Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/40461Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Vardakas, Konstantinos | en |
| dc.date.accessioned | 2026-10-08T07:53:01Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/40461 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.20099 | - |
| dc.rights | Default License | - |
| dc.subject | Counterfactual Explanations | en |
| dc.subject | Kernel Methods | en |
| dc.subject | Support Vector Machines | en |
| dc.subject | Kernel k-Means | en |
| dc.subject | Classification | en |
| dc.subject | Clustering | en |
| dc.subject | Optimization | en |
| dc.title | Counterfactual Explanations for Kernel-Based Machine Learning Models | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Explainable AI | en |
| heal.classification | Machine Learning | en |
| heal.dateAvailable | 2029-10-07T21:00:00Z | - |
| heal.language | en | el |
| heal.access | embargo | el |
| heal.recordProvider | University of Ioannina, School of Engineering | en |
| heal.publicationDate | 2026-10-05 | - |
| heal.abstract | As machine learning models are increasingly used in complex decision-making processes, the ability to understand and interpret their outcomes has become of great importance. Counterfactual Explanations (CFEs) address this need by identifying the changes that need to be made to an input instance in order for the model to produce a different outcome. However, for methods based on kernel functions, this problem introduces an additional challenge: model decisions are determined by relationships in an implicitly defined feature space, while the resulting counterfactuals must ultimately be expressed in the original input space. This thesis investigates this problem for two widely used machine learning methods based on kernel functions: kernel $k$-means and Support Vector Machines (SVMs). Within this context, two formulations for generating counterfactual explanations are developed, each of which is implemented for both kernel k-means and SVMs. In both formulations, the counterfactual is obtained as the solution to a constrained optimization problem that seeks a valid solution close to the original input. However, the two formulations differ in the way plausibility is achieved. In Formulation I, plausibility is controlled through the optimization constraints using a parameter that determines the displacement of the hyperplane defining the feasible region from the decision boundary toward the region of the desired group. In contrast, in Formulation II, plausibility is incorporated into the objective function through a parameter that balances proximity to the original input with attraction toward a representation of the desired group. In both formulations, optimization is performed directly in the input space, while proximity and feasibility are evaluated in the feature space induced by the kernel function and in which the corresponding model operates. Constraints on feature modification are incorporated into the generation process by keeping features considered immutable fixed. The proposed framework is independent of the choice of kernel function and is further specialized to exploit the structure of five widely used kernels: Linear, Cosine, RBF, Laplacian, and Polynomial. Additional extensions include a heuristic procedure for CFE generation in the presence of multiple clusters in kernel k-means, as well as a group formulation for SVMs that generates a single representative counterfactual for multiple instances belonging to the same class. The proposed methods are evaluated through synthetic examples and experiments on established real-world datasets, consistently generating valid counterfactuals that remain close to the corresponding factual instances in feature space. | en |
| heal.abstract | Καθώς τα μοντέλα μηχανικής μάθησης χρησιμοποιούνται ολοένα και περισσότερο σε σύνθετες διαδικασίες λήψης αποφάσεων, η δυνατότητα κατανόησης και ερμηνείας των αποτελεσμάτων τους αποκτά ιδιαίτερη σημασία. Οι αντιπαραδειγματικές εξηγήσεις (Counterfactual Explanations- CFEs) ανταποκρίνονται σε αυτή την ανάγκη, προσδιορίζοντας τις μεταβολές που πρέπει να πραγματοποιηθούν σε ένα δεδομένο εισόδου, ώστε το μοντέλο να παράγει διαφορετικό αποτέλεσμα. Ωστόσο, στην περίπτωση μεθόδων που βασίζονται σε συναρτήσεις πυρήνα, το πρόβλημα αυτό παρουσιάζει μία επιπλέον δυσκολία: οι αποφάσεις του μοντέλου καθορίζονται από σχέσεις σε έναν έμμεσα ορισμένο χώρο χαρακτηριστικών, ενώ τα παραγόμενα αντιπαραδείγματα πρέπει τελικά να εκφράζονται στον αρχικό χώρο εισόδου. Η παρούσα διπλωματική εργασία μελετά το συγκεκριμένο πρόβλημα για δύο ευρέως χρησιμοποιούμενες μεθόδους μηχανικής μάθησης που βασίζονται σε συναρτήσεις πυρήνα: τον αλγόριθμο kernel k-means και τις Μηχανές Διανυσμάτων Υποστήριξης (SVMs). Στο πλαίσιο αυτό, προτείνονται δύο διατυπώσεις για την παραγωγή αντιπαραδειγματικών εξηγήσεων, καθεμία από τις οποίες υλοποιείται τόσο για τον kernel k-means όσο και για τις SVMs. Και στις δύο διατυπώσεις, το αντιπαράδειγμα προκύπτει ως λύση ενός προβλήματος βελτιστοποίησης με περιορισμούς, με στόχο την εύρεση μιας έγκυρης λύσης κοντά στην αρχική είσοδο. Εντούτοις, οι δύο διατυπώσεις διαφοροποιούνται ως προς τον τρόπο με τον οποίο επιτυγχάνουν την αληθοφάνεια. Στη Διατύπωση I, ο έλεγχος της αληθοφάνειας επιτυγχάνεται μέσω xiμιας παραμέτρου του περιορισμού, η οποία καθορίζει τη μετατόπιση του υπερεπιπέδου που ορίζει την εφικτή περιοχή από το όριο απόφασης προς την περιοχή της επιθυμητής ομάδας. Αντίθετα, στη Διατύπωση II, η αληθοφάνεια ενσωματώνεται στην αντικειμενική συνάρτηση μέσω μιας παραμέτρου, η οποία εξισορροπεί την εγγύτητα προς την αρχική είσοδο με την έλξη προς μια αναπαράσταση της επιθυμητής ομάδας. Και στις δύο διατυπώσεις, η βελτιστοποίηση πραγματοποιείται απευθείας στον χώρο εισόδου, ενώ η εγγύτητα και η εφικτότητα αξιολογούνται στον χώρο χαρακτηριστικών που επάγεται από τη συνάρτηση πυρήνα και στον οποίο λειτουργεί το αντίστοιχο μοντέλο. Οι περιορισμοί ως προς την τροποποίηση των χαρακτηριστικών ενσωματώνονται στη διαδικασία παραγωγής, διατηρώντας σταθερά όσα χαρακτηριστικά θεωρούνται αμετάβλητα. Το προτεινόμενο πλαίσιο είναι ανεξάρτητο από την επιλογή συνάρτησης πυρήνα και εξειδικεύεται περαιτέρω, ώστε να αξιοποιεί τη δομή πέντε ευρέως χρησιμοποιούμενων πυρήνων: Γραμμικού (Linear), Συνημιτόνου (Cosine), RBF, Laplacian και Πολυωνυμικού (Polynomial). Επιπλέον επεκτάσεις περιλαμβάνουν μία ευρετική διαδικασία για την παραγωγή CFEs στην περίπτωση πολλαπλών συστάδων στον kernel k-means, καθώς και μία ομαδική διατύπωση για SVMs, η οποία παράγει ένα ενιαίο αντιπροσωπευτικό αντιπαράδειγμα για πολλαπλά δείγματα της ίδιας κλάσης. Οι προτεινόμενες μέθοδοι αξιολογούνται μέσω συνθετικών παραδειγμάτων και πειραμάτων σε καθιερωμένα σύνολα πραγματικών δεδομένων, παράγοντας με συνέπεια έγκυρα αντιπαραδείγματα που παραμένουν κοντά στις αντίστοιχες πραγματικές παρατηρήσεις στον χώρο των χαρακτηριστικών. | el |
| heal.advisorName | Likas, Aristidis | en |
| heal.committeeMemberName | Likas, Aristidis | en |
| heal.committeeMemberName | Blekas, Konstantinos | en |
| heal.committeeMemberName | Pitoura, Evaggelia | |
| heal.academicPublisher | University of Ioannina, School of Engineering, Computer Science and Engineering Department | en |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 161 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| KVardakas_MSc_Thesis.pdf | ΜΔΕ Κωνσταντίνος Βαρδάκας (2026) | 61.49 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
