Génération d'explications contre-factuelles pour la chimie moléculaire
Résumé
De nombreux modèles d'apprentissage artificiel ont été proposés récemment en chimie moléculaire, afin d'accélérer l'estimation de propriétés moléculaires coûteuses. Le développement de méthodes d'explication de ces modèles est un enjeu important pour leur adoption par la communauté des chimistes. Nous proposons une approche pour générer des explications contre-factuelles pour tout modèle de classification moléculaire binaire. Notre méthode est basée sur une recherche par voisinage par un algorithme évolutionnaire. Nous discutons de l'importance de la mesure de similarité et des opérateurs de voisinage, et nous proposons de restreindre les opérateurs de mutation pour améliorer la pertinence des explications générées.