MUPAX (MULTIDIMENSIONAL PROBLEM AGNOSTIC EXPLAINABLE AI) est une technique XAI robuste, déterministe, indépendante du modèle et convergente. Elle utilise des formulations basées sur la théorie des mesures pour découvrir des modèles d'entrée uniques grâce à l'analyse des perturbations structurelles et éliminer les relations parasites, conférant ainsi une importance fondamentale aux caractéristiques. Son efficacité a été démontrée sur un large éventail de types de données et de tâches, notamment la classification audio (1D), la classification d'images (2D), l'analyse d'images médicales 3D (3D) et la détection de repères anatomiques, quelle que soit la dimensionnalité. Elle s'applique aux fonctions de perte et aux dimensions arbitraires et améliore la précision du modèle au lieu de compromettre les performances lors du masquage. Elle produit des explications précises, cohérentes et faciles à comprendre par rapport aux techniques XAI existantes.
