Buchumschlag

Causal Generative Explainers using Counterfactual Inference: A Case Study on the Morpho-MNIST Dataset

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Taylor-Melanson, Will, Sadeghi, Zahra, Matwin, Stan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Review of Global Sensitivity Analysis Methods and a comparative case study on Digit Classification
von: Sadeghi, Zahra, et al.
Veröffentlicht: (2024)

Beyond Feature Fusion: Contextual Bayesian PEFT for Multimodal Uncertainty Estimation
von: Naderi, Habibeh, et al.
Veröffentlicht: (2026)

Joint-Centric Dual Contrastive Alignment with Structure-Preserving and Information-Balanced Regularization
von: Naderi, Habibeh, et al.
Veröffentlicht: (2026)

Cross-Modal Bayesian Low-Rank Adaptation for Uncertainty-Aware Multimodal Learning
von: Naderi, Habibeh, et al.
Veröffentlicht: (2026)

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

COMRECGC: Global Graph Counterfactual Explainer through Common Recourse
von: Fournier, Gregoire, et al.
Veröffentlicht: (2025)

Unfolding AIS transmission behavior for vessel movement modeling on noisy data leveraging machine learning
von: Spadon, Gabriel, et al.
Veröffentlicht: (2022)

On Linear Separability of the MNIST Handwritten Digits Dataset
von: Hajnal, Ákos
Veröffentlicht: (2026)

Quantum Generative Models for Image Generation: Insights from MNIST and MedMNIST
von: Chen, Chi-Sheng, et al.
Veröffentlicht: (2025)

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

Counterfactual Generative Modeling with Variational Causal Inference
von: Wu, Yulun, et al.
Veröffentlicht: (2024)

Towards Desiderata-Driven Design of Visual Counterfactual Explainers
von: Bender, Sidney, et al.
Veröffentlicht: (2025)

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

Classification of the Fashion-MNIST Dataset on a Quantum Computer
von: Shen, Kevin, et al.
Veröffentlicht: (2024)

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

COMBINEX: A Unified Counterfactual Explainer for Graph Neural Networks via Node Feature and Structural Perturbations
von: Giorgi, Flavio, et al.
Veröffentlicht: (2025)

MNIST-Gen: A Modular MNIST-Style Dataset Generation Using Hierarchical Semantics, Reinforcement Learning, and Category Theory
von: Shaeri, Pouya, et al.
Veröffentlicht: (2025)

Enhancing Global Maritime Traffic Network Forecasting with Gravity-Inspired Deep Learning Models
von: Song, Ruixin, et al.
Veröffentlicht: (2024)

Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games
von: Zare, Nader, et al.
Veröffentlicht: (2024)

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

Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference
von: Khudoyberdiev, Sanjar, et al.
Veröffentlicht: (2026)

A Simple yet Effective DDG Predictor is An Unsupervised Antibody Optimizer and Explainer
von: Wu, Lirong, et al.
Veröffentlicht: (2025)

Exploring the Performance of ML/DL Architectures on the MNIST-1D Dataset
von: Beebe, Michael, et al.
Veröffentlicht: (2026)

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

Improving Dribbling, Passing, and Marking Actions in Soccer Simulation 2D Games Using Machine Learning
von: Zare, Nader, et al.
Veröffentlicht: (2024)

From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling
von: Komanduri, Aneesh, et al.
Veröffentlicht: (2023)

Investigating the Quality of DermaMNIST and Fitzpatrick17k Dermatological Image Datasets
von: Abhishek, Kumar, et al.
Veröffentlicht: (2024)

The Causal Round Trip: Generating Authentic Counterfactuals by Eliminating Information Loss
von: Wu, Rui, et al.
Veröffentlicht: (2025)

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

Generalized Bayes for Causal Inference
von: Javurek, Emil, et al.
Veröffentlicht: (2026)

Factorized Explainer for Graph Neural Networks
von: Huang, Rundong, et al.
Veröffentlicht: (2023)

Counterfactual Forecasting of Human Behavior using Generative AI and Causal Graphs
von: Uddandarao, Dharmateja Priyadarshi, et al.
Veröffentlicht: (2025)

Where and How to Attack? A Causality-Inspired Recipe for Generating Counterfactual Adversarial Examples
von: Cai, Ruichu, et al.
Veröffentlicht: (2023)

DiffusionCounterfactuals: Inferring High-dimensional Counterfactuals with Guidance of Causal Representations
von: Zhu, Jiageng, et al.
Veröffentlicht: (2024)

Unsupervised Deep Clustering of MNIST with Triplet-Enhanced Convolutional Autoencoders
von: Ansari, Md. Faizul Islam
Veröffentlicht: (2025)

Learning Counterfactually Fair Models via Improved Generation with Neural Causal Models
von: Kher, Krishn Vishwas, et al.
Veröffentlicht: (2025)

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

Synthetic Counterfactual Labels for Efficient Conformal Counterfactual Inference
von: Farzaneh, Amirmohammad, et al.
Veröffentlicht: (2025)

From What Ifs to Insights: Counterfactuals in Causal Inference vs. Explainable AI
von: Shmueli, Galit, et al.
Veröffentlicht: (2025)

Analyzing Fairness of Neural Network Prediction via Counterfactual Dataset Generation
von: Kim, Brian Hyeongseok, et al.
Veröffentlicht: (2026)