Buchumschlag

An Ensemble Framework for Explainable Geospatial Machine Learning Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Liu, Lingbo
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Predicting Male Domestic Violence Using Explainable Ensemble Learning and Exploratory Data Analysis
von: Jahin, Md Abrar, et al.
Veröffentlicht: (2024)

General Geospatial Inference with a Population Dynamics Foundation Model
von: Agarwal, Mohit, et al.
Veröffentlicht: (2024)

Common Steps in Machine Learning Might Hinder The Explainability Aims in Medicine
von: Salih, Ahmed M
Veröffentlicht: (2024)

InstaGeo: Compute-Efficient Geospatial Machine Learning from Data to Deployment
von: Yusuf, Ibrahim Salihu, et al.
Veröffentlicht: (2025)

Diversified Ensembling: An Experiment in Crowdsourced Machine Learning
von: Globus-Harris, Ira, et al.
Veröffentlicht: (2024)

Causal Explainability of Machine Learning in Heart Failure Prediction from Electronic Health Records
von: Hou, Yina, et al.
Veröffentlicht: (2025)

Geospatial Road Cycling Race Results Data Set
von: Janssens, Bram, et al.
Veröffentlicht: (2024)

Towards Explainable Evaluation Metrics for Machine Translation
von: Leiter, Christoph, et al.
Veröffentlicht: (2023)

Beyond AlphaEarth: Toward Human-Centered Geospatial Foundation Models via POI-Guided Contrastive Learning
von: Liu, Junyuan, et al.
Veröffentlicht: (2025)

Geospatial Disparities: A Case Study on Real Estate Prices in Paris
von: Machado, Agathe Fernandes, et al.
Veröffentlicht: (2024)

SX-GeoTree: Self-eXplaining Geospatial Regression Tree Incorporating the Spatial Similarity of Feature Attributions
von: Kang, Chaogui, et al.
Veröffentlicht: (2025)

An ExplainableFair Framework for Prediction of Substance Use Disorder Treatment Completion
von: Lucas, Mary M., et al.
Veröffentlicht: (2024)

A Fast and Minimal System to Identify Depression Using Smartphones: Explainable Machine Learning-Based Approach
von: Ahmed, Md Sabbir, et al.
Veröffentlicht: (2025)

Active Geospatial Search for Efficient Tenant Eviction Outreach
von: Sarkar, Anindya, et al.
Veröffentlicht: (2024)

Towards Public Administration Research Based on Interpretable Machine Learning
von: Liu, Zhanyu, et al.
Veröffentlicht: (2026)

Counterfactual Fairness Evaluation of Machine Learning Models on Educational Datasets
von: Kim, Woojin, et al.
Veröffentlicht: (2025)

The Effect of Enforcing Fairness on Reshaping Explanations in Machine Learning Models
von: Anderson, Joshua Wolff, et al.
Veröffentlicht: (2025)

Maturity Framework for Enhancing Machine Learning Quality
von: Castelli, Angelantonio, et al.
Veröffentlicht: (2025)

MachineLearnAthon: An Action-Oriented Machine Learning Didactic Concept
von: Tkáč, Michal, et al.
Veröffentlicht: (2024)

Machine Learning in Epidemiology
von: Wright, Marvin N., et al.
Veröffentlicht: (2026)

Generative Example-Based Explanations: Bridging the Gap between Generative Modeling and Explainability
von: Vaeth, Philipp, et al.
Veröffentlicht: (2024)

OGD4All: A Framework for Accessible Interaction with Geospatial Open Government Data Based on Large Language Models
von: Siebenmann, Michael, et al.
Veröffentlicht: (2025)

Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction
von: Fasanmade, Adebamigbe, et al.
Veröffentlicht: (2024)

Novel Topological Machine Learning Methodology for Stream-of-Quality Modeling in Smart Manufacturing
von: Lee, Jay, et al.
Veröffentlicht: (2024)

Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer
von: Pilgram, Lisa, et al.
Veröffentlicht: (2025)

Stronger Baseline Models -- A Key Requirement for Aligning Machine Learning Research with Clinical Utility
von: Wolfrath, Nathan, et al.
Veröffentlicht: (2024)

Fairness-Aware Interpretable Modeling (FAIM) for Trustworthy Machine Learning in Healthcare
von: Liu, Mingxuan, et al.
Veröffentlicht: (2024)

Enhancing Fairness and Performance in Machine Learning Models: A Multi-Task Learning Approach with Monte-Carlo Dropout and Pareto Optimality
von: Zanna, Khadija, et al.
Veröffentlicht: (2024)

Investigating Role of Personal Factors in Shaping Responses to Active Shooter Incident using Machine Learning
von: Liu, Ruying, et al.
Veröffentlicht: (2025)

Non-Determinism and the Lawlessness of Machine Learning Code
von: Cooper, A. Feder, et al.
Veröffentlicht: (2022)

Insights From Insurance for Fair Machine Learning
von: Fröhlich, Christian, et al.
Veröffentlicht: (2023)

Bushfire Severity Modelling and Future Trend Prediction Across Australia: Integrating Remote Sensing and Machine Learning
von: Partheepan, Shouthiri, et al.
Veröffentlicht: (2024)

Diagnosing Psychiatric Patients: Can Large Language and Machine Learning Models Perform Effectively in Emergency Cases?
von: Ahammed, Abu Shad, et al.
Veröffentlicht: (2025)

Macroscopic Emission Modeling of Urban Traffic Using Probe Vehicle Data: A Machine Learning Approach
von: Adlouni, Mohammed Ali El, et al.
Veröffentlicht: (2025)

Evaluating Fair Feature Selection in Machine Learning for Healthcare
von: Zawad, Md Rahat Shahriar, et al.
Veröffentlicht: (2024)

Understanding Disparities in Post Hoc Machine Learning Explanation
von: Mhasawade, Vishwali, et al.
Veröffentlicht: (2024)

Best Practices for Responsible Machine Learning in Credit Scoring
von: Valdrighi, Giovani, et al.
Veröffentlicht: (2024)

What is Fair? Defining Fairness in Machine Learning for Health
von: Gao, Jianhui, et al.
Veröffentlicht: (2024)

Identities are not Interchangeable: The Problem of Overgeneralization in Fair Machine Learning
von: Wang, Angelina
Veröffentlicht: (2025)

Debiasing Machine Learning Models by Using Weakly Supervised Learning
von: Brotto, Renan D. B., et al.
Veröffentlicht: (2024)