Francesca Toni

PROPLACE mejora la fiabilidad de las explicaciones contrafactuales en el aprendizaje automático.

Las explicaciones contrafactuales ofrecen información sobre las decisiones algorítmicas, pero necesitan ser confiables.

Explorando la importancia de la intención en los sistemas de inteligencia artificial.

Explorando la importancia de un razonamiento comprensible en las predicciones de IA.

Nuevas estrategias mejoran el razonamiento en marcos de argumento complejos para aplicaciones de IA.

Un nuevo método garantiza la validez de las explicaciones contrafactuales a pesar de los cambios en el modelo.

Este artículo presenta un nuevo método para mejorar el razonamiento en los modelos de lenguaje.

Nuevos modelos mejoran la precisión en la predicción del uso del suelo urbano y mejoran la planificación.

PB-AA-CBR combina las preferencias del usuario con el razonamiento basado en casos para tomar decisiones personalizadas.

Examinando cómo los estilos de explicación impactan en la comprensión y confianza de los usuarios en las herramientas de IA.

PeerArg mejora la transparencia y fiabilidad en el proceso de revisión por pares.