Buchumschlag

Exploration of the Rashomon Set Assists Trustworthy Explanations for Medical Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kobylińska, Katarzyna, Krzyziński, Mateusz, Machowicz, Rafał, Adamek, Mariusz, Biecek, Przemysław
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

Performance is not enough: the story told by a Rashomon quartet
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2023)

survex: an R package for explaining machine learning survival models
von: Spytek, Mikołaj, et al.
Veröffentlicht: (2023)

Beyond the Single-Best Model: Rashomon Partial Dependence Profile for Trustworthy Explanations in AutoML
von: Cavus, Mustafa, et al.
Veröffentlicht: (2025)

Exploring Local Explanations of Nonlinear Models Using Animated Linear Projections
von: Spyrison, Nicholas, et al.
Veröffentlicht: (2022)

Evaluating the Ability of Explanations to Disambiguate Models in a Rashomon Set
von: Rawal, Kaivalya, et al.
Veröffentlicht: (2026)

Model Science: getting serious about verification, explanation and control of AI systems
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2025)

An Experimental Study on the Rashomon Effect of Balancing Methods in Imbalanced Classification
von: Cavus, Mustafa, et al.
Veröffentlicht: (2024)

From Rashomon Theory to PRAXIS: Efficient Decision Tree Rashomon Sets
von: Heile, Zakk, et al.
Veröffentlicht: (2026)

Position: Explain to Question not to Justify
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2024)

Rashomon in the Streets: Explanation Ambiguity in Scene Understanding
von: Spieker, Helge, et al.
Veröffentlicht: (2025)

Attributions All the Way Down? The Metagame of Interpretability
von: Baniecki, Hubert, et al.
Veröffentlicht: (2026)

Position: Do Not Explain Vision Models Without Context
von: Tomaszewska, Paulina, et al.
Veröffentlicht: (2024)

Global Counterfactual Directions
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2024)

LINE: LLM-based Iterative Neuron Explanations for Vision Models
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2026)

Adversarial attacks and defenses in explainable artificial intelligence: A survey
von: Baniecki, Hubert, et al.
Veröffentlicht: (2023)

Many Ways to be Right: Rashomon Sets for Concept-Based Neural Networks
von: Feng, Shihan, et al.
Veröffentlicht: (2025)

Your CLIP has 164 dimensions of noise: Exploring the embeddings covariance eigenspectrum of contrastively pretrained vision-language transformers
von: Grzywaczewski, Jakub, et al.
Veröffentlicht: (2026)

Interpreting CLIP with Hierarchical Sparse Autoencoders
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2025)

X-ray transferable polyrepresentation learning
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2025)

Horizon-Constrained Rashomon Sets for Chaotic Forecasting
von: Kale, Gauri, et al.
Veröffentlicht: (2026)

NormEnsembleXAI: Unveiling the Strengths and Weaknesses of XAI Ensemble Techniques
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2024)

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

Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2026)

Red-Teaming Segment Anything Model
von: Jankowski, Krzysztof, et al.
Veröffentlicht: (2024)

Faithful and Stable Neuron Explanations for Trustworthy Mechanistic Interpretability
von: Yan, Ge, et al.
Veröffentlicht: (2025)

SwordBench: Evaluating Orthogonality of Steering Image Representations
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2026)

Analyzing the Temporal Factors for Anxiety and Depression Symptoms with the Rashomon Perspective
von: Cavus, Mustafa, et al.
Veröffentlicht: (2026)

Counterfactual Explanations with Probabilistic Guarantees on their Robustness to Model Change
von: Stępka, Ignacy, et al.
Veröffentlicht: (2024)

Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization
von: Hinterleitner, Alexander, et al.
Veröffentlicht: (2025)

Translating the Rashomon Effect to Sequential Decision-Making Tasks
von: Gross, Dennis, et al.
Veröffentlicht: (2025)

The Role of Hyperparameters in Predictive Multiplicity
von: Cavus, Mustafa, et al.
Veröffentlicht: (2025)

On Trustworthy Rule-Based Models and Explanations
von: Siala, Mohamed, et al.
Veröffentlicht: (2025)

System-Embedded Diffusion Bridge Models
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2025)

Transductive Confidence Machine and its application to Medical Data Sets
von: Lindsay, David
Veröffentlicht: (2024)

Bayesian Modelling in Practice: Using Uncertainty to Improve Trustworthiness in Medical Applications
von: Ruhe, David, et al.
Veröffentlicht: (2019)

Efficient Exploration of the Rashomon Set of Rule Set Models
von: Ciaperoni, Martino, et al.
Veröffentlicht: (2024)

Investigating the Impact of Balancing, Filtering, and Complexity on Predictive Multiplicity: A Data-Centric Perspective
von: Cavus, Mustafa, et al.
Veröffentlicht: (2024)

The Double-Edged Nature of the Rashomon Set for Trustworthy Machine Learning
von: Hsu, Ethan, et al.
Veröffentlicht: (2025)

On the Robustness of Global Feature Effect Explanations
von: Baniecki, Hubert, et al.
Veröffentlicht: (2024)

Data Heterogeneity Modeling for Trustworthy Machine Learning
von: Liu, Jiashuo, et al.
Veröffentlicht: (2025)