Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "A Rojas-Dominguez, SI Valdez, M Ornelas-Rodriguez, M 
2
  "author": "A Rojas-Dominguez, SI Valdez, M Ornelas-Rodriguez, M 
            
3
Carpio", 
3
Carpio", 
            
4
  "author_email": null, 
4
  "author_email": null, 
            
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
6
  "extras": [
6
  "extras": [
            
7
    {
7
    {
            
8
      "key": "Publicaci\u00f3n", 
8
      "key": "Publicaci\u00f3n", 
            
9
      "value": "Otro"
9
      "value": "Otro"
            
10
    }, 
10
    }, 
            
11
    {
11
    {
            
12
      "key": "Tipo", 
12
      "key": "Tipo", 
            
13
      "value": "Publicaci\u00f3n"
13
      "value": "Publicaci\u00f3n"
            
14
    }
14
    }
            
15
  ], 
15
  ], 
            
16
  "groups": [
16
  "groups": [
            
17
    {
17
    {
            
18
      "description": "Este grupo integra las publicaciones 
18
      "description": "Este grupo integra las publicaciones 
            
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
21
presentados en congresos nacionales e internacionales, manuscritos en 
21
presentados en congresos nacionales e internacionales, manuscritos en 
            
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
27
      "display_name": "Publicaciones", 
27
      "display_name": "Publicaciones", 
            
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
29
      "image_display_url": "", 
29
      "image_display_url": "", 
            
30
      "name": "publicaciones", 
30
      "name": "publicaciones", 
            
31
      "title": "Publicaciones"
31
      "title": "Publicaciones"
            
32
    }
32
    }
            
33
  ], 
33
  ], 
            
34
  "id": "05827633-b5a8-4eca-b268-e47d7075f3ae", 
34
  "id": "05827633-b5a8-4eca-b268-e47d7075f3ae", 
            
35
  "isopen": false, 
35
  "isopen": false, 
            
36
  "license_id": null, 
36
  "license_id": null, 
            
37
  "license_title": null, 
37
  "license_title": null, 
            
38
  "maintainer": null, 
38
  "maintainer": null, 
            
39
  "maintainer_email": null, 
39
  "maintainer_email": null, 
            
40
  "metadata_created": "2025-10-11T01:22:59.503253", 
40
  "metadata_created": "2025-10-11T01:22:59.503253", 
            
n
41
  "metadata_modified": "2025-10-11T01:22:59.503262", 
n
41
  "metadata_modified": "2025-10-11T01:22:59.980531", 
            
42
  "name": 
42
  "name": 
            
43
utional-networks-via-minimum-variance-regularized-adapt-c88440c631a7", 
43
utional-networks-via-minimum-variance-regularized-adapt-c88440c631a7", 
            
44
  "notes": "Artificial intelligence (AI) is currently being utilized 
44
  "notes": "Artificial intelligence (AI) is currently being utilized 
            
45
in a wide range of sophisticated applications, but the outcomes of 
45
in a wide range of sophisticated applications, but the outcomes of 
            
46
many AI models are challenging to comprehend and trust due to their 
46
many AI models are challenging to comprehend and trust due to their 
            
47
black-box nature. Usually, it is essential to understand the reasoning 
47
black-box nature. Usually, it is essential to understand the reasoning 
            
48
behind an AI model's decision-making. Thus, the need for eXplainable 
48
behind an AI model's decision-making. Thus, the need for eXplainable 
            
49
AI (XAI) methods for improving trust in AI models has arisen. XAI has 
49
AI (XAI) methods for improving trust in AI models has arisen. XAI has 
            
50
become a popular research subject within the AI field in recent years. 
50
become a popular research subject within the AI field in recent years. 
            
51
Existing survey papers have tackled the concepts of XAI, its general 
51
Existing survey papers have tackled the concepts of XAI, its general 
            
52
terms, and post-hoc explainability methods but there have not been any 
52
terms, and post-hoc explainability methods but there have not been any 
            
53
reviews that have looked at the assessment methods, available tools, 
53
reviews that have looked at the assessment methods, available tools, 
            
54
XAI datasets, and other related aspects. Therefore, in this 
54
XAI datasets, and other related aspects. Therefore, in this 
            
55
comprehensive study, we provide readers with an overview of the 
55
comprehensive study, we provide readers with an overview of the 
            
56
current research and trends in this rapidly emerging area with a case 
56
current research and trends in this rapidly emerging area with a case 
            
57
study example. The study starts by explaining the background of XAI, 
57
study example. The study starts by explaining the background of XAI, 
            
58
common definitions, and summarizing recently proposed techniques in 
58
common definitions, and summarizing recently proposed techniques in 
            
59
XAI for supervised machine learning. The review divides XAI techniques 
59
XAI for supervised machine learning. The review divides XAI techniques 
            
60
into four axes using a hierarchical categorization system: (i) data 
60
into four axes using a hierarchical categorization system: (i) data 
            
61
explainability, (ii) model explainability, (iii) post-hoc 
61
explainability, (ii) model explainability, (iii) post-hoc 
            
62
explainability, and (iv) assessment of explanations. We also introduce 
62
explainability, and (iv) assessment of explanations. We also introduce 
            
63
available evaluation metrics as well as open-source packages and 
63
available evaluation metrics as well as open-source packages and 
            
64
datasets with future research directions. Then, the significance of 
64
datasets with future research directions. Then, the significance of 
            
65
explainability in terms of legal demands, user viewpoints, and 
65
explainability in terms of legal demands, user viewpoints, and 
            
66
application orientation is outlined, termed as XAI concerns. This 
66
application orientation is outlined, termed as XAI concerns. This 
            
67
paper advocates for tailoring explanation content to specific user 
67
paper advocates for tailoring explanation content to specific user 
            
68
types. An examination of XAI techniques and evaluation was conducted 
68
types. An examination of XAI techniques and evaluation was conducted 
            
69
by looking at 410 critical articles, published between January 2016 
69
by looking at 410 critical articles, published between January 2016 
            
70
and October 2022, in reputed journals and using a wide range of 
70
and October 2022, in reputed journals and using a wide range of 
            
71
research databases as a source of information. The article is aimed at 
71
research databases as a source of information. The article is aimed at 
            
72
XAI researchers who are interested in making their AI models more 
72
XAI researchers who are interested in making their AI models more 
            
73
trustworthy, as well as towards researchers from other disciplines who 
73
trustworthy, as well as towards researchers from other disciplines who 
            
74
are looking for effective XAI methods to complete tasks with 
74
are looking for effective XAI methods to complete tasks with 
            
75
confidence while communicating meaning from data.", 
75
confidence while communicating meaning from data.", 
            
n
76
  "num_resources": 0, 
n
76
  "num_resources": 1, 
            
77
  "num_tags": 3, 
77
  "num_tags": 3, 
            
78
  "organization": {
78
  "organization": {
            
79
    "approval_status": "approved", 
79
    "approval_status": "approved", 
            
80
    "created": "2022-05-19T00:10:30.480393", 
80
    "created": "2022-05-19T00:10:30.480393", 
            
81
    "description": "Observatorio Metropolitano CentroGeo", 
81
    "description": "Observatorio Metropolitano CentroGeo", 
            
82
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
82
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
83
    "image_url": 
83
    "image_url": 
            
84
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
84
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
85
    "is_organization": true, 
85
    "is_organization": true, 
            
86
    "name": "observatorio-metropolitano-centrogeo", 
86
    "name": "observatorio-metropolitano-centrogeo", 
            
87
    "state": "active", 
87
    "state": "active", 
            
88
    "title": "Observatorio Metropolitano CentroGeo", 
88
    "title": "Observatorio Metropolitano CentroGeo", 
            
89
    "type": "organization"
89
    "type": "organization"
            
90
  }, 
90
  }, 
            
91
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
91
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
92
  "private": false, 
92
  "private": false, 
            
93
  "relationships_as_object": [], 
93
  "relationships_as_object": [], 
            
94
  "relationships_as_subject": [], 
94
  "relationships_as_subject": [], 
            
t
95
  "resources": [], 
t
95
  "resources": [
            
96
    {
            
97
      "cache_last_updated": null, 
            
98
      "cache_url": null, 
            
99
      "created": "2025-10-11T01:22:59.995592", 
            
100
      "datastore_active": false, 
            
101
      "description": "Artificial intelligence (AI) is currently being 
            
102
utilized in a wide range of sophisticated applications, but the 
            
103
outcomes of many AI models are challenging to comprehend and trust due 
            
104
to their black-box nature. Usually, it is essential to understand the 
            
105
reasoning behind an AI model's decision-making. Thus, the need for 
            
106
eXplainable AI (XAI) methods for improving trust in AI models has 
            
107
arisen. XAI has become a popular research subject within the AI field 
            
108
in recent years. Existing survey papers have tackled the concepts of 
            
109
XAI, its general terms, and post-hoc explainability methods but there 
            
110
have not been any reviews that have looked at the assessment methods, 
            
111
available tools, XAI datasets, and other related aspects. Therefore, 
            
112
in this comprehensive study, we provide readers with an overview of 
            
113
the current research and trends in this rapidly emerging area with a 
            
114
case study example. The study starts by explaining the background of 
            
115
XAI, common definitions, and summarizing recently proposed techniques 
            
116
in XAI for supervised machine learning. The review divides XAI 
            
117
techniques into four axes using a hierarchical categorization system: 
            
118
(i) data explainability, (ii) model explainability, (iii) post-hoc 
            
119
explainability, and (iv) assessment of explanations. We also introduce 
            
120
available evaluation metrics as well as open-source packages and 
            
121
datasets with future research directions. Then, the significance of 
            
122
explainability in terms of legal demands, user viewpoints, and 
            
123
application orientation is outlined, termed as XAI concerns. This 
            
124
paper advocates for tailoring explanation content to specific user 
            
125
types. An examination of XAI techniques and evaluation was conducted 
            
126
by looking at 410 critical articles, published between January 2016 
            
127
and October 2022, in reputed journals and using a wide range of 
            
128
research databases as a source of information. The article is aimed at 
            
129
XAI researchers who are interested in making their AI models more 
            
130
trustworthy, as well as towards researchers from other disciplines who 
            
131
are looking for effective XAI methods to complete tasks with 
            
132
confidence while communicating meaning from data.", 
            
133
      "format": "HTML", 
            
134
      "hash": "", 
            
135
      "id": "01060979-9e3f-43ec-a39c-84ba0fc3c013", 
            
136
      "last_modified": null, 
            
137
      "metadata_modified": "2025-10-11T01:22:59.984482", 
            
138
      "mimetype": null, 
            
139
      "mimetype_inner": null, 
            
140
      "name": "Improved training of deep convolutional networks via 
            
141
minimum-variance regularized adaptive sampling", 
            
142
      "package_id": "05827633-b5a8-4eca-b268-e47d7075f3ae", 
            
143
      "position": 0, 
            
144
      "resource_type": null, 
            
145
      "size": null, 
            
146
      "state": "active", 
            
147
      "url": "https://doi.org/10.1088/2632-2153/ad092c/v1/review3", 
            
148
      "url_type": null
            
149
    }
            
150
  ], 
            
96
  "state": "active", 
151
  "state": "active", 
            
97
  "tags": [
152
  "tags": [
            
98
    {
153
    {
            
99
      "display_name": "artificial-intelligence", 
154
      "display_name": "artificial-intelligence", 
            
100
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
155
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
101
      "name": "artificial-intelligence", 
156
      "name": "artificial-intelligence", 
            
102
      "state": "active", 
157
      "state": "active", 
            
103
      "vocabulary_id": null
158
      "vocabulary_id": null
            
104
    }, 
159
    }, 
            
105
    {
160
    {
            
106
      "display_name": "computer-science", 
161
      "display_name": "computer-science", 
            
107
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
162
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
108
      "name": "computer-science", 
163
      "name": "computer-science", 
            
109
      "state": "active", 
164
      "state": "active", 
            
110
      "vocabulary_id": null
165
      "vocabulary_id": null
            
111
    }, 
166
    }, 
            
112
    {
167
    {
            
113
      "display_name": "trustworthiness", 
168
      "display_name": "trustworthiness", 
            
114
      "id": "b0eebfb2-112c-4eba-ab2f-f458f5555e98", 
169
      "id": "b0eebfb2-112c-4eba-ab2f-f458f5555e98", 
            
115
      "name": "trustworthiness", 
170
      "name": "trustworthiness", 
            
116
      "state": "active", 
171
      "state": "active", 
            
117
      "vocabulary_id": null
172
      "vocabulary_id": null
            
118
    }
173
    }
            
119
  ], 
174
  ], 
            
120
  "title": "Improved training of deep convolutional networks via 
175
  "title": "Improved training of deep convolutional networks via 
            
121
minimum-variance regularized adaptive sampling", 
176
minimum-variance regularized adaptive sampling", 
            
122
  "type": "dataset", 
177
  "type": "dataset", 
            
123
  "url": "https://doi.org/10.1088/2632-2153/ad092c/v1/review3", 
178
  "url": "https://doi.org/10.1088/2632-2153/ad092c/v1/review3", 
            
124
  "version": null
179
  "version": null
            
125
}
180
}