Buchumschlag

Evaluating Explainability in Machine Learning Predictions through Explainer-Agnostic Metrics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Munoz, Cristian, da Costa, Kleyton, Modenesi, Bernardo, Koshiyama, Adriano
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Confidence Manifold: Geometric Structure of Correctness Representations in Language Models
von: Cho, Seonglae, et al.
Veröffentlicht: (2026)

Explainable Machine Learning for ICU Readmission Prediction
von: de Sá, Alex G. C., et al.
Veröffentlicht: (2023)

QuXAI: Explainers for Hybrid Quantum Machine Learning Models
von: Barua, Saikat, et al.
Veröffentlicht: (2025)

Exploring Machine Learning, Deep Learning, and Explainable AI Methods for Seasonal Precipitation Prediction in South America
von: Domingos, Matheus Corrêa, et al.
Veröffentlicht: (2025)

Control Reinforcement Learning: Interpretable Token-Level Steering of LLMs via Sparse Autoencoder Features
von: Cho, Seonglae, et al.
Veröffentlicht: (2026)

A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance
von: Gama, João, et al.
Veröffentlicht: (2024)

UNR-Explainer: Counterfactual Explanations for Unsupervised Node Representation Learning Models
von: Kang, Hyunju, et al.
Veröffentlicht: (2026)

Evaluating Supervised Machine Learning Models: Principles, Pitfalls, and Metric Selection
von: Liu, Xuanyan, et al.
Veröffentlicht: (2026)

GraphNetz: Statistical Benchmarking of Graph Neural Networks with Paired Tests and Rank Aggregation
von: da Costa, Kleyton, et al.
Veröffentlicht: (2026)

CoDy: Counterfactual Explainers for Dynamic Graphs
von: Qu, Zhan, et al.
Veröffentlicht: (2024)

Explainable embeddings with Distance Explainer
von: Meijer, Christiaan, et al.
Veröffentlicht: (2025)

SAFE-RL: Saliency-Aware Counterfactual Explainer for Deep Reinforcement Learning Policies
von: Samadi, Amir, et al.
Veröffentlicht: (2024)

Unifying VXAI: A Systematic Review and Framework for the Evaluation of Explainable AI
von: Dembinsky, David, et al.
Veröffentlicht: (2025)

Fast Explanations via Policy Gradient-Optimized Explainer
von: Pan, Deng, et al.
Veröffentlicht: (2024)

PAGE: Parametric Generative Explainer for Graph Neural Network
von: Qiu, Yang, et al.
Veröffentlicht: (2024)

Explainable Diagnosis Prediction through Neuro-Symbolic Integration
von: Lu, Qiuhao, et al.
Veröffentlicht: (2024)

DLBacktrace: A Model Agnostic Explainability for any Deep Learning Models
von: Sankarapu, Vinay Kumar, et al.
Veröffentlicht: (2024)

CorrSteer: Generation-Time LLM Steering via Correlated Sparse Autoencoder Features
von: Cho, Seonglae, et al.
Veröffentlicht: (2025)

Interpretable and Explainable Machine Learning Methods for Predictive Process Monitoring: A Systematic Literature Review
von: Mehdiyev, Nijat, et al.
Veröffentlicht: (2023)

On the Relationship Between Interpretability and Explainability in Machine Learning
von: Leblanc, Benjamin, et al.
Veröffentlicht: (2023)

Activation Oracles: Training and Evaluating LLMs as General-Purpose Activation Explainers
von: Karvonen, Adam, et al.
Veröffentlicht: (2025)

Investigating the Duality of Interpretability and Explainability in Machine Learning
von: Garouani, Moncef, et al.
Veröffentlicht: (2025)

Towards Comprehensive and Prerequisite-Free Explainer for Graph Neural Networks
von: Zhang, Han, et al.
Veröffentlicht: (2025)

Explaining the Explainers in Graph Neural Networks: a Comparative Study
von: Longa, Antonio, et al.
Veröffentlicht: (2022)

Efficient and Interpretable Traffic Destination Prediction using Explainable Boosting Machines
von: Yousif, Yasin, et al.
Veröffentlicht: (2024)

Location Agnostic Adaptive Rain Precipitation Prediction using Deep Learning
von: Islam, Md Shazid, et al.
Veröffentlicht: (2024)

Analyzing the Impact of Adversarial Examples on Explainable Machine Learning
von: Devabhakthini, Prathyusha, et al.
Veröffentlicht: (2023)

Explainability of Machine Learning Models under Missing Data
von: Vo, Tuan L., et al.
Veröffentlicht: (2024)

Concept-Based Explainable Artificial Intelligence: Metrics and Benchmarks
von: Aysel, Halil Ibrahim, et al.
Veröffentlicht: (2025)

ScoresActivation: A New Activation Function for Model Agnostic Global Explainability by Design
von: Covaci, Emanuel, et al.
Veröffentlicht: (2025)

Explaining Machine Learning Predictive Models through Conditional Expectation Methods
von: Ruiz-España, Silvia, et al.
Veröffentlicht: (2026)

An Explainable Machine Learning Framework for the Accurate Diagnosis of Ovarian Cancer
von: Newaz, Asif, et al.
Veröffentlicht: (2023)

The Disagreement Problem in Explainable Machine Learning: A Practitioner's Perspective
von: Krishna, Satyapriya, et al.
Veröffentlicht: (2022)

Explainable Machine Learning Framework for Cardiovascular Disease Diagnosis and Prognosis
von: Sourov, Md. Emon Akter, et al.
Veröffentlicht: (2025)

Intrinsic Explainability of Multimodal Learning for Crop Yield Prediction
von: Najjar, Hiba, et al.
Veröffentlicht: (2025)

Beyond Models! Explainable Data Valuation and Metric Adaption for Recommendation
von: Jia, Renqi, et al.
Veröffentlicht: (2025)

Understanding Post-hoc Explainers: The Case of Anchors
von: Lopardo, Gianluigi, et al.
Veröffentlicht: (2023)

VAE Explainer: Supplement Learning Variational Autoencoders with Interactive Visualization
von: Bertucci, Donald, et al.
Veröffentlicht: (2024)

T-Explainer: A Model-Agnostic Explainability Framework Based on Gradients
von: Ortigossa, Evandro S., et al.
Veröffentlicht: (2024)

FSX: Message Flow Sensitivity Enhanced Structural Explainer for Graph Neural Networks
von: Feng, Bizu, et al.
Veröffentlicht: (2026)