Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Herramientas/GitHubGitHub/trusted-ai/aix360
Aprendizaje AutomáticoPapers e InvestigaciónAprendizaje y EducaciónSeguridad de IAAtaque AdversarioTop en Ataque Adversario #16Top en Aprendizaje Automático #17
GitHubtrusted-ai/aix360

AIX360

Interpretabilidad y explicabilidad de datos y modelos de aprendizaje automático

1.8k32957hace 2 mesesRevisado por Kitploit
Compartir
Ver RepositorioSitio web

AI Explainability 360 (v0.3.0)

Build Documentation Status PyPI version

✨NUEVO: IBM Research tiene un nuevo kit de herramientas In-Context Explainability 360 (ICX360) que extiende la explicabilidad a los LLM, específicamente en cuanto a la entrada proporcionada al LLM. ¡Échale un vistazo! 🚀✨

El kit de herramientas AI Explainability 360 es una biblioteca de código abierto que permite la interpretabilidad y explicabilidad de conjuntos de datos y modelos de aprendizaje automático. El paquete de Python AI Explainability 360 incluye un conjunto completo de algoritmos que cubren diferentes dimensiones de las explicaciones junto con métricas proxy de explicabilidad. El kit de herramientas AI Explainability 360 es compatible con datos tabulares, texto, imágenes y series temporales.

La experiencia interactiva de AI Explainability 360 ofrece una introducción sencilla a los conceptos y capacidades mediante un caso de uso de ejemplo para diferentes perfiles de consumidores. Los tutoriales y cuadernos de ejemplo ofrecen una introducción más profunda, orientada a científicos de datos. La API completa también está disponible.

No existe un único enfoque de explicabilidad que funcione mejor. Hay muchas formas de explicar: datos frente a modelo, directamente interpretable frente a explicación post hoc, local frente a global, etc. Por lo tanto, puede resultar confuso determinar qué algoritmos son más apropiados para un caso de uso determinado. Para ayudar, hemos creado material de orientación y un árbol de taxonomía que pueden consultarse.

Hemos desarrollado el paquete pensando en la extensibilidad. Esta biblioteca aún está en desarrollo. Te animamos a contribuir con tus algoritmos de explicabilidad, métricas y casos de uso. Para empezar como colaborador, únete a la Comunidad AI Explainability 360 en Slack solicitando una invitación aquí. Revisa las instrucciones para contribuir con código y notebooks de Python aquí.

Algoritmos de explicabilidad compatibles

Explicaciones de datos

  • ProtoDash (Gurumoorthy et al., 2019)
  • Disentangled Inferred Prior VAE (Kumar et al., 2018)

Explicaciones post-hoc locales

  • ProtoDash (Gurumoorthy et al., 2019)
  • Contrastive Explanations Method (Dhurandhar et al., 2018)
  • Contrastive Explanations Method with Monotonic Attribute Functions (Luss et al., 2019)
  • Exemplar based Contrastive Explanations Method
  • Grouped Conditional Expectation (Adaptación de Individual Conditional Expectation Plots de Goldstein et al. a una dimensión superior)
  • LIME (Ribeiro et al. 2016, Github)
  • SHAP (Lundberg, et al. 2017, Github)

Explicaciones post-hoc locales de series temporales

  • Time Series Saliency Maps using Integrated Gradients (Inspirado por Sundararajan et al. )
  • Time Series LIME (Adaptación de series temporales del artículo clásico de Ribeiro et al. 2016 )
  • Time Series Individual Conditional Expectation (Adaptación de series temporales de Individual Conditional Expectation Plots Goldstein et al. )

Explicaciones directas locales

  • Teaching AI to Explain its Decisions (Hind et al., 2019)
  • Order Constraints in Optimal Transport (Lim et al.,2022, Github)

Certificación de explicaciones locales

  • Trust Regions for Explanations via Black-Box Probabilistic Certification (Ecertify) (Dhurandhar et al., 2024)

Explicaciones directas globales

  • Interpretable Model Differencing (IMD) (Haldar et al., 2023)
  • CoFrNets (Continued Fraction Nets) (Puri et al., 2021)
  • Boolean Decision Rules via Column Generation (Light Edition) (Dash et al., 2018)
  • Generalized Linear Rule Models (Wei et al., 2019)
  • Fast Effective Rule Induction (Ripper) (William W Cohen, 1995)

Explicaciones post-hoc globales

  • ProfWeight (Dhurandhar et al., 2018)

Métricas de explicabilidad compatibles

  • Faithfulness (Alvarez-Melis and Jaakkola, 2018)
  • Monotonicity (Luss et al., 2019)

Configuración

Configuraciones compatibles:

Palabra clave de instalaciónExplicador(es)SOVersión de Python
cofrnetcofrnetmacOS, Ubuntu, Windows3.10
contrastivecem, cem_mafmacOS, Ubuntu, Windows3.7
dipvaedipvaemacOS, Ubuntu, Windows3.10
gcegcemacOS, Ubuntu, Windows3.10
ecertifyecertifymacOS, Ubuntu, Windows3.10
imdimdmacOS, Ubuntu3.10
limelimemacOS, Ubuntu, Windows3.10
matchingmatchingmacOS, Ubuntu, Windows3.10
nncontrastivenncontrastivemacOS, Ubuntu, Windows3.10
profwtprofwtmacOS, Ubuntu, Windows3.6
protodashprotodashmacOS, Ubuntu, Windows3.10
rbmbrcg, glrmmacOS, Ubuntu, Windows3.10
rule_inductionrippermacOS, Ubuntu, Windows3.10
shapshapmacOS, Ubuntu, Windows3.6
tedtedmacOS, Ubuntu, Windows3.10
tsicetsicemacOS, Ubuntu, Windows3.10
tslimetslimemacOS, Ubuntu, Windows3.10
tssaliencytssaliencymacOS, Ubuntu, Windows3.10

(Opcional) Crear un entorno virtual

AI Explainability 360 requiere versiones específicas de muchos paquetes de Python que pueden entrar en conflicto con otros proyectos de tu sistema. Se recomienda encarecidamente un gestor de entornos virtuales para asegurar que las dependencias puedan instalarse de forma segura. Si tienes problemas para instalar el kit de herramientas, prueba esto primero.

Conda

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    546
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    477
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    377
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    324
  • 5

    estorides

    grisuno/estorides

    Agrega más de 99 fuentes OSINT gratuitas en paralelo, resuelve entidades en un grafo de conocimiento y exporta STIX 2.1, MISP o GraphML con análisis asistido por LLM.

    269
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    252

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →