Este artículo se centra en la metodología de Atribución de Datos (DA) que complementa los métodos de atribución de características utilizados principalmente en el campo de la inteligencia artificial explicable (XAI). Para resolver los problemas de alto coste computacional, requisito de memoria y baja dispersión de los métodos de DA existentes, proponemos DualXDA, un marco de DA eficiente, disperso y explicable. DualXDA consta de dos enfoques, DualDA y XDA. DualDA proporciona una atribución de datos dispersos rápida y natural mediante el uso de la teoría de máquinas de vectores de soporte. XDA aprovecha las ventajas de los métodos de atribución de características existentes para explicar por qué las muestras de entrenamiento son importantes para predecir las muestras de prueba. DualDA logra un tiempo de explicación hasta 4.100.000 veces más rápido que los métodos de función de influencia existentes y hasta 11.000 veces más rápido que los métodos de aproximación más eficientes existentes, a la vez que mantiene una alta calidad de atribución y un buen rendimiento en diversas tareas posteriores. En conclusión, se espera que DualXDA abra una nueva era de sistemas de IA responsables al permitir un análisis transparente y eficiente de arquitecturas de redes neuronales a gran escala.
