สัมมนาวิชาการ เรื่อง “Interpretable Decision Tree Ensemble Learning with Abstract Argumentation for Binary Classification”
Abstract:
We marry two powerful ideas: decision tree ensemble for rule induction and abstract argumentation for aggregating inferences from diverse decision trees to produce better predictive performance and intrinsically interpretable than state-of-the-art ensemble models. Our approach called Arguing Tree Ensemble is a self-explainable model that first learns a group of decision trees from a given dataset. It then treats all decision trees as knowledgeable agents and lets them argue with each other to conclude a prediction. Unlike conventional ensemble methods, this proposal offers full transparency to the prediction process. Therefore, AI users are able to interpret and diagnose the prediction’s output.
โครงการบริการวิชาการสู่สังคม สัมมนาวิชาการ
เรื่อง Interpretable Decision Tree Ensemble Learning with Abstract Argumentation for Binary Classification
โดย Dr. Teeradaj Racharak (Senior Lecturer) Japan Advanced Institute of Science and Technology (JAIST)
วันพุธที่ 25 ตุลาคม 2566 เวลา 14.00 – 16.00 น.
ณ ห้อง IT210 ชั้น 2 คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล วิทยาเขตศาลายา
| เวลา | หัวข้อและกิจกรรม |
| 13.00 – 14.00 น. | ลงทะเบียน |
| 14.00 – 14.10 น. | กล่าวต้อนรับและพิธีเปิดการสัมมนา |
| 14.10 – 15.50 น. | สัมมนาเรื่อง “Interpretable Decision Tree Ensemble Learning with Abstract Argumentation for Binary Classification” |
| 15.50 – 16.00 น. | Q & A กล่าวปิดและถ่ายรูปร่วมกัน |
Dr. Teeradaj Racharak (Senior Lecturer)
Japan Advanced Institute of Science and Technology (JAIST)
Bio:
Teeradaj Racharak is a Senior Lecturer (Junior Associate Professor) at the School of Information Science, Japan Advanced Institute of Science and Technology (JAIST), and runs ReaLearn (the Reasoning & Learning for Trustworthy AI laboratory) at JAIST. Before JAIST, he was a software and DevOps engineer, involved in the development of large-scale web applications including MangaMagazine.net and Inkblazers. He is broadly interested in mathematical modeling and implementation of AI. He specializes in logic and machine learning, particularly in Description Logic, Computational Argumentation, and Deep Learning. He has a diverse educational background and work experience in universities and software industries. His research interests (but are not limited to) span across: Knowledge Representation and Reasoning (KRR) for Explainable AI, Machine Learning (ML) and its applications, and Integration of KRR and ML for Robust and Explainable AI.