ADVERSE FEATURES NEUTRALIZATION IN MACHINE LEARNING

Methods and systems are presented for identifying and neutralizing adverse input features that negatively impact accuracy of a machine learning model. A machine learning model is configured to produce an output based on parameter values corresponding to input features. Each input feature is evaluated with respect to its impact on producing a correct output by the machine learning model. One or more adverse input features that have a negative impact on accuracy of the machine learning model are determined. When a request to assess a data is received, input values associated with the data and corresponding to the set of input features are obtained. One or more input values corresponding to the adverse input features are identified. The one or more input values are altered, and the altered input values along with other unaltered input values are used to generate a more accurate output by the machine learning model. La présente invention concerne des procédés et des systèmes pour identifier et neutraliser des caractéristiques d'entrée défavorables qui ont une influence négative sur la précision d'un modèle d'apprentissage automatique. Un modèle d'apprentissage automatique est configuré pour produire une sortie sur la base de valeurs de paramètres correspondant à des caractéristiques d'entrée. Chaque caractéristique d'entrée est évaluée par rapport à son influence sur la production d'une sortie correcte par le modèle d'apprentissage automatique. Une ou plusieurs caractéristiques d'entrée défavorables qui ont une influence négative sur la précision du modèle d'apprentissage automatique sont déterminées. Lorsqu'une demande d'évaluation d'une donnée est reçue, des valeurs d'entrée associées à la donnée et correspondant à l'ensemble de caractéristiques d'entrée sont obtenues. Une ou plusieurs valeurs d'entrée correspondant aux caractéristiques d'entrée défavorables sont identifiées. La ou les valeurs d'entrée sont modifiées, et les valeurs d'entrée modifiées conjointement avec d'autres valeurs d'entrée non modifiées sont utilisées pour générer une sortie plus précise par le modèle d'apprentissage automatique.