji
    3. Niektóre szczegóły techniczne
    4. Przykładowe zrzuty ekranu
• Eksperymenty
    1. Porównanie metody dla różnych zbiorów danych
    2. Porównanie metody w trybie casual/ no-casual
    3. Porównanie dla ACFX/ACFXLinear (ACFXCustom). Mógłbym potencjalnie eksperymentować za pomocą Friedman post-hoc statistical tests, ale tym razem porównując między innymi narzędziami wejściowymi dla acfx (klasyfikator/optymalizator). Analogicznie Ablation study mogłoby być przeprowadzone, ale dla różnych acfx.
• Podsumowanie
    1. Co udało się osiągnąć
    2. Wartość dodana tej magisterki do projektu

Praca może być po polsku albo po angielsku. Ile stron?