Maskinlæringsmodeller kan identificere mønstre i store datasæt, men det er ofte svært at forstå, hvorfor bestemte datapunkter skiller sig ud som usædvanlige eller tilhører bestemte grupper. Selvom mange metoder kan identificere outliers eller klynger i data, giver de ofte begrænset indsigt i årsagerne bag disse mønstre.

I sit ph.d.-projekt har Pernille Matthews udviklet metoder, der udnytter den interne struktur i velkendte maskinlæringsalgoritmer til at opnå en dybere forståelse af data. Ved at udnytte denne struktur gør forskningen det muligt at identificere sammenhængende grupper af forklaringer og bedre forstå, hvorfor visse datapunkter fremstår som outliers.

Ph.d.-studiet er gennemført ved Institut for Datalogi, Faculty of Natural Sciences, Aarhus Universitet.

Dette resumé er udarbejdet af den ph.d.-studerende. 

Tid: Onsdag den 29. april 2026 kl. 10.00
Sted: Bygning 5510, lokale 104, Lille Auditorium, Institut for Datalogi (INCUBA), Aarhus Universitet, Åbogade 34, 8200 Aarhus N.
Titel på ph.d.-afhandling: Structure-Guided Explainability: From Regional to Counterfactual Explanations
Kontaktoplysninger: Pernille Matthews, mail:matthews@cs.au.dk, tlf: +45 31 31 97 45
Bedømmelsesudvalg:
Professor Panagiotis Papapetrou, Department of Computer and Systems Sciences, Stockholm University, Sverige
Associate Professor Riccardo Guidotti, Department of Computer Science, University of Pisa, Italien
Professor Sophia Yakoubov (formand), Institut for Datalogi, Aarhus Universitet, Danmark
Hovedvejleder: Professor Ira Assent, Institut for Datalogi, Aarhus Universitet, Danmark
Medvejleder: Professor Arthur Zimek, Department of Mathematics and Computer Science, Syddansk Universitet, Danmark
Sprog: Ph.d.-afhandlingen forsvares på engelsk.

Forsvaret er offentligt.

Ph.d.-afhandlingen kan læses hos Graduate School of Natural Sciences (GSNS), Ny Munkegade 120, bygning 1521, 8000 Aarhus C.