Buchumschlag

LIMEtree: Consistent and Faithful Surrogate Explanations of Multiple Classes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sokol, Kacper, Flach, Peter
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Interpretable Representations in Explainable AI: From Theory to Practice
von: Sokol, Kacper, et al.
Veröffentlicht: (2020)

Uncertainty Quantification as a Principled Foundation for Explainable Artificial Intelligence: A Case Study of Counterfactual Explanations
von: Sokol, Kacper, et al.
Veröffentlicht: (2025)

Cross-model Fairness: Empirical Study of Fairness and Ethics Under Model Multiplicity
von: Sokol, Kacper, et al.
Veröffentlicht: (2022)

Mind the Gap! Bridging Explainable Artificial Intelligence and Human Understanding with Luhmann's Functional Theory of Communication
von: Keenan, Bernard, et al.
Veröffentlicht: (2023)

Counterfactual Explanations for Clustering Models
von: Spagnol, Aurora, et al.
Veröffentlicht: (2024)

Navigating Explanatory Multiverse Through Counterfactual Path Geometry
von: Sokol, Kacper, et al.
Veröffentlicht: (2023)

Artificial Intelligence Should Genuinely Support Clinical Reasoning and Decision Making To Bridge the Translational Gap
von: Sokol, Kacper, et al.
Veröffentlicht: (2025)

DeepFaith: A Domain-Free and Model-Agnostic Unified Framework for Highly Faithful Explanations
von: Guo, Yuhan, et al.
Veröffentlicht: (2025)

Faithful and Stable Neuron Explanations for Trustworthy Mechanistic Interpretability
von: Yan, Ge, et al.
Veröffentlicht: (2025)

Towards Faithful Explanations: Boosting Rationalization with Shortcuts Discovery
von: Yue, Linan, et al.
Veröffentlicht: (2024)

FaithLM: Towards Faithful Explanations for Large Language Models
von: Chuang, Yu-Neng, et al.
Veröffentlicht: (2024)

QGShap: Quantum Acceleration for Faithful GNN Explanations
von: Jena, Haribandhu, et al.
Veröffentlicht: (2025)

Towards Consistent Natural-Language Explanations via Explanation-Consistency Finetuning
von: Chen, Yanda, et al.
Veröffentlicht: (2024)

A Positive Case for Faithfulness: LLM Self-Explanations Help Predict Model Behavior
von: Mayne, Harry, et al.
Veröffentlicht: (2026)

Multiple Physics Pretraining for Physical Surrogate Models
von: McCabe, Michael, et al.
Veröffentlicht: (2023)

Beyond Linear Surrogates: High-Fidelity Local Explanations for Black-Box Models
von: Shrestha, Sanjeev, et al.
Veröffentlicht: (2025)

Walk the Talk? Measuring the Faithfulness of Large Language Model Explanations
von: Matton, Katie, et al.
Veröffentlicht: (2025)

Explanation Multiplicity in SHAP: Characterization and Assessment
von: Hwang, Hyunseung, et al.
Veröffentlicht: (2026)

Measuring the (Un)Faithfulness of Concept-Based Explanations
von: Kumar, Shubham, et al.
Veröffentlicht: (2025)

Towards Faithful Class-level Self-explainability in Graph Neural Networks by Subgraph Dependencies
von: Liu, Fanzhen, et al.
Veröffentlicht: (2025)

On the Complexity-Faithfulness Trade-off of Gradient-Based Explanations
von: Mehrpanah, Amir, et al.
Veröffentlicht: (2025)

On the Consistency of GNN Explanations for Malware Detection
von: Shokouhinejad, Hossein, et al.
Veröffentlicht: (2025)

Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization
von: Hinterleitner, Alexander, et al.
Veröffentlicht: (2025)

Hypothesis Class Determines Explanation: Why Accurate Models Disagree on Feature Attribution
von: B, Thackshanaramana
Veröffentlicht: (2026)

Rethinking Hallucinations: Correctness, Consistency, and Prompt Multiplicity
von: Ganesh, Prakhar, et al.
Veröffentlicht: (2026)

Evaluating Large Language Models for Phishing Detection, Self-Consistency, Faithfulness, and Explainability
von: Kuikel, Shova, et al.
Veröffentlicht: (2025)

Technical Note: Defining and Quantifying AND-OR Interactions for Faithful and Concise Explanation of DNNs
von: Li, Mingjie, et al.
Veröffentlicht: (2023)

Faithful or Just Plausible? Evaluating the Faithfulness of Closed-Source LLMs in Medical Reasoning
von: Afolabi, Halimat, et al.
Veröffentlicht: (2026)

Delivering Inflated Explanations
von: Izza, Yacine, et al.
Veröffentlicht: (2023)

Robust Counterfactual Explanations under Model Multiplicity Using Multi-Objective Optimization
von: Kinjo, Keita
Veröffentlicht: (2025)

A Voter-Based Stochastic Rejection-Method Framework for Asymptotically Safe Language Model Outputs
von: Watts, Jake R., et al.
Veröffentlicht: (2024)

Scaling the Explanation of Multi-Class Bayesian Network Classifiers
von: Zhang, Yaofang, et al.
Veröffentlicht: (2026)

Faithful Interpretation for Graph Neural Networks
von: Hu, Lijie, et al.
Veröffentlicht: (2024)

Towards Metric-Faithful Neural Graph Matching
von: Shivottam, Jyotirmaya, et al.
Veröffentlicht: (2026)

Unsupervised Surrogate Anomaly Detection
von: Klüttermann, Simon, et al.
Veröffentlicht: (2025)

Explanations are a Means to an End: Decision Theoretic Explanation Evaluation
von: Guo, Ziyang, et al.
Veröffentlicht: (2025)

DatBench: Discriminative, Faithful, and Efficient VLM Evaluations
von: DatologyAI, et al.
Veröffentlicht: (2026)

Faithful Differentiable Reasoning with Reshuffled Region-based Embeddings
von: Pavlovic, Aleksandar, et al.
Veröffentlicht: (2024)

Faithful and Fast Influence Function via Advanced Sampling
von: Koh, Jungyeon, et al.
Veröffentlicht: (2025)

Is Your Explanation Reliable: Confidence-Aware Explanation on Graph Neural Networks
von: Zhang, Jiaxing, et al.
Veröffentlicht: (2025)