Buchumschlag

Probabilistic ML Verification via Weighted Model Integration

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Morettin, Paolo, Passerini, Andrea, Sebastiani, Roberto
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing SMT-based Weighted Model Integration by Structure Awareness
von: Spallitta, Giuseppe, et al.
Veröffentlicht: (2023)

A Probabilistic Neuro-symbolic Layer for Algebraic Constraint Satisfaction
von: Kurscheidt, Leander, et al.
Veröffentlicht: (2025)

Shortcuts and Identifiability in Concept-based Models from a Neuro-Symbolic Lens
von: Bortolotti, Samuele, et al.
Veröffentlicht: (2025)

A Neuro-Symbolic Benchmark Suite for Concept Quality and Reasoning Shortcuts
von: Bortolotti, Samuele, et al.
Veröffentlicht: (2024)

Symbol Grounding in Neuro-Symbolic AI: A Gentle Introduction to Reasoning Shortcuts
von: Marconato, Emanuele, et al.
Veröffentlicht: (2025)

Actionable Real-Time Modeling of Surgical Team Dynamics via Time-Expanded Interaction Graphs
von: De Luca, Vincenzo Marco, et al.
Veröffentlicht: (2026)

Personalized Algorithmic Recourse with Preference Elicitation
von: De Toni, Giovanni, et al.
Veröffentlicht: (2022)

Simple Path Structural Encoding for Graph Transformers
von: Airale, Louis, et al.
Veröffentlicht: (2025)

Divide et Calibra: Multiclass Local Calibration via Vector Quantization
von: Barbera, Cesare, et al.
Veröffentlicht: (2026)

Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models
von: Bortolotti, Samuele, et al.
Veröffentlicht: (2026)

Rethinking and Recomputing the Value of Machine Learning Models
von: Sayin, Burcu, et al.
Veröffentlicht: (2022)

Reconsidering Faithfulness in Regular, Self-Explainable and Domain Invariant GNNs
von: Azzolin, Steve, et al.
Veröffentlicht: (2024)

ML-Master: Towards AI-for-AI via Integration of Exploration and Reasoning
von: Liu, Zexi, et al.
Veröffentlicht: (2025)

Multiclass Local Calibration with the Jensen-Shannon Distance
von: Barbera, Cesare, et al.
Veröffentlicht: (2025)

BEARS Make Neuro-Symbolic Models Aware of their Reasoning Shortcuts
von: Marconato, Emanuele, et al.
Veröffentlicht: (2024)

Solving Probabilistic Verification Problems of Neural Networks using Branch and Bound
von: Boetius, David, et al.
Veröffentlicht: (2024)

SAVER: A Toolbox for Sampling-Based, Probabilistic Verification of Neural Networks
von: Sivaramakrishnan, Vignesh, et al.
Veröffentlicht: (2024)

Hyperdimensional Probe: Decoding LLM Representations via Vector Symbolic Architectures
von: Bronzini, Marco, et al.
Veröffentlicht: (2025)

xAI-Drop: Don't Use What You Cannot Explain
von: De Luca, Vincenzo Marco, et al.
Veröffentlicht: (2024)

GNN Explanations that do not Explain and How to find Them
von: Azzolin, Steve, et al.
Veröffentlicht: (2026)

Probabilistic Runtime Verification, Evaluation and Risk Assessment of Visual Deep Learning Systems
von: Torpmann-Hagen, Birk, et al.
Veröffentlicht: (2025)

Probabilistically Tightened Linear Relaxation-based Perturbation Analysis for Neural Network Verification
von: Marzari, Luca, et al.
Veröffentlicht: (2025)

Boosting Relational Deep Learning with Pretrained Tabular Models
von: Lachi, Veronica, et al.
Veröffentlicht: (2025)

Integrating Hyperparameter Search into Model-Free AutoML with Context-Free Grammars
von: Vázquez, Hernán Ceferino, et al.
Veröffentlicht: (2024)

BaB-prob: Branch and Bound with Preactivation Splitting for Probabilistic Verification of Neural Networks
von: Wang, Fangji, et al.
Veröffentlicht: (2025)

Bridging Theory and Practice in Link Representation with Graph Neural Networks
von: Lachi, Veronica, et al.
Veröffentlicht: (2025)

Efficient Preimage Approximation for Neural Network Certification
von: Björklund, Anton, et al.
Veröffentlicht: (2025)

Rational Tuning of LLM Cascades via Probabilistic Modeling
von: Zellinger, Michael J., et al.
Veröffentlicht: (2025)

Data Pipeline Training: Integrating AutoML to Optimize the Data Flow of Machine Learning Models
von: Wu, Jiang, et al.
Veröffentlicht: (2024)

Entailment vs. Verification for Partial-assignment Satisfiability and Enumeration
von: Sebastiani, Roberto
Veröffentlicht: (2025)

Graffe: Graph Representation Learning via Diffusion Probabilistic Models
von: Chen, Dingshuo, et al.
Veröffentlicht: (2025)

Verification of the Implicit World Model in a Generative Model via Adversarial Sequences
von: Balogh, András, et al.
Veröffentlicht: (2026)

DeepDFA: Automata Learning through Neural Probabilistic Relaxations
von: Umili, Elena, et al.
Veröffentlicht: (2024)

AMQ: Enabling AutoML for Mixed-precision Weight-Only Quantization of Large Language Models
von: Lee, Sangjun, et al.
Veröffentlicht: (2025)

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

Probabilistic Dreaming for World Models
von: Wong, Gavin
Veröffentlicht: (2026)

World Modeling with Probabilistic Structure Integration
von: Kotar, Klemen, et al.
Veröffentlicht: (2025)

Improving Semi-Supervised Contrastive Learning via Entropy-Weighted Confidence Integration of Anchor-Positive Pairs
von: Nakayama, Shogo, et al.
Veröffentlicht: (2026)

A Large-Scale Study of Model Integration in ML-Enabled Software Systems
von: Sens, Yorick, et al.
Veröffentlicht: (2024)

A Configurable Pythonic Data Center Model for Sustainable Cooling and ML Integration
von: Naug, Avisek, et al.
Veröffentlicht: (2024)