Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 3
Encontrada(s) 1 página(s)

RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Sustainable Techniques to Improve Data Quality for Training Image-Based Explanatory Models for Recommender Systems

  • Paz Ruza, Jorge
  • Esteban Martínez, David
  • Alonso-Betanzos, Amparo
  • Guijarro-Berdiñas, Bertha
[Abstract]: Visual explanations based on user-uploaded images are an effective and self-contained approach to provide transparency to Recommender Systems (RS), but intrinsic limitations of data used in this explainability paradigm cause existing approaches to use bad quality training data that is highly sparse and suffers from labelling noise. Popular training enrichment approaches like model enlargement or massive data gathering are expensive and environmentally unsustainable, thus we seek to provide better visual explanations to RS aligning with the principles of Responsible AI. In this work, we research the intersection of effective and sustainable training enrichment strategies for visual-based RS explainability models by developing three novel strategies that focus on training Data Quality: 1) selection of reliable negative training examples using Positive-unlabelled Learning, 2) transform-based data augmentation, and 3) text-to-image generative-based data augmentation. The integration of these strategies in three state-of-the-art explainability models increases (5%) the performance in relevant ranking metrics of these visual-based RS explainability models without penalizing their practical long-term sustainability, as tested in multiple real-world restaurant recommendation explanation datasets, This work is funded by MICIU/AEI and ESF+ (FPU21/05783), ERDF A way of making Europe (PID2019-109238GB-C22, PID2023-147404OB-I00), ERDF/EU (PID2021-128045OA-I00), Ministry for Digital Transformation and Civil Service and ‘Next-GenerationEU’/PRTR (TSI-100925-2023-1), and Xunta de Galicia (ED431C 2022/44). CITIC is funded by “Consellería de Cultura, Educación e Universidade” through ERDF and “Secretaría Xeral de Universidades" (ED431G 2023/01)., Xunta de Galicia; ED431C 2022/44, Xunta de Galicia; ED431G 2023/01
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Aprendizaje automático para combatir la toxicidad en conversaciones sobre salud en línea

  • Paz Ruza, Jorge
  • Alonso-Betanzos, Amparo
  • Guijarro-Berdiñas, Bertha
  • Eiras-Franco, Carlos
Presentado na: XX Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2024), organizado por Asociación Española para la Inteligencia Artificial (AEPIA), A Coruña, 19 al 21 de junio de 2024., [Abstract]: En temas relacionados con la salud publica, la toxicidad de usuarios en conversaciones en redes sociales puede ser una fuente de conflicto social o promover comportamientos peligrosos sin base científica. Los metodos existentes para combatir esta toxicidad unicamente detectan conductas inadecuadas; en este trabajo, exploramos la idea de combatirla predictivamente, anticipando donde un usuario podría interactuar de forma toxica en discusiones sobre salud publica. Aplicando una metodología de Aprendizaje Automatico con Filtrado Colaborativo, predecimos la toxicidad en conversaciones sobre COVID entre cualquier usuario y subcomunidad de Reddit. La rendimiento alcanzado por nuestro metodo supera el 80 % en métricas relevantes al problema, permitiendo evitar el emparejamiento de usuarios y subcomunidades conflictivos., Este trabajo está financiado por MICIU/AEI/10.13039/501100011033/ y FEDER Una manera de hacer Europa (ayuda PID2019-109238GB-C22),MICIU/AEI/10.13039/501100011033/ y el FSE+(ayuda FPU21/05783),y la Xunta de Galicia (ED431C2022/44) mediante fondos ERDF de la Unión Europea. CITIC, como Centro de Investigación acreditado por el Sistema Universitario Galego, está financiado por la Consellería de Cultura, Educación e Universidades de la Xunta de Galicia, apoyado un 80% por el Programa Operacional ERDF Galicia 2014-2020, y un 20% por la Secretaría Xeral de Universidades de la Xunta de Galicia (ED431G 2019/01)., Xunta de Galicia; ED431C 2022/44, Xunta de Galicia; ED431G 2019/01
RUC. Repositorio da Universidade da Coruña
Publicación Contribución de congreso (ConferenceOutput)

Explicabilidad Sostenible para Sistemas de Recomendación mediante Ranking Bayesiano de Imágenes

  • Paz Ruza, Jorge
  • Alonso-Betanzos, Amparo
  • Guijarro-Berdiñas, Bertha
  • Eiras-Franco, Carlos
  • Cancela, Brais
Dataset depositado no repositorio: https://zenodo.org/records/14622324, Presentado na XX Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2024), organizado por Asociación Española para la Inteligencia Artificial (AEPIA), A Coruña, 19 al 21 de junio de 2024, [Abstract]: Los Sistemas de Recomendacion se han vuelto cruciales por su gran influencia en la sociedad pero, siendo mayoritariamente sistemas de caja negra, fomentar su transparencia es tan primordial como complejo; utilizar contenido visual creado por los usuarios para explicar nuevas recomendaciones es una opcion prometedora para maximizar su confianza. Los algoritmos existentes presentan arquitecturas altamente optimizadas pero modelan de forma indirecta y suboptima la selección de mejores imagenes como explicaciones, provocando un entrenamiento ineficiente y un alto coste computacional que no puede ser reducido sin afectar al rendimiento del modelo. Este trabajo presenta BRIE, un nuevo modelo basado en Ranking Bayesiano por Pares que mejora el proceso de entrenamiento, supera al Estado del Arte en conjuntos de datos reales, y reduce en un 98 % el tamano de los modelos y en un 75 % las emisiones de CO2., Este trabajo esta financiado por MICIU/AEI/10.13039/501100011033/ y FEDER Una manera de hacer Europa (PID2019-109238GB-C22), MICIU/AEI/10.13039/501100011033/ y el FSE+ (FPU21/05783), MICIU/AEI /10.13039/501100011033 y FEDER, UE (PID2021-128045OA-I00), y la Xunta de Galicia (ED431C 2022/44) mediante fondos ERDF de la Union Europea. CITIC, como Centro de Investigacion acreditado por el Sistema Universitario Galego, esta financiado por la Consellería de Cultura, Educación e Universidades de la Xunta de Galicia, apoyado un 80 % por el Programa Operacional ERDF Galicia 2014-2020, y un 20 % por la Secretaría Xeral de Universidades de la Xunta de Galicia (ED431G 2019/01)., Xunta de Galicia; ED431C 2022/44, Xunta de Galicia; ED431G 2019/01