Buchumschlag

Knowledge Distillation Decision Tree for Unravelling Black-box Machine Learning Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Xuetao, Lee, J. Jack
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Knowledge Distillation of Uncertainty using Deep Latent Factor Model
von: Park, Sehyun, et al.
Veröffentlicht: (2025)

A Framework for Improving the Reliability of Black-box Variational Inference
von: Welandawe, Manushi, et al.
Veröffentlicht: (2022)

Leveraging Black-box Models to Assess Feature Importance in Unconditional Distribution
von: Zhou, Jing, et al.
Veröffentlicht: (2024)

Overlapping Indices for Dynamic Information Borrowing in Bayesian Hierarchical Modeling
von: Lu, Xuetao, et al.
Veröffentlicht: (2023)

Bayesian Clustering Prior with Overlapping Indices for Effective Use of Multisource External Data
von: Lu, Xuetao, et al.
Veröffentlicht: (2024)

Task-Agnostic Machine-Learning-Assisted Inference
von: Miao, Jiacheng, et al.
Veröffentlicht: (2024)

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

A Systematic Bias of Machine Learning Regression Models and Its Correction: an Application to Imaging-based Brain Age Prediction
von: Lee, Hwiyoung, et al.
Veröffentlicht: (2024)

Locally Interpretable Individualized Treatment Rules for Black-Box Decision Models
von: Charvadeh, Yasin Khadem, et al.
Veröffentlicht: (2026)

Stabilizing black-box model selection with the inflated argmax
von: Adrian, Melissa, et al.
Veröffentlicht: (2024)

midr: Learning from Black-Box Models by Maximum Interpretation Decomposition
von: Asashiba, Ryoichi, et al.
Veröffentlicht: (2025)

Personalizing black-box models for nonparametric regression with minimax optimality
von: Li, Sai, et al.
Veröffentlicht: (2026)

Contextual Online Uncertainty-Aware Preference Learning for Human Feedback
von: Lu, Nan, et al.
Veröffentlicht: (2025)

Causal Machine Learning: A Survey and Open Problems
von: Kaddour, Jean, et al.
Veröffentlicht: (2022)

Multi-Teacher Knowledge Distillation via Teacher-Informed Mixture Priors
von: Fang, Luyang, et al.
Veröffentlicht: (2026)

Interpretable Machine Learning for Survival Analysis
von: Langbein, Sophie Hanna, et al.
Veröffentlicht: (2024)

Causal Decomposition Analysis with Synergistic Interventions: A Triply-Robust Machine Learning Approach to Addressing Multiple Dimensions of Social Disparities
von: Park, Soojin, et al.
Veröffentlicht: (2025)

Imputation Uncertainty in Interpretable Machine Learning Methods
von: Golchian, Pegah, et al.
Veröffentlicht: (2025)

A Primer on the Signature Method in Machine Learning
von: Chevyrev, Ilya, et al.
Veröffentlicht: (2016)

Data-Driven Knowledge Transfer in Batch $Q^*$ Learning
von: Chen, Elynn, et al.
Veröffentlicht: (2024)

SBAMDT: Bayesian Additive Decision Trees with Adaptive Soft Semi-multivariate Split Rules
von: Lamprinakou, Stamatina, et al.
Veröffentlicht: (2025)

Inference of Dependency Knowledge Graph for Electronic Health Records
von: Xu, Zhiwei, et al.
Veröffentlicht: (2023)

FoLDTree: A ULDA-Based Decision Tree Framework for Efficient Oblique Splits and Feature Selection
von: Wang, Siyu, et al.
Veröffentlicht: (2024)

Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
von: Ham, Dae Woong, et al.
Veröffentlicht: (2022)

Medical Knowledge Integration into Reinforcement Learning Algorithms for Dynamic Treatment Regimes
von: Yazzourh, Sophia, et al.
Veröffentlicht: (2024)

On the Need to Align Intent and Implementation in Uncertainty Quantification for Machine Learning
von: Trivedi, Shubhendu, et al.
Veröffentlicht: (2025)

What if? Causal Machine Learning in Supply Chain Risk Management
von: Wyrembek, Mateusz, et al.
Veröffentlicht: (2024)

Simulation-Based Prior Knowledge Elicitation for Parametric Bayesian Models
von: Bockting, Florence, et al.
Veröffentlicht: (2023)

SADA: Safe and Adaptive Aggregation of Multiple Black-Box Predictions in Semi-Supervised Learning
von: Shan, Jiawei, et al.
Veröffentlicht: (2025)

Double Machine Learning for Conditional Moment Restrictions: IV Regression, Proximal Causal Learning and Beyond
von: Shao, Daqian, et al.
Veröffentlicht: (2025)

Sparse Learning and Class Probability Estimation with Weighted Support Vector Machines
von: Zeng, Liyun, et al.
Veröffentlicht: (2023)

Chiseling: Powerful and Valid Subgroup Selection via Interactive Machine Learning
von: Cheng, Nathan, et al.
Veröffentlicht: (2025)

When the whole is greater than the sum of its parts: Scaling black-box inference to large data settings through divide-and-conquer
von: Hector, Emily C., et al.
Veröffentlicht: (2024)

HMM for Discovering Decision-Making Dynamics Using Reinforcement Learning Experiments
von: Guo, Xingche, et al.
Veröffentlicht: (2024)

Fast Linear Model Trees by PILOT
von: Raymaekers, Jakob, et al.
Veröffentlicht: (2023)

An Introduction to Double/Debiased Machine Learning
von: Ahrens, Achim, et al.
Veröffentlicht: (2025)

Enhancing Airline Customer Satisfaction: A Machine Learning and Causal Analysis Approach
von: Mirthipati, Tejas
Veröffentlicht: (2024)

Depth Functions for Partial Orders with a Descriptive Analysis of Machine Learning Algorithms
von: Blocher, Hannah, et al.
Veröffentlicht: (2023)

A Unified Framework for Inference with General Missingness Patterns and Machine Learning Imputation
von: Chen, Xingran, et al.
Veröffentlicht: (2025)

Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules
von: Li, Michael Lingzhi, et al.
Veröffentlicht: (2024)