Buchumschlag

Explaining Bayesian Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bykov, Kirill, Höhne, Marina M. -C., Creosteanu, Adelaida, Müller, Klaus-Robert, Klauschen, Frederick, Nakajima, Shinichi, Kloft, Marius
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Artificial Intelligence Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Labeling Neural Representations with Inverse Recognition
von: Bykov, Kirill, et al.
Veröffentlicht: (2023)

Manipulating Feature Visualizations with Gradient Slingshots
von: Bareeva, Dilyara, et al.
Veröffentlicht: (2024)

MeDi: Metadata-Guided Diffusion Models for Mitigating Biases in Tumor Classification
von: Drexlin, David Jacob, et al.
Veröffentlicht: (2025)

Self-Supervised Training with Autoencoders for Visual Anomaly Detection
von: Bauer, Alexander, et al.
Veröffentlicht: (2022)

A Fresh Look at Sanity Checks for Saliency Maps
von: Hedström, Anna, et al.
Veröffentlicht: (2024)

Disentangled Explanations of Neural Network Predictions by Finding Relevant Subspaces
von: Chormai, Pattarawat, et al.
Veröffentlicht: (2022)

xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer
von: Sextro, Marvin, et al.
Veröffentlicht: (2024)

OMENN: One Matrix to Explain Neural Networks
von: Wróbel, Adam, et al.
Veröffentlicht: (2024)

Implicit Visual Bias Mitigation by Posterior Estimate Sharpening of a Bayesian Neural Network
von: Stone, Rebecca S, et al.
Veröffentlicht: (2023)

FaCT: Faithful Concept Traces for Explaining Neural Network Decisions
von: Parchami-Araghi, Amin, et al.
Veröffentlicht: (2025)

On Explaining Visual Captioning with Hybrid Markov Logic Networks
von: Shah, Monika, et al.
Veröffentlicht: (2025)

Bridging GANs and Bayesian Neural Networks via Partial Stochasticity
von: Filippone, Maurizio, et al.
Veröffentlicht: (2025)

FastCAV: Efficient Computation of Concept Activation Vectors for Explaining Deep Neural Networks
von: Schmalwasser, Laines, et al.
Veröffentlicht: (2025)

Towards Explaining Hypercomplex Neural Networks
von: Lopez, Eleonora, et al.
Veröffentlicht: (2024)

xMIL: Insightful Explanations for Multiple Instance Learning in Histopathology
von: Hense, Julius, et al.
Veröffentlicht: (2024)

Bayesian Low-Rank LeArning (Bella): A Practical Approach to Bayesian Neural Networks
von: Doan, Bao Gia, et al.
Veröffentlicht: (2024)

Runtime Safety Monitoring of Deep Neural Networks for Perception: A Survey
von: Schotschneider, Albert, et al.
Veröffentlicht: (2025)

Towards Robust Foundation Models for Digital Pathology
von: Kömen, Jonah, et al.
Veröffentlicht: (2025)

Model Guidance via Explanations Turns Image Classifiers into Segmentation Models
von: Yu, Xiaoyan, et al.
Veröffentlicht: (2024)

Attacking Bayes: On the Adversarial Robustness of Bayesian Neural Networks
von: Feng, Yunzhen, et al.
Veröffentlicht: (2024)

Neural Knitworks: Patched Neural Implicit Representation Networks
von: Czerkawski, Mikolaj, et al.
Veröffentlicht: (2021)

RT-DETRv2 Explained in 8 Illustrations
von: Chua, Ethan Qi Yang, et al.
Veröffentlicht: (2025)

Conditioning Latent-Space Clusters for Real-World Anomaly Classification
von: Bogdoll, Daniel, et al.
Veröffentlicht: (2023)

KP-INR: A Dual-Branch Implicit Neural Representation Model for Cardiac Cine MRI Reconstruction
von: Lyu, Donghang, et al.
Veröffentlicht: (2025)

Explaining 3D Computed Tomography Classifiers with Counterfactuals
von: Cohen, Joseph Paul, et al.
Veröffentlicht: (2025)

Explaining Human Comparisons using Alignment-Importance Heatmaps
von: Truong, Nhut, et al.
Veröffentlicht: (2024)

Seg-metrics: a Python package to compute segmentation metrics
von: Jia, Jingnan, et al.
Veröffentlicht: (2024)

From Neural Activations to Concepts: A Survey on Explaining Concepts in Neural Networks
von: Lee, Jae Hee, et al.
Veröffentlicht: (2023)

Med-CAM: Minimal Evidence for Explaining Medical Decision Making
von: Suhail, Pirzada, et al.
Veröffentlicht: (2026)

VerLM: Explaining Face Verification Using Natural Language
von: Hannan, Syed Abdul, et al.
Veröffentlicht: (2026)

Sparks of Explainability: Recent Advancements in Explaining Large Vision Models
von: Fel, Thomas
Veröffentlicht: (2025)

P-TAME: Explain Any Image Classifier with Trained Perturbations
von: Ntrougkas, Mariano V., et al.
Veröffentlicht: (2025)

Explaining multimodal LLMs via intra-modal token interactions
von: Liang, Jiawei, et al.
Veröffentlicht: (2025)

Language Models Can Explain Visual Features via Steering
von: Ferrando, Javier, et al.
Veröffentlicht: (2026)

Explaining How Visual, Textual and Multimodal Encoders Share Concepts
von: Cornet, Clément, et al.
Veröffentlicht: (2025)

Explaining raw data complexity to improve satellite onboard processing
von: Dorise, Adrien, et al.
Veröffentlicht: (2025)

B-SMALL: A Bayesian Neural Network approach to Sparse Model-Agnostic Meta-Learning
von: Madan, Anish, et al.
Veröffentlicht: (2021)

Pedestrian Crossing Intention Prediction Using Multimodal Fusion Network
von: Li, Yuanzhe, et al.
Veröffentlicht: (2025)

Explaining Multi-modal Large Language Models by Analyzing their Vision Perception
von: Giulivi, Loris, et al.
Veröffentlicht: (2024)

Improving the Explain-Any-Concept by Introducing Nonlinearity to the Trainable Surrogate Model
von: Zaval, Mounes, et al.
Veröffentlicht: (2024)