Buchumschlag

Discovering interpretable models of scientific image data with deep learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Soelistyo, Christopher J., Lowe, Alan R.
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

Concept frustration: Aligning human concepts and machine representations
von: Parisini, Enrico, et al.
Veröffentlicht: (2026)

Affinity-VAE: incorporating prior knowledge in representation learning from scientific images
von: Famili, Marjan, et al.
Veröffentlicht: (2022)

AudioProtoPNet: An interpretable deep learning model for bird sound classification
von: Heinrich, René, et al.
Veröffentlicht: (2024)

On the definition and importance of interpretability in scientific machine learning
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

Discovering autonomous quantum error correction via deep reinforcement learning
von: Yin, Yue, et al.
Veröffentlicht: (2025)

xRFM: Accurate, scalable, and interpretable feature learning models for tabular data
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2025)

A deep causal inference model for fully-interpretable travel behaviour analysis
von: Kamal, Kimia, et al.
Veröffentlicht: (2024)

Primer C-VAE: An interpretable deep learning primer design method to detect emerging virus variants
von: Wang, Hanyu, et al.
Veröffentlicht: (2025)

Attribution assignment for deep-generative sequence models enables interpretability analysis using positive-only data
von: Frank, Robert, et al.
Veröffentlicht: (2025)

Discovering interpretable elastoplasticity models via the neural polynomial method enabled symbolic regressions
von: Bahmani, Bahador, et al.
Veröffentlicht: (2023)

AutoScore-Imbalance: An interpretable machine learning tool for development of clinical scores with rare events data
von: Yuan, Han, et al.
Veröffentlicht: (2021)

AutoScore-Survival: Developing interpretable machine learning-based time-to-event scores with right-censored survival data
von: Xie, Feng, et al.
Veröffentlicht: (2021)

pUniFind: a unified large pre-trained deep learning model pushing the limit of mass spectra interpretation
von: Zhao, Jiale, et al.
Veröffentlicht: (2025)

mlr3summary: Concise and interpretable summaries for machine learning models
von: Dandl, Susanne, et al.
Veröffentlicht: (2024)

Birds look like cars: Adversarial analysis of intrinsically interpretable deep learning
von: Baniecki, Hubert, et al.
Veröffentlicht: (2025)

BenthicNet: A global compilation of seafloor images for deep learning applications
von: Lowe, Scott C., et al.
Veröffentlicht: (2024)

Textual interpretation of transient image classifications from large language models
von: Stoppa, Fiorenzo, et al.
Veröffentlicht: (2025)

Continuous latent representations for modeling precipitation with deep learning
von: Radhakrishnan, Gokul, et al.
Veröffentlicht: (2024)

Healthcare cost prediction for heterogeneous patient profiles using deep learning models with administrative claims data
von: Morid, Mohammad Amin, et al.
Veröffentlicht: (2025)

Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data
von: Ehrich, Hendrik J., et al.
Veröffentlicht: (2025)

Reliable edge machine learning hardware for scientific applications
von: Baldi, Tommaso, et al.
Veröffentlicht: (2024)

Are machine learning interpretations reliable? A stability study on global interpretations
von: Gan, Luqin, et al.
Veröffentlicht: (2025)

Multimodal and multicontrast image fusion via deep generative models
von: Dimitri, Giovanna Maria, et al.
Veröffentlicht: (2023)

Bridging visual saliency and large language models for explainable deep learning in medical imaging
von: Nguezet, Paul Valery, et al.
Veröffentlicht: (2026)

Evaluating the transferability potential of deep learning models for climate downscaling
von: Prasad, Ayush, et al.
Veröffentlicht: (2024)

FunBO: Discovering Acquisition Functions for Bayesian Optimization with FunSearch
von: Aglietti, Virginia, et al.
Veröffentlicht: (2024)

Extreme value forecasting using relevance-based data augmentation with deep learning models
von: Hua, Junru, et al.
Veröffentlicht: (2025)

Discovering equations from data: symbolic regression in dynamical systems
von: Brum, Beatriz R., et al.
Veröffentlicht: (2025)

Al-Khwarizmi: Discovering Physical Laws with Foundation Models
von: Mower, Christopher E., et al.
Veröffentlicht: (2025)

Federated scientific machine learning for approximating functions and solving differential equations with data heterogeneity
von: Zhang, Handi, et al.
Veröffentlicht: (2024)

Achieving interpretable machine learning by functional decomposition of black-box models into explainable predictor effects
von: Köhler, David, et al.
Veröffentlicht: (2024)

Multifidelity linear regression for scientific machine learning from scarce data
von: Qian, Elizabeth, et al.
Veröffentlicht: (2024)

Challenges in explaining deep learning models for data with biological variation
von: Tětková, Lenka, et al.
Veröffentlicht: (2024)

Towards a theory of learning dynamics in deep state space models
von: Smékal, Jakub, et al.
Veröffentlicht: (2024)

Challenges in interpretability of additive models
von: Zhang, Xinyu, et al.
Veröffentlicht: (2025)

Simultaneous identification of models and parameters of scientific simulators
von: Schröder, Cornelius, et al.
Veröffentlicht: (2023)

Adaptive deep learning for nonlinear time series models
von: Kurisu, Daisuke, et al.
Veröffentlicht: (2022)

Robust deep learning from weakly dependent data
von: Kengne, William, et al.
Veröffentlicht: (2024)

Making deep neural networks right for the right scientific reasons by interacting with their explanations
von: Schramowski, Patrick, et al.
Veröffentlicht: (2020)

Stochastic forest transition model dynamics and parameter estimation via deep learning
von: Kumabe, Satoshi, et al.
Veröffentlicht: (2025)