Buchumschlag

On the Relationship Between Interpretability and Explainability in Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Leblanc, Benjamin, Germain, Pascal
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

Seeking Interpretability and Explainability in Binary Activated Neural Networks
von: Leblanc, Benjamin, et al.
Veröffentlicht: (2022)

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

A Framework for Bounding Deterministic Risk with PAC-Bayes: Applications to Majority Votes
von: Leblanc, Benjamin, 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)

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

Knowledge-Augmented Explainable and Interpretable Learning for Anomaly Detection and Diagnosis
von: Atzmueller, Martin, et al.
Veröffentlicht: (2024)

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

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)

Contextualized Policy Recovery: Modeling and Interpreting Medical Decisions with Adaptive Imitation Learning
von: Deuschel, Jannik, et al.
Veröffentlicht: (2023)

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)

Physics-Inspired Interpretability Of Machine Learning Models
von: Niroomand, Maximilian P, et al.
Veröffentlicht: (2023)

From Explainability to Interpretability: Interpretable Policies in Reinforcement Learning Via Model Explanation
von: Li, Peilang, et al.
Veröffentlicht: (2025)

Clarifying Model Transparency: Interpretability versus Explainability in Deep Learning with MNIST and IMDB Examples
von: Raj, Mitali
Veröffentlicht: (2025)

Interpretable Representations in Explainable AI: From Theory to Practice
von: Sokol, Kacper, et al.
Veröffentlicht: (2020)

Evaluating Explainability in Machine Learning Predictions through Explainer-Agnostic Metrics
von: Munoz, Cristian, et al.
Veröffentlicht: (2023)

Matching Problems to Solutions: An Explainable Way of Solving Machine Learning Problems
von: Saleh, Lokman, et al.
Veröffentlicht: (2024)

A Comprehensive Perspective on Explainable AI across the Machine Learning Workflow
von: Paterakis, George, et al.
Veröffentlicht: (2025)

Interpretable Machine Learning for TabPFN
von: Rundel, David, et al.
Veröffentlicht: (2024)

Verifying Machine Unlearning with Explainable AI
von: Vidal, Àlex Pujol, et al.
Veröffentlicht: (2024)

Tensor Networks for Explainable Machine Learning in Cybersecurity
von: Aizpurua, Borja, et al.
Veröffentlicht: (2023)

Interpretable and Explainable Surrogate Modeling for Simulations: A State-of-the-Art Survey and Perspectives on Explainable AI for Decision-Making
von: Palar, Pramudita Satria, et al.
Veröffentlicht: (2026)

Interpretable Perturbation Modeling Through Biomedical Knowledge Graphs
von: Passigan, Pascal, et al.
Veröffentlicht: (2025)

Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants
von: Kanade, Manasi, et al.
Veröffentlicht: (2026)

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

Towards Explainable Indoor Localization: Interpreting Neural Network Learning on Wi-Fi Fingerprints Using Logic Gates
von: Gufran, Danish, et al.
Veröffentlicht: (2025)

Transparent AI: The Case for Interpretability and Explainability
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

On the Relationship Between Monotone and Squared Probabilistic Circuits
von: Wang, Benjie, et al.
Veröffentlicht: (2024)

Beyond Shapley Values: Cooperative Games for the Interpretation of Machine Learning Models
von: Idrissi, Marouane Il, et al.
Veröffentlicht: (2025)

Predicting Treatment Response in Body Dysmorphic Disorder with Interpretable Machine Learning
von: Costilla-Reyes, Omar, et al.
Veröffentlicht: (2025)

On Stronger Computational Separations Between Multimodal and Unimodal Machine Learning
von: Karchmer, Ari
Veröffentlicht: (2024)

Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education
von: Parsaeifard, Behnam, et al.
Veröffentlicht: (2025)

Towards Unified Attribution in Explainable AI, Data-Centric AI, and Mechanistic Interpretability
von: Zhang, Shichang, et al.
Veröffentlicht: (2025)

Explainable and Interpretable Forecasts on Non-Smooth Multivariate Time Series for Responsible Gameplay
von: Jagirdar, Hussain, et al.
Veröffentlicht: (2025)

Information-Theoretic Foundations for Machine Learning
von: Jeon, Hong Jun, et al.
Veröffentlicht: (2024)

SES: Bridging the Gap Between Explainability and Prediction of Graph Neural Networks
von: Huang, Zhenhua, et al.
Veröffentlicht: (2024)

The Pragmatic Frames of Spurious Correlations in Machine Learning: Interpreting How and Why They Matter
von: Bell, Samuel J., et al.
Veröffentlicht: (2024)

CON-FOLD -- Explainable Machine Learning with Confidence
von: McGinness, Lachlan, et al.
Veröffentlicht: (2024)