Verificatie van boomensembles: algoritmen en toepassingen

Machine-geleerde modellen moeten vaak aan bepaalde eisen voldoen (bijvoorbeeld eerlijkheid, wettelijkheid, betrouwbaarheid). Dit heeft de interesse gewekt in het ontwikkelen van benaderingen die kunnen redeneren of een model aan bepaalde eigenschappen voldoet. Het doel van dit proefschrift is om te kijken naar redeneringen over boom-ensemble-modellen zoals willekeurige bossen (RF's) en gradiënt versterkte beslissingsbomen (GBDT's). Dit is een populaire modelklasse die veel wordt gebruikt in veel domeinen, zoals zoeken op internet en sportanalyses. We zullen nieuwe benaderingen ontwikkelen om efficiënt te redeneren over hoe deze geleerde modellen zich in de praktijk gedragen. Dit moet inzicht opleveren in het domein, de gegevens en de prestaties van het model. Tot slot kijken we naar innovatieve toepassingen van de technieken die we ontwikkelen voor problemen die zich voordoen in de sport.