FenixEdu™

Dissertação

Causally Structured Counterfactual Generation for Interpretable Medical Image Analysis EVALUATED

Detalhes: Apesar do desempenho impressionante na modelação e síntese de dados de alta dimensionalidade e complexidade visual, os modelos generativos do estado-da-arte têm várias limitações: a negligência da interpretabilidade, devido à primazia pela "expressividade" ou poder de modelação; a sua falta de equidade, podendo capturar e amplificar associações espúrias; e uma fraca robustez a mudanças da distribuição dos dados, não conseguindo extrapolar para além dos dados de treino. Esta tese representa uma contribuição para o esforço crescente de modelação generativa causal, aproveitando avanços recentes nesta área para incorporar diretamente a teoria da causalidade, nomeadamente os Modelos Causais Estruturais (SCMs), como forma de descrever os processos geradores de dados e modelar relações causais complexas entre as variáveis que os compõem. Formulando o problema como uma tarefa de aprendizagem de representações causais e utilizando a teoria da inferência variacional, propõe-se que o espaço latente de um Autoencoder Variacional seja estruturado de acordo com um SCM - aprendido através de uma supervisão em rótulos - permitindo a intervenção direta nos factores latentes de variação para gerar exemplos contrafactuais explicitamente controlados. Experiências com dados sintéticos e com um conjunto de dados reais de imagens de raios-X do tórax validam os méritos da abordagem desenvolvida para os objectivos propostos: descobrir com exatidão as relações causais que originam os dados, alcançando um desempenho concorrente com o estado-da-arte para os grafos de pequena dimensão considerados; e estimar os seus efeitos causais totais, através da geração de exemplos contrafactuais de alta fidelidade para imagens médicas com uma resolução razoável.
Keywords: Aprendizagem Automática, Causalidade, Modelos Estruturais Causais, Imagiologia Médica, Exemplos Counterfactuais, Aprendizagem de Representações

Discussão: junho 25, 2024, 16:0

Documentos da dissertação ainda não disponíveis publicamente