Buchumschlag

Rule Generation for Classification: Scalability, Interpretability, and Fairness

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Röber, Tabea E., Lumadjeng, Adia C., Akyüz, M. Hakan, Birbil, Ş. İlker
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning with Subset Stacking
von: Birbil, Ş. İlker, et al.
Veröffentlicht: (2021)

Improving understanding and trust in AI: How users benefit from interval-based counterfactual explanations
von: Röber, Tabea E., et al.
Veröffentlicht: (2026)

Learning An Interpretable Risk Scoring System for Maximizing Decision Net Benefit
von: Chi, Wenhao, et al.
Veröffentlicht: (2026)

Clinicians' Voice: Fundamental Considerations for XAI in Healthcare
von: Röber, T. E., et al.
Veröffentlicht: (2024)

Generating Samples to Probe Trained Models
von: Kıral, Eren Mehmet, et al.
Veröffentlicht: (2025)

Fixing confirmation bias in feature attribution methods via semantic match
von: Cinà, Giovanni, et al.
Veröffentlicht: (2023)

Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood
von: Mohammadi, Reza, et al.
Veröffentlicht: (2023)

Coherent Local Explanations for Mathematical Optimization
von: Otto, Daan, et al.
Veröffentlicht: (2025)

Machine Learning for K-adaptability in Two-stage Robust Optimization
von: Julien, Esther, et al.
Veröffentlicht: (2022)

Counterfactual Explanations for Linear Optimization
von: Kurtz, Jannis, et al.
Veröffentlicht: (2024)

Bolstering Stochastic Gradient Descent with Model Building
von: Birbil, S. Ilker, et al.
Veröffentlicht: (2021)

The Role of Feature Interactions in Graph-based Tabular Deep Learning
von: Dubbeldam, Elias, et al.
Veröffentlicht: (2025)

Learning Interpretable Rules for Scalable Data Representation and Classification
von: Wang, Zhuo, et al.
Veröffentlicht: (2023)

Linear Model Extraction via Factual and Counterfactual Queries
von: Otto, Daan, et al.
Veröffentlicht: (2026)

Does Interpretability of Knowledge Tracing Models Support Teacher Decision Making?
von: Khalid, Adia, et al.
Veröffentlicht: (2025)

Output-Constrained Decision Trees
von: Tunç, Hüseyin, et al.
Veröffentlicht: (2024)

Classification Filtering
von: Bayram, Ilker
Veröffentlicht: (2025)

(Sometimes) Less is More: Mitigating the Complexity of Rule-based Representation for Interpretable Classification
von: Bergamin, Luca, et al.
Veröffentlicht: (2025)

Interpretable Classification via a Rule Network with Selective Logical Operators
von: Wei, Bowen, et al.
Veröffentlicht: (2024)

Interpretable Fair Clustering
von: Jiang, Mudi, et al.
Veröffentlicht: (2025)

From Large Language Models and Optimization to Decision Optimization CoPilot: A Research Manifesto
von: Wasserkrug, Segev, et al.
Veröffentlicht: (2024)

LearnAD: Learning Interpretable Rules for Brain Networks in Alzheimer's Disease Classification
von: Andrews, Thomas, et al.
Veröffentlicht: (2025)

Fair MP-BOOST: Fair and Interpretable Minipatch Boosting
von: Little, Camille Olivia, et al.
Veröffentlicht: (2024)

Constraint-Aware Refinement for Safety Verification of Neural Feedback Loops
von: Rober, Nicholas, et al.
Veröffentlicht: (2024)

Scalable Rule Lists Learning with Sampling
von: Pellegrina, Leonardo, et al.
Veröffentlicht: (2024)

FairGLVQ: Fairness in Partition-Based Classification
von: Störck, Felix, et al.
Veröffentlicht: (2024)

When Interpretability Is Unequally Distributed: Fairness in Hybrid Interpretable Models
von: Zare, Ziba Jabbar, et al.
Veröffentlicht: (2026)

Efficient and Interpretable Transformer for Counterfactual Fairness
von: Dong, Panyi, et al.
Veröffentlicht: (2026)

Mitigating Bias in Concept Bottleneck Models for Fair and Interpretable Image Classification
von: Tong, Schrasing, et al.
Veröffentlicht: (2026)

A General Anchor-Based Framework for Scalable Fair Clustering
von: Wei, Shengfei, et al.
Veröffentlicht: (2025)

FairGP: A Scalable and Fair Graph Transformer Using Graph Partitioning
von: Luo, Renqiang, et al.
Veröffentlicht: (2024)

Learning Interpretable Fair Representations
von: Wang, Tianhao, et al.
Veröffentlicht: (2024)

NEUROLOGIC: From Neural Representations to Interpretable Logic Rules
von: Geng, Chuqin, et al.
Veröffentlicht: (2025)

Finding Rule-Interpretable Non-Negative Data Representation
von: Mihelčić, Matej, et al.
Veröffentlicht: (2022)

FairZK: A Scalable System to Prove Machine Learning Fairness in Zero-Knowledge
von: Zhang, Tianyu, et al.
Veröffentlicht: (2025)

Personalized Interpretable Classification
von: He, Zengyou, et al.
Veröffentlicht: (2023)

Minimax Group Fairness in Strategic Classification
von: Diana, Emily, et al.
Veröffentlicht: (2024)

On the Power of Randomization in Fair Classification and Representation
von: Agarwal, Sushant, et al.
Veröffentlicht: (2024)

Simulating Biases for Interpretable Fairness in Offline and Online Classifiers
von: Inácio, Ricardo, et al.
Veröffentlicht: (2025)

Optimal Transport Learning: Balancing Value Optimization and Fairness in Individualized Treatment Rules
von: Cui, Wenhai, et al.
Veröffentlicht: (2025)