Copertina

MCCE: Monte Carlo sampling of realistic counterfactual explanations

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Redelmeier, Annabelle, Jullum, Martin, Aas, Kjersti, Løland, Anders
Natura:	Preprint
Pubblicazione:	2021
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

shapr: Explaining Machine Learning Models with Conditional Shapley Values in R and Python
di: Jullum, Martin, et al.
Pubblicazione: (2025)

How important are the genes to explain the outcome - the asymmetric Shapley value as an honest importance metric for high-dimensional features
di: van de Wiel, Mark A., et al.
Pubblicazione: (2026)

A Comparative Study of Methods for Estimating Conditional Shapley Values and When to Use Them
di: Olsen, Lars Henry Berge, et al.
Pubblicazione: (2023)

Multimodal Generative Models for Bankruptcy Prediction Using Textual Data
di: Mancisidor, Rogelio A., et al.
Pubblicazione: (2022)

Towards plausibility in time series counterfactual explanations
di: Kostrzewa, Marcin, et al.
Pubblicazione: (2026)

MCCE: Missingness-aware Causal Concept Explainer
di: Gao, Jifan, et al.
Pubblicazione: (2024)

An effect analysis of the balancing techniques on the counterfactual explanations of student success prediction models
di: Cavus, Mustafa, et al.
Pubblicazione: (2024)

Actionable and diverse counterfactual explanations incorporating domain knowledge and plausibility constraints
di: Bobek, Szymon, et al.
Pubblicazione: (2025)

HyConEx: Hypernetwork classifier with counterfactual explanations for tabular data
di: Marszałek, Patryk, et al.
Pubblicazione: (2025)

xai-cola: A Python library for sparsifying counterfactual explanations
di: Zhu, Lin, et al.
Pubblicazione: (2026)

CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests
di: Dandl, Susanne, et al.
Pubblicazione: (2024)

What's Wrong with Your Synthetic Tabular Data? Using Explainable AI to Evaluate Generative Models
di: Kapar, Jan, et al.
Pubblicazione: (2025)

Improving the Weighting Strategy in KernelSHAP
di: Olsen, Lars Henry Berge, et al.
Pubblicazione: (2024)

MCCE: A Framework for Multi-LLM Collaborative Co-Evolution
di: Ran, Nian, et al.
Pubblicazione: (2025)

Guiding the generation of counterfactual explanations through temporal background knowledge for Predictive Process Monitoring
di: Buliga, Andrei, et al.
Pubblicazione: (2024)

SCE-LITE-HQ: Smooth visual counterfactual explanations with generative foundation models
di: Zeid, Ahmed, et al.
Pubblicazione: (2026)

A multi-criteria approach for selecting an explanation from the set of counterfactuals produced by an ensemble of explainers
di: Stępka, Ignacy, et al.
Pubblicazione: (2024)

Local Universal Explainer (LUX) -- a rule-based explainer with factual, counterfactual and visual explanations
di: Bobek, Szymon, et al.
Pubblicazione: (2023)

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

AI/ML for 5G and Beyond Cybersecurity
di: Pirbhulal, Sandeep, et al.
Pubblicazione: (2025)

Simulating counterfactuals
di: Karvanen, Juha, et al.
Pubblicazione: (2023)

Last Layer Hamiltonian Monte Carlo
di: Vellenga, Koen, et al.
Pubblicazione: (2025)

Reinforced sequential Monte Carlo for amortised sampling
di: Choi, Sanghyeok, et al.
Pubblicazione: (2025)

DiCoFlex: Model-agnostic diverse counterfactuals with flexible control
di: Furman, Oleksii, et al.
Pubblicazione: (2025)

Towards counterfactual fairness through auxiliary variables
di: Tian, Bowei, et al.
Pubblicazione: (2024)

On Predictive planning and counterfactual learning in active inference
di: Paul, Aswin, et al.
Pubblicazione: (2024)

Quantum oracles give an advantage for identifying classical counterfactuals
di: Gilligan-Lee, Ciarán M., et al.
Pubblicazione: (2025)

Subspace Langevin Monte Carlo
di: Maunu, Tyler, et al.
Pubblicazione: (2024)

On GNN explanability with activation rules
di: Veyrin-Forrer, Luca, et al.
Pubblicazione: (2024)

The effect of whitening on explanation performance
di: Clark, Benedict, et al.
Pubblicazione: (2026)

Partial counterfactual identification and uplift modeling: theoretical results and real-world assessment
di: Verhelst, Théo, et al.
Pubblicazione: (2022)

Monte Carlo and quasi-Monte Carlo integration for likelihood functions
di: Tang, Yanbo
Pubblicazione: (2025)

What makes an image realistic?
di: Theis, Lucas
Pubblicazione: (2024)

Deep Learning Framework for RNA Inverse Folding with Geometric Structure Potentials
di: Yao, Annabelle
Pubblicazione: (2025)

Online Variational Sequential Monte Carlo
di: Mastrototaro, Alessandro, et al.
Pubblicazione: (2023)

Stacking Variational Bayesian Monte Carlo
di: Silvestrin, Francesco, et al.
Pubblicazione: (2025)

Counterdiabatic Hamiltonian Monte Carlo
di: Cohn-Gordon, Reuben, et al.
Pubblicazione: (2026)

Entropic Mirror Monte Carlo
di: Cherradi, Anas, et al.
Pubblicazione: (2026)

Reverse-BSDE Monte Carlo
di: Batista, Jairon H. N., et al.
Pubblicazione: (2025)

Elements of Sequential Monte Carlo
di: Naesseth, Christian A., et al.
Pubblicazione: (2019)